AI 智能體將是AI行業(yè)接下來的焦點，這是從GenAI的發(fā)展趨勢中明顯可以看出來。
當像吳恩達和Andrej Karpathy這樣的業(yè)界大咖都在談?wù)揂gentic Workflow (AI 智能體工作流）時，我們應(yīng)該開始行動了！
GenAI 將現(xiàn)有軟件轉(zhuǎn)化為各種應(yīng)用場景下的可協(xié)作的智能體，未來的企業(yè)是可拼裝的
是的，AI的未來將深受智能體的影響，今天，就讓我們一起來探討AI領(lǐng)域的一線思想家們對AI智能體的看法，以及他們在塑造未來的重要性。
AI智能體的發(fā)展歷程
在2016年，人們對于強化學(xué)習(xí)（RL）智能體非常熱衷，大家都在嘗試創(chuàng)建不同類型的強化學(xué)習(xí)智能體來玩雅達利(Atari) 等游戲。
那個時候，AI智能體這個概念還尚未出現(xiàn)。然而，OpenAI的一些研究員，包括Jim Fan、Karpathy和Tim Shee，想要利用這些強化學(xué)習(xí)智能體去完成一些現(xiàn)在AI智能體正在做的工作。
他們的項目被命名為World of Bits (比特的世界：一個用于網(wǎng)絡(luò)基礎(chǔ)代理/智能體的開放領(lǐng)域平臺)，他們的想法是創(chuàng)建一個能夠瀏覽網(wǎng)頁并處理小請求（如訂購披薩等）的智能體。他們想通過智能體來操作操作系統(tǒng)。但是，他們的想法過于超前了，那個時候的技術(shù)還無法實現(xiàn)他們的想法，他們無法使其正常運作。
World of Bits 比特的世界Agent 開放領(lǐng)域平臺
當時到底缺少了什么呢？答案是通用的大語言模型 LLM。
他們還需要五年的時間來創(chuàng)建一個更加通用的智能行為的基礎(chǔ)。LLM變得越來越擅長理解語言，他們甚至可以根據(jù)指令修改他們的輸出以及行為。LLM成為了解決問題的關(guān)鍵，他們可以通過人類語言來接受指令，并最終形成工作流。創(chuàng)建一個具有代理功能的工作流就成了下一個最顯而易見的步驟。
然而，構(gòu)建AI智能體并不如人們現(xiàn)在所想象和炒作的那么簡單。就像自動駕駛汽車一樣，想象起來很容易，也容易創(chuàng)建一個概念驗證，但是真正難的是使其真正變得可用。盡管我們已經(jīng)對此進行了幾十年的研究，并投入了數(shù)十億美元，但我們依然沒有完全的自動駕駛汽車。另一個類似的技術(shù)就是虛擬現(xiàn)實，我們從2000年代末期起就有了虛擬現(xiàn)實的想法和概念驗證，然而，它仍然沒有規(guī)模化。
想要創(chuàng)建一個優(yōu)秀的智能體，首先需要給他提供好的提示詞。但是，人類真的擅長創(chuàng)建好的提示語嗎？對于給定的主題，一個專家可能能夠創(chuàng)建一個優(yōu)化的提示，但是其他人呢？因此，有一種策略叫做PROMPTBREEDER，它是谷歌DeepMind團隊開發(fā)的一種人工智能模型，這是一個自我強化系統(tǒng)，它可以對特定領(lǐng)域的提示進行演化，通過加速進化實現(xiàn)自我參照自我完善。
它使用LLM，通過多次迭代的訓(xùn)練數(shù)據(jù)來調(diào)整和評估任務(wù)提示。
PROMPTBREEDER也會細化指導(dǎo)任務(wù)提示調(diào)整的規(guī)則（即變異提示）。這導(dǎo)致了雙層的自我強化：細化提示和細化方法（自我參照）。
在算術(shù)和推理測試中，PROMPTBREEDER的表現(xiàn)優(yōu)于其他領(lǐng)先策略。
它還可以為復(fù)雜挑戰(zhàn)（如仇恨言論分類）創(chuàng)建詳細的提示。
PROMPTBREEDER的自我進化機制無需對神經(jīng)網(wǎng)絡(luò)進行復(fù)雜的微調(diào)，而是根據(jù)特定應(yīng)用程序生成優(yōu)化的定制提示。初步實驗結(jié)果顯示，PROMPTBREEDER在數(shù)學(xué)、邏輯、常識任務(wù)和語言分類等方面表現(xiàn)優(yōu)異，超越了一般的提示詞方法。
