探索人工智能中的智能代理

---

介绍

人工智能，通常称为 AI，是信息技术领域一个令人兴奋的领域，它渗透到当代生活的许多方面。尽管它可能看起来很复杂，事实上也很复杂，但我们可以通过分别查看它的每个组件来更加习惯并轻松地理解 AI。当我们理解组件如何组合在一起时，我们可以更好地理解并实践这些概念。

AI 中的代理

在人工智能的背景下，“代理”是一个独立的软件或实体，它通过基于传感器的感知和基于执行器或效应器的动作与其环境进行交互。

代理使用其执行器循环执行感知、思考和行动。代理包括以下内容：

软件 - 此代理处理来自击键、文件内容和网络数据包的输入，在屏幕上呈现结果，然后再次执行操作。

是的，我们都是代理。除了眼睛、耳朵和其他感觉器官外，人类还有手、腿、嘴和其他身体部位作为执行器。

机器人 - 机器人代理拥有各种伺服电机和马达等执行器，以及摄像头和红外测距仪等传感器。

人工智能中的智能代理是自主的实体，它们使用传感器和执行器与其环境交互以实现其目标。智能代理还可以从其环境中获取信息来实现这些目标。虚拟个人助理 Siri 和自动驾驶汽车是人工智能 (AI) 智能代理的例子。

以下四个主要准则任何 AI 代理都必须遵循：

规则 1 - AI 代理需要能够理解其周围环境。

规则 2 - 决策必须基于环境观察。

规则 3 - 决策必须伴随着行动。

规则 4 - AI 代理的行动必须是合理的。最大限度地提高性能并产生最佳可能结果的行动被认为是理性的。

人工智能代理的活动

人工智能代理不断执行以下任务：

• 识别不断变化的环境条件

• 采取行动改变环境条件

• 使用逻辑来转换感知

• 解决问题

• 进行推论

• 决定行动及其结果

Learn Artificial Intelligence in-depth with real-world projects through our Artificial Intelligence certification course. Enroll and become a certified expert to boost your career.

代理类型

AI 使用五种主要类别的智能代理。它们的能力范围和智能程度定义了它们：

反射型代理 - 这些代理只关注现在，而不考虑过去。它们的响应使用事件-条件-动作规则。当用户启动事件并且代理查阅预先建立的标准和规则列表时，导致预先编程的结果，ECA 规则生效。

基于模型的代理 - 这些代理与反射型代理类似地做出关于其行动方针的决策，但它们对周围环境有更全面的了解。内部系统拥有一个环境模型，代理的历史信息与之集成。

基于目标的代理 - 这些代理增加了基于模型的代理保留的数据，通过补充有关目标的信息，例如有关所需结果和情况的信息。

基于效用的代理 - 这些代理类似于基于目标的代理，但它们还提供第二个效用指标。此评估将每个潜在结果相对于所需结果进行排名，并选择优化结果的行动方案。评级标准的示例包括成功概率或所需资源数量等因素。

学习型代理 - 这些代理使用额外的学习组件，随着时间的推移逐步改进并学习更多关于其周围环境的信息。学习组件根据输入决定如何逐步更改性能组件以指示改进。

人工智能代理遵循基本的结构公式：

代理 = 架构 + 代理程序

最常用于描述代理结构的短语如下：

架构 - 用于运行代理的设备或平台。

代理函数 - 代理函数，由以下公式描述，将感知与动作联系起来。f:P* - A。

代理程序 - 代理程序是将代理函数付诸实践的好方法。为了创建函数 f，代理程序在物理架构上运行。

PEAS 模型是 AI 代理架构的一个共同要素。PEAS 代表性能度量、环境、执行器和传感器。例如，考虑一台吸尘器。

• 清洁度和性能效率

• 地毯、木地板和客厅

• 刷子、轮子、吸尘袋执行器

• 检测灰尘和碰撞的传感器

代理可以在无需直接人工输入或使用其他软件技术的情况下运行。它内部控制其行为和环境。代理自行决定在当前情况下采取的最佳行动方案。如果代理的性能通过其在学习和适应环境中的经验来衡量，则该代理已实现自主性。

灵活性

代理必须快速响应内部变化并了解其周围环境。

主动性 - 代理应该能够在必要时主动承担责任，并采取机会主义的、目标导向的行动，而不仅仅是响应其周围环境。

代理应该在社会问题上与人类和其他人工智能合作。

人工智能中的问题解决代理

解决问题的 AI 代理使用各种算法和分析来创建解决方案，如下所示：

搜索算法 - 搜索策略被认为是解决问题的普遍方法。理性或解决问题的代理使用这些方法和策略来解决问题并取得最佳结果。

盲目搜索 - 也称为非信息搜索算法，使用蛮力并且缺乏任何领域知识。

启发式搜索和信息搜索算法都利用领域知识来确定找到问题解决方案所需的搜索策略。

爬山法 - 称为“爬山算法”的局部搜索算法不断上升，增加其值或高度，直到达到问题的完美解决方案或山顶。

解决数学问题的最佳算法是那些包含爬山法的算法。该算法也称为“贪婪局部搜索”，因为它只考虑其良好的直接邻居。

手段目的分析 手段目的分析是一种问题解决方法，它结合了前向和后向搜索技术来限制人工智能算法中的搜索。

在评估初始条件和最终条件之间的差异后，手段目的分析选择最适合每个差异的操作符。

结论

一种使用人工智能做出决策并采取行动的实体被称为 AI 代理。它通常使用传感器来感知其环境，然后使用智能来选择一个动作并使用执行器来执行它。在本文中，我们讨论了人工智能的各种代理类型以及能够解决问题的代理。