【人工智能】理解并准备 7 个级别的 Al Agent

随着日历翻到本世纪的第二个 25 年，关于人工智能变革潜力的讨论正达到白热化。然而，关于人工智能的讨论正从人工智能工具转向创建和部署 AI Agent。与我交谈的许多高管仍然不确定如何构思、分类和利用各种Agent 可能性来发展他们的业务。了解 AI Agent 的演变——从简单的反应系统到假设的超级智能实体——可以为旨在战略性地利用人工智能的组织提供路线图。

我提供的以下框架用于定义、理解和准备 Agent 式人工智能，它将计算机科学的基础工作与认知心理学和思辨哲学的见解相结合。七个级别中的每一个都代表着技术、能力和自主性的重大变化。该框架表达了在数据驱动和人工智能驱动的数字经济中创新、繁荣和转型的不断增加的机会。

第一级——反应性 Agent

回应当下

最基本的是反应式 Agent ，它们完全在当下运行。这些 Agent 不会保留记忆或从过去的经验中学习。相反，它们遵循预定义的规则来响应特定输入。反应式系统起源于早期的人工智能研究和有限状态机，这些基础概念是在 20 世纪中叶通过约翰·麦卡锡和马文·明斯基等先驱的工作而出现的。

一个典型的例子是，一个基本的聊天机器人可以根据关键字匹配来回答问题，或者生成或翻译内容。这些 Agent 在交互范围有限且可预测的环境中表现出色。对于企业而言，反应式 Agent 可以简化重复性任务，例如处理客户查询或自动化定义明确的工作流程。

要超越这种即将过时的能力，需要引入随着时间的推移获取、保留和分析数据的能力；处理复杂的交互式活动；并实现更具动态的操作。

第 2 级——任务专业Agent

掌握一项具体活动任务专门化的 Agent 在相对狭窄的领域表现出色，通过与领域专家合作完成明确定义的活动，它们在特定任务上的表现往往优于人类。这些 Agent 是许多现代人工智能应用的支柱，从欺诈检测算法到医学成像系统。它们的起源可以追溯到 20 世纪 70 年代和 80 年代的专家系统，例如 MYCIN，这是一种基于规则的感染诊断系统。

专门从事任务的 Agent 可能会为电子商务推荐引擎提供支持，确保客户看到他们可能购买的产品。在物流方面，这些 Agent 可以优化配送路线，以降低成本并提高效率。

组织可以通过专注于具有明确成功指标的明确问题来构建任务专用 Agent ，尤其是用于自动化的 Agent 。与领域专家合作培训这些系统可确保它们提供可操作的见解。

第 3 级——情境感知Agent

处理模糊性和复杂性

情境感知型 Agent 的特点是能够处理模糊性、动态场景并综合各种复杂输入。这些 Agent 会分析历史数据、实时流和非结构化信息，即使在不可预测的场景中也能做出智能调整和响应。它们的发展很大程度上归功于机器学习和神经网络的进步，这些进步得到了 Geoffrey Hinton 和 Yann LeCun 等研究人员的支持。

复杂的例子包括分析大量医学文献、患者记录和临床数据以协助医生诊断复杂病症的系统。在金融领域，情境感知 Agent 评估交易模式、用户行为和外部市场条件以检测潜在欺诈行为。在城市规划中，这些模型综合了交通模式、天气预报和公共活动时间表的数据，以优化城市物流和公共交通系统。

为了实现情境感知 Agent ，公司必须采用能够提取和综合结构化和非结构化数据源的技术。要达到这一水平，需要采用机器学习技术并确保能够访问高质量、结构化和非结构化数据。它还需要培养一种重视数据驱动决策的文化。

第 4 级——社交能力强的Agent

理解人类行为

社交智能 Agent 代表了人工智能和情商的交汇。这些系统能够理解和解读人类的情感、信仰和意图，从而实现更丰富的互动。这一概念源自认知心理学，尤其是“心智理论”，该理论认为，了解他人的心理状态对于社交互动至关重要。西蒙·巴伦-科恩 (Simon Baron-Cohen) 和艾伦·莱斯利 (Alan Leslie) 等研究人员推动了认知科学中对心智理论的理解，这为人工智能中这些 Agent 的开发提供了参考。

在客户服务中，社交能力强的客服人员可以从来电者的语气中看出沮丧情绪，并相应地调整他们的回应。高级应用包括人工智能驱动的辅导平台，提供富有同理心的反馈，或能够在商业交易过程中理解微妙暗示的谈判机器人。

为了开发具有社交能力的智能体，组织需要投资情感计算和自然语言处理技术。他们还必须确保这些智能体符合道德标准，因为对情绪或意图的误解会导致信任问题。

第 5 级——自我反思型Agent

实现内在意识和改善

自我反思 Agent 的想法进入了推测领域。这些系统将能够进行内省和自我完善。这一概念源于关于意识的哲学讨论，由艾伦·图灵在其早期的机器智能研究中首次提出，后来由大卫·查尔默斯等思想家进行了探索。