Google PROMPTBREEDER 提示詞優(yōu)化器
然而，盡管PROMPTBREEDER的成就令人矚目，但與人類思維過程相比，它仍然存在局限性。提示拓撲保持固定，主要適應(yīng)提示內(nèi)容而非提示算法本身。
人類思維涵蓋了語言之外的多方面，而PROMPTBREEDER目前還無法涵蓋這些多模態(tài)系統(tǒng)，這是未來需要持續(xù)突破的難題。
一個AI 智能體確實需要能夠使用不同類型的工具的能力，沒有這種能力，我們就無法擁有能夠操作我們電腦并完成特定任務(wù)的AI智能體。
但是我們?yōu)槭裁葱枰ぞ?，為什么不能直接將所有知識傳授給LLM呢？
LLMs在進行數(shù)學(xué)計算方面的能力非常差。以前它們甚至不能訪問互聯(lián)網(wǎng)，現(xiàn)在可以了。但為什么它們連基本的計算都搞不定呢？將精確的信息植入LLM中是相當困難的，這就是為什么更好的方法是，讓LLM使用計算器或類似的工具來計算答案，而不是自己計算。
但問題是，LLM如何知道何時使用工具呢？
新版本的LLM不僅可以生成文本，還可以使用不同的工具。例如，已經(jīng)賦予LLM能力，使其可以搜索互聯(lián)網(wǎng)，并使用那些信息來提供更加最新、更好的答案。
目前，AI 智能體被用在LLM的背景下。它們被視為RAG流程的未來，或者是通向AGI的下一步。下面的圖解釋了什么是AI 智能體：
AI代理就是一個自動推理和決策引擎。它接收用戶輸入/查詢，并可以做出內(nèi)部決策來執(zhí)行該查詢，以返回正確的結(jié)果。代理的關(guān)鍵組成部分可以包括，但不限于：
將復(fù)雜的問題分解成更小的問題
選擇使用的外部工具，以及提出調(diào)用工具的參數(shù)
規(guī)劃一系列任務(wù)
在內(nèi)存模塊中存儲之前完成的任務(wù)
我們有不同類型的代理，它們可以完成從簡單到復(fù)雜的任務(wù)，比如動態(tài)規(guī)劃，或者自我改正錯誤，甚至還可以幫助我們生成計劃，這些計劃稍后可以通過自動計劃器進行可行性檢查。
理解AI智能體的發(fā)展趨勢有助于我們成為“時代的企業(yè)” 和“超級個體”，或更好地理解工作的未來，如：
1） AI智能體將如何重塑行業(yè)和你自己的事業(yè)？
2）我們?nèi)绾纬蔀樵缙诓捎谜撸瑢W(xué)習(xí)創(chuàng)建AI智能體并利用他們的力量？
3）我們將怎樣獲得競爭優(yōu)勢，在快速發(fā)展的AI 技術(shù)應(yīng)用中保持領(lǐng)先？
盡管LLM和RAG模型 已經(jīng)推動了語言生成的可能性，但AI 智能體的發(fā)展代表了更加智能、自治和多功能的系統(tǒng)的一步，這些系統(tǒng)可以在更廣泛的場景中與人類并肩工作。
向AI 智能體的轉(zhuǎn)變是關(guān)于創(chuàng)建真正能夠理解、學(xué)習(xí)并解決現(xiàn)實世界問題的AI系統(tǒng)。
以下是我們需要AI 智能體的幾個關(guān)鍵原因：
1） 目標導(dǎo)向行為：LLM和RAG模型主要專注于生成類似人類的文本，這基于訓(xùn)練數(shù)據(jù)中的模式。然而，它們?nèi)狈σ造`活、智能的方式設(shè)定并追求特定目標的能力。AI智能體則可以被設(shè)計為具有明確的目標，并計劃并采取行動來實現(xiàn)這些目標。
2）記憶和狀態(tài)跟蹤：當前的大多數(shù)語言模型沒有持久的記憶或狀態(tài)跟蹤能力，每個輸入都是獨立處理的。AI 智能體可以維持內(nèi)部狀態(tài)，隨著時間的積累知識，并使用該狀態(tài)來告知未來的決策和行動。
3）與環(huán)境的交互：LLM僅在文本領(lǐng)域運行，沒有與物理世界的直接交互。AI 智能體可以感知并對其環(huán)境產(chǎn)生影響，無論是數(shù)字世界、機器人系統(tǒng)，還是通過傳感器和執(zhí)行器的物理世界。
4）轉(zhuǎn)移和泛化：雖然LLM在與訓(xùn)練數(shù)據(jù)類似的語言任務(wù)上表現(xiàn)出色，但它們通常在將知識轉(zhuǎn)移到全新的領(lǐng)域或任務(wù)上有困難。AI 智能體，憑借其學(xué)習(xí)、推理和計劃的能力，具有更好的轉(zhuǎn)移和泛化到新情況的潛力。
