翻译: 人工智能代理 Agents in Artificial Intelligence

在人工智能中，代理是一种计算机程序或系统，旨在感知其环境、做出决策并采取行动以实现特定目标或一组目标。该代理自主运行，这意味着它不受人类操作员的直接控制。

智能体可以根据其特征分为不同类型，例如它们是被动的还是主动的，它们是具有固定的还是动态的环境，以及它们是单智能体系统还是多智能体系统。

反应性代理是那些对其环境中的直接刺激做出反应并根据这些刺激采取行动的代理。另一方面，积极主动的代理人采取主动并提前计划以实现他们的目标。代理运行的环境也可以是固定的或动态的。固定环境有一组不会改变的静态规则，而动态环境不断变化，要求智能体适应新的情况。
多智能体系统涉及多个智能体协同工作以实现共同目标。这些代理可能必须协调他们的行动并相互沟通才能实现他们的目标。代理用于多种应用，包括机器人、游戏和智能系统。它们可以使用不同的编程语言和技术来实现，包括机器学习和自然语言处理。

人工智能被定义为对理性主体的研究。理性代理可以是任何做出决策的事物，例如人、公司、机器或软件。它在考虑过去和当前的感知（代理在给定实例下的感知输入）后执行具有最佳结果的操作。人工智能系统由代理及其环境组成。代理在他们的环境中行动。环境可能含有其他物质。

代理可以被视为：

通过传感器感知周围环境
通过执行器对该环境采取行动

注意：每个代理都可以感知自己的行为（但并不总是效果）。

在这里插入图片描述

1. AI代理的结构

为了理解智能代理的结构，我们应该熟悉架构和代理程序。架构是代理执行的机器。它是一种带有传感器和执行器的设备，例如机器人汽车、相机和 PC。代理程序是代理功能的实现。代理函数是从感知序列（代理迄今为止感知的所有历史记录）到动作的映射。

Agent = 架构 + Agent 程序

人工智能中有很多代理的例子。以下是一些：

智能个人助理：这些代理旨在帮助用户完成各种任务，例如安排约会、发送消息和设置提醒。智能个人助理的示例包括 Siri、Alexa 和 Google Assistant。
自主机器人：这些是被设计为在物理世界中自主操作的代理。他们可以执行清洁、分类和运送货物等任务。自主机器人的例子包括 Roomba 吸尘器和亚马逊送货机器人。
游戏代理：这些代理被设计用来与人类对手或其他代理进行游戏。游戏代理的示例包括下棋代理和玩扑克代理。
欺诈检测代理：这些代理旨在检测金融交易中的欺诈行为。他们可以分析行为模式以识别可疑活动并向当局发出警报。欺诈检测代理的示例包括银行和信用卡公司使用的代理。
交通管理代理：这些代理旨在管理城市的交通流量。他们可以监控交通模式、调整交通信号灯并重新规划车辆路线以最大程度地减少拥堵。交通管理代理的例子包括世界各地智慧城市中使用的交通管理代理。
软件代理具有击键、文件内容、接收的网络数据包（充当传感器并在屏幕上显示）、文件以及发送的网络数据包（充当执行器）。
人类代理有眼睛、耳朵和其他器官作为传感器，手、腿、嘴和其他身体部位作为执行器。
机器人代理具有充当传感器的相机和红外测距仪以及充当执行器的各种电机。

在这里插入图片描述

2. 代理类型

根据感知智能和能力的程度，智能体可以分为五类：

简单的反射代理
基于模型的反射代理
基于目标的代理
基于实用程序的代理
学习代理
多代理系统
分层代理

3. 简单的反射代理

简单的反射代理忽略感知历史的其余部分，并且仅根据当前感知采取行动。感知历史是智能体迄今为止感知到的所有内容的历史。代理功能基于条件-动作规则。条件-动作规则是将状态（即条件）映射到动作的规则。如果条件为真，则执行操作，否则不执行。仅当环境完全可观察时，此代理功能才会成功。对于在部分可观察环境中运行的简单反射代理来说，无限循环通常是不可避免的。如果代理可以随机化其行为，则有可能摆脱无限循环。
在这里插入图片描述

简单反射代理的问题是：

智力非常有限。
对状态的非感性部分没有了解。
通常太大而无法生成和存储。
如果环境发生任何变化，则需要更新规则集合。

4. 基于模型的反射代理

它的工作原理是查找条件与当前情况匹配的规则。基于模型的代理可以通过使用关于世界的模型来处理部分可观察的环境。代理必须跟踪内部状态，该状态由每个感知进行调整，并且取决于感知历史。当前状态存储在代理内部，该代理维护着某种描述世界上不可见部分的结构。
在这里插入图片描述