自我反思型 Agent 会分析自己的决策过程并自主改进算法，就像人类反思过去的行为以改善未来行为一样。对于企业而言，此类 Agent 可以通过不断发展战略（而不仅仅是流程）来彻底改变运营方式，而无需人工干预。

例如，在制造业中，这些 Agent 可以监控生产线效率低下的情况，找出根本原因，并重新校准机器或工作流程以提高产量。同样，在营销方面，这些 Agent 可以根据实时反馈动态调整营销策略，从失败的策略中吸取教训，改进未来的方法。他们甚至可能创新全新的方法来吸引客户或优化运营，不断改进自己的流程，以提供卓越的成果。

然而，达到这一水平的道路充满了挑战，包括定义和衡量机器的“自我意识”、复杂的道德考虑以及所谓的“模型崩溃”（AI Agent 的性能因过于依赖自身而不是多种输入而下降）。

目前，组织可以通过开发强大的反馈机制和培育迭代学习文化来做好准备——无论是针对其人工智能系统还是团队。

第 6级——通用情报特工

跨域

通用智能 Agent ，或称通用人工智能 (AGI)，代表了人工智能研究领域的长期愿望。AGI 最初由约翰·麦卡锡等早期先驱者提出，旨在创建能够执行人类可以完成的任何智力任务的系统。与任务专门化的 Agent 不同，AGI 植根于跨广泛领域的适应性理念，需要在学习算法、推理和情境理解方面取得长足进步。

大型语言模型 (LLM) 的最新进展暗示了 AGI 的潜力。这些系统展示了跨学科综合信息的能力，优化短期目标和长期目标。例如，AGI Agent 可以无缝集成分析财务和行业趋势、协调多个业务功能和策略以及处理利益相关者关系等任务，效率和熟练程度比人类高出一个数量级。

企业可以通过投资整合多个领域数据洞察的综合 AI 系统来为 AGI 做好准备。这可能包括统一客户洞察、供应链优化和财务预测的平台。此外，促进 AI 开发人员和业务战略家之间的协作对于将 AGI 能力与组织目标保持一致至关重要。

第七级——超级智能Agent

超越人类概念

人工智能进化的顶峰是超级智能体。这个假想的系统将在所有领域超越人类智能，从而实现科学、经济和治理方面的突破。超级智能由尼克·博斯特罗姆 (Nick Bostrom) 推广，它提出了深刻的伦理和实践问题，并且可能需要量子计算级别的技术。

超级智能体可以解决的潜在问题包括通过分析大量相互关联的数据集和 DNA 来发现复杂疾病的治疗方法、设计应对全球环境挑战的可持续解决方案、优化国际经济体系、开发新的工程或建筑方法，以及解决我们对宇宙、量子物理和人脑的不完整模型。这些终极智能体还可以管理复杂的地缘政治谈判、展望未来以减轻灾难性风险、通过无限变量情景规划优化混沌系统，或构思重新定义或发明新行业的革命性解决方案。这些任务的规模、复杂性甚至领域可能超出人类的理解范围。

企业和技术领导者在设想超级智能 Agent 对其组织意味着什么时，可能需要彻底重新思考商业模式、宏观经济学，甚至存在主义和死亡率。

通过各个级别不断进化

对于组织而言，从一个级别的 AI Agent 发展到下一个级别的 AI Agent 需要技术投资、文化变革和战略远见的结合。然而，许多限制更多是源于组织的想象力而非技术限制。首先评估您当前的能力并找出差距，然后大胆思考 AI 可以释放的机会。投资数据、基础设施和人才以支持更先进的系统，并在每个阶段优先考虑道德问题。

进步往往涉及迭代步骤，而不是跳跃。例如，一家使用反应式 Agent 进行客户服务的公司可能会通过实施分析过去互动的机器学习模型，发展为情境感知 Agent 。在此基础上，整合情绪分析可以产生能够理解客户情绪并处理复杂场景的社交智能 Agent 。

这一旅程不仅关乎技术，也关乎心态、愿景和强大的领导力。业务和 IT 领导者还必须培养尝试和从错误中学习的意愿。通过不仅将 AI 作为一种工具，而且将其作为能够推动创新和创造价值的战略合作伙伴，以及通过了解 AI Agent 的水平及其发展途径，组织可以将自己定位在行业前沿。

免责声明：

本文所发布的内容和图片旨在传播行业信息，版权归原作者所有，非商业用途。如有侵权，请与我们联系。所有信息仅供参考和分享，不构成任何投资建议。加密货币市场具有高度风险，投资者应基于自身判断和谨慎评估做出决策。投资有风险，入市需谨慎。

关注我们，一起探索AWM！

2024-12-18

领域，智能体能发挥出什么作用？

2024-12-15

2024-12-14