在人工智能的發(fā)展長河中，我們正站在一個激動人心的轉(zhuǎn)折點。
想象一下，未來的人工智能什么樣？只需簡單一個指令，它們便能領(lǐng)悟并執(zhí)行復(fù)雜的任務(wù)；它們還能通過視覺捕捉用戶的表情和動作，判斷其情緒狀態(tài)。這不再是好萊塢科幻電影中的場景，而是正逐步走進現(xiàn)實的AI智能體時代。
早在2023年11月，微軟創(chuàng)始人比爾·蓋茨就發(fā)文表示，智能體不僅會改變每個人與計算機交互的方式，還將顛覆軟件行業(yè)，帶來自我們從鍵入命令到點擊圖標(biāo)以來最大的計算革命。OpenAI首席執(zhí)行官山姆·奧特曼也曾在多個場合表示：構(gòu)建龐大AI模型的時代已經(jīng)結(jié)束，AI智能體才是未來的真正挑戰(zhàn)。今年4月份，AI著名學(xué)者、斯坦福大學(xué)教授吳恩達指出，智能體工作流將在今年推動AI取得巨大進步，甚至可能超過下一代基礎(chǔ)模型。
類比智能電動汽車，猶如其在新能源技術(shù)應(yīng)用和里程焦慮之間尋找到某種平衡的增程路線一樣，AI智能體讓人工智能進入了“增程模式”，在AI技術(shù)和行業(yè)應(yīng)用之間盡可能達成新的平衡。
被看好的AI智能體
顧名思義，AI智能體就是具有智能的實體，能夠自主感知環(huán)境、做出決策并執(zhí)行行動，它可以是一個程序、一個系統(tǒng)，也可以是一個機器人。
去年，斯坦福大學(xué)和谷歌的聯(lián)合研究團隊發(fā)表了一篇題為《生成式智能體：人類行為的交互式模擬》的研究論文。在文中，居住在虛擬小鎮(zhèn)Smallville的25個虛擬人在接入ChatGPT之后，表現(xiàn)出各種類似人類的行為，由此帶火了AI智能體概念。
此后，很多研究團隊將自己研發(fā)的大模型接入《我的世界》等游戲，比如，英偉達首席科學(xué)家Jim Fan在《我的世界》中創(chuàng)造出了一個名叫Voyager的AI智能體，很快， Voyager表現(xiàn)出了十分高超的學(xué)習(xí)能力，可以無師自通地學(xué)習(xí)到挖掘、建房屋、收集、打獵等游戲中的技能，還會根據(jù)不同的地形條件調(diào)整自己的資源收集策略。
OpenAI曾列出實現(xiàn)通用人工智能的五級路線圖：L1是聊天機器人；L2是推理者，即像人類一樣能夠解決問題的AI；L3是智能體，即不僅能思考，還可采取行動的AI系統(tǒng)；L4是創(chuàng)新者；L5是組織者。這其中，AI智能體恰好位于承前啟后的關(guān)鍵位置。
作為人工智能領(lǐng)域的一個重要概念，學(xué)術(shù)界和產(chǎn)業(yè)界對AI智能體提出了各種定義。大致來說，一個AI智能體應(yīng)具備類似人類的思考和規(guī)劃能力，并具備一定的技能以便與環(huán)境和人類進行交互，完成特定的任務(wù)。
或許把AI智能體類比成計算機環(huán)境中的數(shù)字人，我們會更好理解——數(shù)字人的大腦就是大語言模型或是人工智能算法，能夠處理信息、在實時交互中做出決策；感知模塊就相當(dāng)于眼睛、耳朵等感官，用來獲得文本、聲音、圖像等不同環(huán)境狀態(tài)的信息；記憶和檢索模塊則像神經(jīng)元，用來存儲經(jīng)驗、輔助決策；行動執(zhí)行模塊則是四肢，用來執(zhí)行大腦做出的決策。
長久以來，人類一直在追求更加“類人”甚至“超人”的人工智能，而智能體被認為是實現(xiàn)這一追求的有效手段。近些年，隨著大數(shù)據(jù)和計算能力的提升，各種深度學(xué)習(xí)大模型得到了迅猛發(fā)展。這為開發(fā)新一代AI智能體提供了巨大支撐，并在實踐中取得了較為顯著的進展。
比如，谷歌DeepMind人工智能系統(tǒng)展示了用于機器人的AI智能體“RoboCat”；亞馬遜云科技推出了Amazon Bedrock智能體，可以自動分解企業(yè)AI應(yīng)用開發(fā)任務(wù)等等。Bedrock中的智能體能夠理解目標(biāo)、制定計劃并采取行動。新的記憶保留功能允許智能體隨時間記住并從互動中學(xué)習(xí)，實現(xiàn)更復(fù)雜、更長期運行和更具適應(yīng)性的任務(wù)。
這些AI智能體的核心是人工智能算法，包括機器學(xué)習(xí)、深度學(xué)習(xí)、強化學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等技術(shù)。通過這些算法，AI智能體可以從大量數(shù)據(jù)中學(xué)習(xí)并改進自身的性能，不斷優(yōu)化自己的決策和行為，還可以根據(jù)環(huán)境變化做出靈活地調(diào)整，適應(yīng)不同場景和任務(wù)。