更新状态需要以下信息：

世界如何独立于智能体而演化？
特工的行为如何影响世界？

5. 基于目标的代理

此类代理根据当前距离目标的距离（理想情况的描述）做出决策。他们的每一个举动都是为了缩短距离目标的距离。这使得代理可以在多种可能性中进行选择，选择达到目标状态的一种。支持其决策的知识被明确表示并且可以修改，这使得这些代理更加灵活。他们通常需要搜索和计划。基于目标的代理的行为可以很容易地改变。
在这里插入图片描述

6. 基于实用程序的代理

以最终用途作为构建块而开发的代理称为基于实用程序的代理。当有多种可能的替代方案时，为了决定哪一种是最好的，将使用基于实用程序的代理。他们根据每个状态的偏好（效用）选择操作。有时实现预期目标还不够。我们可能会寻找更快、更安全、更便宜的旅行来到达目的地。应该考虑代理人的幸福感。效用描述了智能体的“幸福程度”。由于世界的不确定性，效用代理选择最大化预期效用的行动。效用函数将状态映射到描述相关幸福程度的实数。
在这里插入图片描述

7. 学习代理

人工智能中的学习代理是指能够从过去的经验中学习或具有学习能力的代理类型。它从基础知识开始行动，然后通过学习能够自动行动和适应。学习代理主要有四个概念组件，它们是：
在这里插入图片描述

学习元素：它负责通过从环境中学习来进行改进。
批评者：学习元素接受批评者的反馈，这些反馈描述了智能体在固定绩效标准方面的表现。
性能元素：负责选择外部动作。
问题生成器：该组件负责提出行动建议，从而带来新的、信息丰富的体验。

8. 多代理系统

这些代理与其他代理交互以实现共同目标。他们可能必须协调行动并相互沟通才能实现目标。

多代理系统 A multi-agent system (MAS) 是由多个交互代理组成的系统，这些代理旨在协同工作以实现共同目标。这些代理可以是自主的或半自主的，并且能够感知环境、做出决策并采取行动来实现共同目标。

MAS 可用于多种应用，包括交通系统、机器人和社交网络。它们可以帮助提高效率、降低成本并提高复杂系统的灵活性。MAS可以根据其特征分为不同类型，例如智能体是否具有相同或不同的目标，智能体是合作还是竞争，以及智能体是同质还是异质。

在同构 MAS 中，所有代理都具有相同的功能、目标和行为。
相反，在异构 MAS 中，代理具有不同的能力、目标和行为。

这可能会使协调更具挑战性，但也可能导致系统更加灵活和强大。

合作性 MAS 涉及智能体共同努力实现共同目标，而竞争性 MAS 涉及智能体相互对抗以实现自己的目标。在某些情况下，MAS 还可能涉及合作和竞争行为，代理人必须平衡自己的利益与团体的利益。

MAS 可以使用不同的技术来实现，例如博弈论、机器学习和基于代理的建模。博弈论用于分析代理之间的策略交互并预测他们的行为。机器学习用于训练代理随着时间的推移提高其决策能力。基于代理的建模用于模拟复杂系统并研究代理之间的交互。

总体而言，多智能体系统是人工智能领域的强大工具，可以帮助解决复杂问题并提高各种应用程序的效率。

9. 分层代理

这些代理被组织成一个层次结构，高级代理监督低级代理的行为。高级智能体提供目标和约束，而低级智能体则执行特定任务。分层代理在具有许多任务和子任务的复杂环境中非常有用。

分层代理是组织成层次结构的代理，高级代理监督较低级别代理的行为。高级智能体提供目标和约束，而低级智能体则执行特定任务。这种结构可以在复杂的环境中实现更高效、更有组织的决策。
分层代理可以在各种应用中实现，包括机器人、制造和运输系统。它们在有许多任务和子任务需要协调和确定优先级的环境中特别有用。
在分层代理系统中，高级代理负责为较低级别代理设置目标和约束。这些目标和约束通常基于系统的总体目标。例如，在制造系统中，高层代理可能会根据客户需求为下层代理设定生产目标。
低级别代理负责执行特定任务以实现高级代理设定的目标。这些任务可能相对简单或更复杂，具体取决于具体应用。例如，在交通系统中，低级代理可能负责管理特定十字路口的交通流。
根据系统的复杂性，分层代理可以组织成不同的级别。在一个简单的系统中，可能只有两个级别：高级代理和低级代理。在更复杂的系统中，可能有多个级别，中间级别的代理负责协调较低级别代理的活动。
分层代理的优点之一是它们可以更有效地利用资源。通过将代理组织成层次结构，可以将任务分配给最适合执行任务的代理，同时避免重复工作。这可以带来更快、更高效的决策以及更好的系统整体性能。

总体而言，分层代理是人工智能中的强大工具，可以帮助解决复杂问题并提高各种应用程序的效率。