5）持續(xù)學(xué)習(xí)：大多數(shù)語言模型在訓(xùn)練完成后都是靜態(tài)的。AI 智能體可以不斷地學(xué)習(xí)和調(diào)整他們的知識和技能，隨著他們與新環(huán)境和情況的交互而發(fā)展。
6）多任務(wù)能力：LLM通常專門針對特定的語言任務(wù)。AI 智能體可以被設(shè)計為通用的、多任務(wù)的系統(tǒng)，能夠流暢地結(jié)合各種技能，如語言、推理、感知和控制，來解決復(fù)雜的、多面性的問題。多任務(wù)智能體可以被賦予管理者角色的AI 智能體（Agent Manager) 來規(guī)劃和調(diào)度，就像團隊的員工一樣。
“AI智能體”的崛起將如何改變世界？
假設(shè)你需要規(guī)劃一個復(fù)雜的旅行：
LLM（大型語言模型）能為你解釋各種旅游地點或給出一般性的旅行建議。
RAG（可檢索的自動生成模型）能幫你找到關(guān)于目的地的相關(guān)博客和文章。
AI 智能體除了以上所有功能，它還能：
根據(jù)你的預(yù)算搜索航班和酒店
完成預(yù)訂
將所有行程事項添加到你的日歷
發(fā)送帶有相關(guān)信息的出發(fā)前提醒
我們來具體了解一下LLM，RAG和AI 智能體：
1. 任務(wù)導(dǎo)向與普遍知識
LLMs: 擅長廣泛的語言理解和生成，他們?nèi)缤粋€龐大的信息庫。
RAG: 通過找尋相關(guān)信息來優(yōu)化LLM，但重點仍在于知識的儲備和文本生成。
AI 智能體: 以特定的目標為導(dǎo)向，他們彌補了理解語言與在現(xiàn)實世界或數(shù)字系統(tǒng)中采取行動之間的鴻溝。
2. 多步驟推理
LLMs和RAG: 主要對單一輸入進行處理，并根據(jù)此提供反饋。
AI 智能體: 能夠執(zhí)行多個步驟：
檢索信息（如RAG）
處理信息以做出決策
采取行動，例如：
發(fā)送電子郵件
預(yù)約
控制智能家居設(shè)備
3. 主動性
LLMs 和 RAG: 通常只對直接提示做出反應(yīng)。
AI智能體: 可以主動行動。他們可以：
監(jiān)控數(shù)據(jù)流并對關(guān)鍵變化進行警告
根據(jù)你的偏好啟動行動
隨著對你的了解深入，改變他們的行為
4. 與現(xiàn)有系統(tǒng)的集成
LLMs 和 RAG: 通常在自己的環(huán)境中運行。
AI 智能體: 被設(shè)計為能夠接入各種系統(tǒng)和API：
訪問你的電子郵件或日歷
與數(shù)據(jù)庫交互
控制其他軟件或設(shè)備
AI智能體的架構(gòu)包含哪些內(nèi)容？
AI智能體的架構(gòu)包含了使其能夠在其環(huán)境中思考、規(guī)劃和行動的基本組件。這種復(fù)雜的設(shè)計通常包括：
1） 推理引擎：智能體的核心，利用強大的大型語言模型（LLM）來理解自然語言，獲取知識，并通過復(fù)雜問題進行推理。
2）知識庫： 作為智能體的記憶庫，儲存與其任務(wù)相關(guān)的事實信息、過去的經(jīng)驗和偏好。
3）工具集成：允許智能體通過API與各種軟件應(yīng)用和服務(wù)進行交互，擴展其操作和控制環(huán)境的能力。
4）傳感器輸入：為智能體提供感知周圍環(huán)境的能力，從文本、圖像或各種傳感器中收集數(shù)據(jù)。
5）用戶界面：一個橋梁，使得與人類用戶的通信和協(xié)作無縫進行。
這些元素共同構(gòu)建了一個能夠自主解決問題的智能系統(tǒng)。AI 智能體可以分析問題，設(shè)計出步步為營的解決方案，并自信地實施，使其成為人工智能世界的顛覆力量。
總之，我們正在經(jīng)歷工作方式的變革，AI領(lǐng)域正在從專業(yè)化的模型轉(zhuǎn)向開發(fā)出具有高度能力、能真正增強人類智能的自主代理人，覆蓋了廣泛的應(yīng)用場景。這種向AI智能體的轉(zhuǎn)變預(yù)計將深刻地改變我們的工作方式、生活方式和與技術(shù)的互動方式，開啟一個智能、適應(yīng)性強并且越來越有用的AI系統(tǒng)的新時代。