目前，AI智能體已在不少場景中得到應(yīng)用，如客服、編程、內(nèi)容創(chuàng)作、知識獲取、財務(wù)、手機助手、工業(yè)制造等。AI智能體的出現(xiàn)，標(biāo)志著人工智能從簡單的規(guī)則匹配和計算模擬向更高級別的自主智能邁進，促進了生產(chǎn)效率的提升和生產(chǎn)方式的變革，開辟了人們認識和改造世界的新境界。
AI智能體的感官革命
莫拉維克悖論（Moravec’s paradox）指出，對于人工智能系統(tǒng)而言，高級推理只需非常少的計算能力，而實現(xiàn)人類習(xí)以為常的感知運動技能卻需要耗費巨大的計算資源。實質(zhì)上，與人類本能可以完成的基本感官任務(wù)相比，復(fù)雜的邏輯任務(wù)對AI而言更加容易。這一悖論凸顯了現(xiàn)階段的AI與人類認知能力之間的差異。
著名計算機科學(xué)家吳恩達曾說：“人類是多模態(tài)的生物,我們的AI也應(yīng)該是多模態(tài)的。”這句話道出了多模態(tài)AI的核心價值——讓機器更接近人類的認知方式，從而實現(xiàn)更自然、更高效的人機交互。
我們每個人就像一個智能終端，通常需要去學(xué)校上課接受學(xué)識熏陶（訓(xùn)練），但訓(xùn)練與學(xué)習(xí)的目的和結(jié)果是我們有能力自主工作和生活，而不需要總是依賴外部的指令和控制。人們通過視覺、語言、聲音、觸覺、味覺和嗅覺等多種感官模式來了解周圍的世界，進而審時度勢，進行分析、推理、決斷并采取行動。
AI智能體的核心在于“智能”，自主性是其主要特點之一。它們可以在沒有人類干預(yù)的情況下，根據(jù)預(yù)設(shè)的規(guī)則和目標(biāo)，獨立地完成任務(wù)。
想象一下，一輛無人駕駛車裝備了先進的攝像頭、雷達和傳感器，這些高科技的“眼睛”讓它能夠“觀察”周圍的世界，捕捉到道路的實時狀況、其他車輛的動向、行人的位置以及交通信號的變化等信息。這些信息被傳輸?shù)綗o人駕駛車的大腦——一個復(fù)雜的智能決策系統(tǒng)，這個系統(tǒng)能夠迅速分析這些數(shù)據(jù)，并制定出相應(yīng)的駕駛策略。
例如，面對錯綜復(fù)雜的交通環(huán)境，自動駕駛汽車能夠計算出最優(yōu)的行駛路線，甚至在需要時做出變道等復(fù)雜決策。一旦決策制定，執(zhí)行系統(tǒng)便將這些智能決策轉(zhuǎn)化為具體的駕駛動作，比如轉(zhuǎn)向、加速和制動。
在基于龐大數(shù)據(jù)和復(fù)雜算法構(gòu)建的大型智能體模型中，交互性體現(xiàn)得較為明顯。能夠“聽懂”并回應(yīng)人類復(fù)雜多變的自然語言，正是AI智能體的神奇之處——它們不僅能夠“理解”人類的語言，還能夠進行流暢而富有洞察力的交互。
AI智能體不僅能迅速適應(yīng)各種任務(wù)和環(huán)境，還能通過持續(xù)學(xué)習(xí)不斷優(yōu)化自己的性能。自深度學(xué)習(xí)技術(shù)取得突破以來，各種智能體模型通過不斷積累數(shù)據(jù)和自我完善，變得更加精準和高效。
此外，AI智能體對環(huán)境的適應(yīng)性也十分強大，在倉庫工作的自動化機器人能夠?qū)崟r監(jiān)測并避開障礙物。當(dāng)感知到某個貨架位置發(fā)生變化時，它會立即更新其路徑規(guī)劃，有效地完成貨物的揀選和搬運任務(wù)。
AI智能體的適應(yīng)性還體現(xiàn)在它們能夠根據(jù)用戶的反饋進行自我調(diào)整。通過識別用戶的需求和偏好，AI智能體可以不斷優(yōu)化自己的行為和輸出，提供更加個性化的服務(wù)，比如音樂軟件的音樂推薦、智能醫(yī)療的個性化治療等等。
多模態(tài)大模型和世界模型的出現(xiàn)，顯著提升了智能體的感知、交互和推理能力。多模態(tài)大模型能夠處理多種感知模式（如視覺、語言），使智能體能夠更全面地理解和響應(yīng)復(fù)雜的環(huán)境。世界模型則通過模擬和理解物理環(huán)境中的規(guī)律，為智能體提供了更強的預(yù)測和規(guī)劃能力。
經(jīng)過多年的傳感器融合和AI演進，機器人現(xiàn)階段基本上都配備有多模態(tài)傳感器。隨著機器人等邊緣設(shè)備開始具備更多的計算能力，這些設(shè)備正變得愈加智能，能夠感知周圍環(huán)境，理解并以自然語言進行溝通，通過數(shù)字傳感界面獲得觸覺，以及通過加速計、陀螺儀與磁力計等的組合，來感知機器人的比力、角速度，甚至機器人周圍的磁場。
在Transformer和大語言模型（LLM）出現(xiàn)之前，要在AI中實現(xiàn)多模態(tài)，通常需要用到多個負責(zé)不同類型數(shù)據(jù)（文本、圖像、音頻）的單獨模型，并通過復(fù)雜的過程對不同模態(tài)進行集成。
而在Transformer和LLM出現(xiàn)后，多模態(tài)變得更加集成化，使得單個模型可以同時處理和理解多種數(shù)據(jù)類型，從而產(chǎn)生對環(huán)境綜合感知能力更強大的AI系統(tǒng)，這一轉(zhuǎn)變大大提高了多模態(tài)AI應(yīng)用的效率和有效性。