agent 智能体，智能体是什么

在当今快速发展的技术世界中，人工智能(AI) 已深深融入我们的日常生活中。从Siri 和Alexa 等智能语音助手到自动驾驶汽车和机器人等领域，人工智能正在改变我们的生活方式。但你有没有想过AI是如何实现的呢？AI背后有一个核心概念，叫做“智能代理”。这篇热门科学文章深入理解了这一概念，并揭示了人工智能背后的奥秘。

部分内容来自https://en.wikipedia.org/wiki/Intelligent_agent。

人工智能中定义的智能代理（IA）是指以智能方式行事、感知其环境、自主行动以实现目标，并通过学习或知识获取来提高其性能的代理。智能代理可以很简单，也可以很复杂。恒温器和其他控制系统被认为是智能代理的例子，人类、企业、国家、生物群落和其他符合定义的系统也是如此。 [1]

简单反射代理图

主要人工智能教科书将“人工智能”定义为“智能体的研究和设计”，这一定义认为目标导向的行为是智能的本质。目标导向代理也可以使用经济术语“理性代理”来描述。

该代理具有封装所有IA 目标的“目标函数”。这样的代理旨在创建和执行任何计划，该计划在完成后最大化目标函数的预期值。例如，强化学习代理具有“奖励函数”，允许程序员为IA [3] 塑造所需的行为，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得到了研究。

智能代理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。智能代理的抽象描述称为抽象智能代理（AIA），以区别于现实世界的实现。自主智能代理被设计为无需人工干预即可运行。智能代理还与软件代理密切相关，软件代理是代表用户执行任务的自主计算机程序。

人工智能的定义是

人工智能：现代方法将“代理”定义为：

“任何可以被认为是通过传感器感知环境并通过执行器作用于该环境的东西。”

“理性主体”被定义为：

“根据过去的经验和知识最大化绩效评估期望值的代理”

另外，“人工智能研究”领域定义如下。

理性智能体的研究与设计

Padgham 和Winikoff (2005) 一致认为，智能代理存在于环境中，并及时（尽管不一定是实时）对环境的变化做出响应。然而，智能代理还需要以灵活而稳健的方式积极追求其目标。 [a] 可选要求包括代理人是理性的，并且代理人能够分析信念-欲望-意图。

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、从该数据中学习并利用该学习通过灵活适应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，不涉及人类智能。因此，没有必要争论它是“真实的”智能还是“模拟的”智能（即“合成”智能与“人工”智能），以及这样的机器是否有思想、意识或真正的理解力（我不知道）。并不是指约翰·塞尔的“强人工智能假说”）。

此外，还有许多实际好处可以帮助推进人工智能研究。为测试程序提供可靠的科学方法。研究人员可以通过询问哪个代理最擅长最大化特定的“目标函数”来直接比较甚至组合不同的方法来解决个别问题。它还提供了与其他学科进行交流的通用语言，例如数学优化（由术语“目标”定义）和经济学（使用“理性主体”的相同定义）。

目标函数分配了明确“目标函数”的代理如果始终如一地执行能够最大程度地最大化编程目标函数的操作，则被认为更聪明。目标可以很简单（“如果IA 赢得围棋，则为1，否则为0”）或复杂（“执行与过去成功的操作在数学上相似的操作”）。 “目标函数”封装了代理被驱动执行的所有目标。对于理性主体来说，这个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，某些代理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指导。如果人工智能被编程为“强化学习”，它将具有鼓励某些类型的行为并惩罚其他类型的行为的“奖励功能”。或者，不断发展的系统可以通过使用“适应度函数”来改变高分人工智能系统并优先复制它们来指导其目标。这类似于动物如何进化来天生寻求某些目标，例如寻找食物。一些人工智能系统，例如最近邻系统，通常不会给出类比以外的目标，除非该目标隐含在训练数据中。如果所讨论的系统被构建为“目的”系统来完成狭义分类的任务，则可以进行基准测试。

传统上不被认为是代理的系统，例如知识表示系统，可以合并到范式中，例如通过将它们构建为目标是尽可能准确地回答问题的代理。这里，“行动”的概念被扩展，使得问题的“行为”提供了答案。作为额外的扩展，模仿驱动系统可以被构建为代理，根据IA 成功模仿所需行为的程度来优化“目标函数”。在2010 年代的生成对抗网络中，“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，该函数封装了一种欺骗对抗性“预测器”/“鉴别器”组件的方法。

能够根据行为、错误和成功来分析自己。

通过与环境的互动来学习和提高（示例）

从大量数据中快速学习

具有基于内存的样本存储和检索功能

有代表短期和长期记忆、年龄、健忘等的参数。