智能体（Agent）的定义和分类
输入“/”快速插入内容
智能体（Agent）的定义和分类
智能体（Agent）的定义和分类
2024年8月21日修改
作者：北方的郎
在当今科技日新月异的时代，人工智能（AI）已经深入到我们的日常生活中。从Siri、Alexa等智能语音助手，到自动驾驶汽车、机器人等领域，AI正在改变我们的生活方式。然而，你是否想过，AI是如何实现的呢？在AI的背后，有一个核心的概念叫做“智能代理”（Intelligent Agent）。本篇科普文章将带你深入了解这个概念，揭示AI背后的奥秘。
定义
在人工智能中，Intelligent agent（IA ）是以智能方式行事的Agent；它感知环境，自主采取行动以实现目标，并可以通过学习或获取知识来提高其性能。智能Agent可以是简单的，也可以是复杂的：恒温器或其他控制系统被认为是智能Agent的一个例子，人类也是如此，任何符合定义的系统也是如此，例如公司、国家或生物群落。[1]
领先的人工智能教科书将“人工智能”定义为“智能Agent的研究和设计”，这一定义认为目标导向的行为是智能的本质。目标导向Agent也可以使用经济学术语“理性Agent”来描述。
Agent具有封装所有 IA 目标的“目标函数”。这样的Agent旨在创建和执行任何计划，在完成后最大化目标函数的预期值。例如，强化学习Agent具有“奖励函数”，允许程序员塑造 IA 所需的行为，[3]而进化算法的行为则由“适应度函数”塑造。
人工智能中的智能主体与经济学中的主体密切相关，智能主体范式的版本在认知科学、伦理学、实践理性哲学以及许多跨学科的社会认知建模和计算机社会模拟中进行了研究。
智能Agent通常被示意性地描述为类似于计算机程序的抽象功能系统。智能Agent的抽象描述称为抽象智能Agent（AIA），以将其与其现实世界的实现区分开来。自主智能Agent被设计为在没有人为干预的情况下发挥作用。智能Agent还与软件Agent（代表用户执行任务的自主计算机程序） 密切相关。
作为人工智能的定义
人工智能：现代方法将“Agent”定义为
“任何可以被视为通过传感器感知其环境并通过执行器对该环境起作用的东西”
它将“rational agent”定义为：
“一个Agent，根据过去的经验和知识，最大限度地提高绩效衡量的预期价值。”
它还将“artificial intelligence research”领域定义为：
The study and design of rational agents"
Padgham 和 Winikoff (2005) 一致认为，智能Agent位于环境中，并及时（尽管不一定是实时）对环境的变化做出响应。然而，智能Agent还必须以灵活而稳健的方式主动追求目标。[a]可选的需求包括Agent是理性的，并且Agent能够进行信念-欲望-意图分析。
卡普兰和哈恩莱因将人工智能定义为“系统正确解释外部数据、从这些数据中学习、并利用这些学习成果通过灵活的适应来实现特定目标和任务的能力”。
优点
从哲学上讲，人工智能的这个定义避免了一些批评。与图灵测试不同，它不以任何方式涉及人类智能。因此，没有必要讨论它是否是“真实”智能与“模拟”智能（即“合成”智能与“人工”智能），并且并不表明这样的机器具有思想、意识或真正的理解力（即，它并不暗示约翰·塞尔的“强人工智能假说”）。
更重要的是，它具有许多实际优势，有助于推动人工智能研究的发展。提供了可靠、科学的程序测试方法；研究人员可以通过询问哪个Agent最擅长最大化给定的“目标函数”，直接比较甚至组合解决孤立问题的不同方法。它还为它们提供了与其他领域进行交流的通用语言，例如数学优化（根据“目标”定义）或经济学（使用“理性主体”的相同定义）。
目标函数
如果被分配了明确的“目标函数”的智能体始终如一地采取行动，成功地最大化其编程的目标函数，则被认为更聪明。目标可以很简单（“如果 IA 赢得围棋比赛，则为 1，否则为 0”）或复杂（“在数学上执行与过去成功的操作类似的操作”）。“目标函数”封装了Agent被驱动执行的所有目标；对于理性主体，该函数还封装了实现相互冲突的目标之间可接受的权衡。（术语各不相同；例如，某些Agent寻求最大化或最小化“效用函数”、“目标函数”或“损失函数”。）
目标可以被明确定义或诱导。如果人工智能被编程为“强化学习”，它就会具有“奖励功能”，鼓励某些类型的行为并惩罚其他类型的行为。或者，进化系统可以通过使用“适应度函数”来变异并优先复制高分人工智能系统来诱导目标，类似于动物如何进化到天生渴望某些目标，例如寻找食物。一些人工智能系统，例如最近邻系统，通常不会给定目标，而不是类比推理，除非目标隐含在其训练数据中。如果非目标系统被构建为“目标”是完成其狭隘分类任务的系统，则仍然可以对此类系统进行基准测试。
传统上不被视为Agent的系统，例如知识表示系统，有时会通过将它们构建为目标为（例如）尽可能准确地回答问题的Agent来纳入范式；“行动”的概念在此扩展为涵盖对问题给出答案的“行为”。作为额外的扩展，模仿驱动系统可以被构建为根据 IA 成功模仿所需行为的程度来优化“目标函数”的Agent。在生成对抗网络中在 2010 年代，“编码器”/“生成器”组件试图模仿和即兴创作人类文本。生成器试图最大化一个函数，该函数封装了它如何欺骗敌对的“预测器”/“鉴别器”组件。
虽然符号人工智能系统通常接受明确的目标函数，但该范式也可以应用于神经网络和进化计算。强化学习可以生成智能Agent，其行为方式似乎旨在最大化“奖励函数”。有时，机器学习程序员不会将奖励函数设置为直接等于所需的基准评估函数，而是使用奖励塑造来最初为机器学习的增量进展提供奖励。 扬·乐昆2018 年表示，“人们提出的大多数学习算法本质上都是由最小化某些目标函数组成的。” AlphaZero国际象棋有一个简单的目标函数；每场胜利计为+1分，每场失败计为-1分。自动驾驶汽车的目标函数必须更加复杂。进化计算可以进化出智能Agent，这些智能Agent的行为方式似乎旨在最大化“适应度函数”，该函数影响每个智能体被允许离开的后代数量。
理论上且不可计算的 AIXI设计是该范式中的最大智能Agent；然而，在现实世界中，IA 受到有限时间和硬件资源的限制，科学家们竞相开发能够在现实世界硬件基准测试中取得逐步更高分数的算法。
智能Agent的类别
罗素和诺维格的分类
Russell & Norvig (2003)根据感知智能和能力的程度将智能体分为五类：
简单反射Agent
简单的反射Agent仅根据当前感知起作用，忽略感知历史的其余部分。Agent功能基于条件-动作规则：“如果条件，则动作”。
仅当环境完全可观察时，此Agent功能才会成功。一些反射Agent还可以包含有关其当前状态的信息，这使它们能够忽略执行器已被触发的条件。