如果說AIGC開啟了內(nèi)容生成的智能時代，那么AI Agent則有機會把AIGC的能力真正產(chǎn)品化。
與ChatGPT等AI應用相比，AI Agent像一位更具象的全能員工，被視為人工智能機器人的初級形態(tài)，軟硬件兼顧的智能體能夠如同人類一般觀察周圍的世界、做出決策并自動采取相應的行動。
AI Agent的想象力到底在哪？“大語言模型只能編個貪吃蛇，而AI Agent可以整出一個‘王者榮耀’?！边@是網(wǎng)上盛傳的回答，似乎并不夸張。比爾·蓋茨也曾說過，“誰能主宰AI Agent，那才是大事。因為你將永遠不用去搜索網(wǎng)站或者亞馬遜?！?/p>
從技術到場景，摸著石頭過河
從AIGC發(fā)展看，大致經(jīng)歷了三波浪潮。第一波是以GPT為代表的大模型的出現(xiàn)；第二波是應用層的快速創(chuàng)新，如微軟Copilot，使智能化從Chat向Work轉(zhuǎn)化；第三波則是深度業(yè)務場景的應用，打通業(yè)務數(shù)字化全流程，服務實體經(jīng)濟。
在滿足企業(yè)智能化需求、打通業(yè)務場景的過程中，AI Agent作為一種理想的產(chǎn)品化落地形態(tài)，正在承接日益復雜的提質(zhì)增效需求，并強化內(nèi)外部協(xié)同效能，釋放組織核心生產(chǎn)力，對抗組織熵增帶來的挑戰(zhàn)。
AI Agent通常被視為一種融合感知、分析、決策和執(zhí)行能力的智能體，它可以具備相當顯著的主動性，成為人類的理想智能助手。例如，AI Agent可以根據(jù)個人在線互動和參與事務處置時的信息，了解和記憶個體的興趣、偏好、日常習慣，識別個體的意圖，主動提出建議，并協(xié)調(diào)多個應用程序去完成任務。
Agent的概念由Minsky在其1986年出版的《思維的社會》一書中提出，Minsky認為社會中的某些個體經(jīng)過協(xié)商之后可求得問題的解，這些個體就是Agent。他還認為，Agent應具有社會交互性和智能性。Agent的概念由此被引入人工智能和計算機領域，并迅速成為研究熱點。但苦于數(shù)據(jù)和算力限制，想要實現(xiàn)真正智能的AI Agents缺乏必要的現(xiàn)實條件。
AI Agent和大模型的區(qū)別在于，大模型與人類之間的交互是基于提示詞（prompt）實現(xiàn)的。ChatGPT誕生后，AI從真正意義上具備了和人類進行多輪對話的能力，并且能針對相應問題給出具體回答與建議。用戶prompt是否清晰明確會影響大模型回答的效果，例如ChatGPT和這些Copilot都需要明確任務才能得到有用的回答。
當AI從被使用的工具變成可以使用工具的主體，這種具備任務規(guī)劃和使用工具能力的AI系統(tǒng)可被稱為Auto-Pilot主駕駛，即AI Agent。在Co-Pilot模式下，AI是人類的助手，與人類協(xié)同參與到工作流程中；在Auto-Pilot模式下，AI是人類的代理，獨立地承擔大部分工作，人類只負責設定任務目標和評估結果。
AI Agent的工作僅需給定一個目標，它就能夠針對目標獨立思考并做出行動，它會根據(jù)給定任務詳細拆解出每一步的計劃步驟，依靠來自外界的反饋和自主思考，自己給自己創(chuàng)建prompt，來實現(xiàn)目標。
從1997年“深藍”戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫開始，沃森在智力問答節(jié)目《危險邊緣》中戰(zhàn)勝人類冠軍、ResNet在ImageNet圖像識別比賽中的準確率超過人類、AlphaGo在圍棋比賽中戰(zhàn)勝李世石、OpenAI Five在多人策略游戲Dota2中戰(zhàn)勝人類職業(yè)戰(zhàn)隊冠軍、AlphaFold的蛋白質(zhì)結構預測準確率超過人類等，完成這些任務背后的能力涵蓋了人類智能感知、認知、決策的各個方面，也不斷塑造著AI Agent的技術內(nèi)核。
實際上，人工智能自誕生之初就開始探索AI Agent的解決方案。最近經(jīng)歷了基于規(guī)則設計、基于強化學習和目前基于預訓練大模型三種范式。其中基于強化學習的AI Agent代表是AlphaGo和OpenAI Five，這類方法仍然是面向?qū)Ｓ萌蝿盏奶囟ōh(huán)境進行交互。預訓練大模型學習到了通用世界知識，并可以通過語言的形式輸入和輸出，因而可以泛化到不同任務和環(huán)境。
基于預訓練大模型的AI Agent又包括兩類，即智能代理和智能體。預訓練大模型的“通用”能力不僅體現(xiàn)在內(nèi)容理解和生成上，還擴展到了規(guī)劃和使用工具這類思考和決策任務。比如，我們對著一張有幾個孩子和一些小面包的圖片問“每個孩子可以平均分到幾個小面包”，大模型可以將任務規(guī)劃成檢測小面包、檢測孩子、做除法三步，并在每一步調(diào)用對應的目標檢測模型或除法工具來完成。
在圖靈獎得主Yoshua Bengio設計的AGI五個層次中，AI Agent目前大致處于第三個層次——多模態(tài)感知和第四個層次——具身與行動之間。
第一個層次是小數(shù)據(jù)訓練小模型，過去幾十年的傳統(tǒng)方法都處于這個階段。
第二個層次是用互聯(lián)網(wǎng)規(guī)模的海量數(shù)據(jù)訓練大模型，以GPT-3為代表。
第三個層次是從單模態(tài)到多模態(tài)，比如GPT-4o和Gemini是文字視覺語音的多模態(tài)大模型。
第四個層次是從開環(huán)系統(tǒng)到閉環(huán)控制，就是說考慮環(huán)境反饋并結合自身狀態(tài)，給出下一步操作對環(huán)境產(chǎn)生影響同時更新自身狀態(tài)，比如以AutoGPT為代表的智能體和具身智能機器人。
第五個層次是從單智能體到多智能體協(xié)作，也包括機器與人類的協(xié)作，由群體智能完成復雜任務，比如多智能體原型AutoGen模擬軟件公司的不同職位協(xié)作從而實現(xiàn)高質(zhì)量的代碼自動開發(fā)和文檔自動生成。
從應用場景來看，AI Agent能夠幫助未來企業(yè)構建以“人機協(xié)同”為核心的智能化運營新常態(tài)。越來越多的業(yè)務活動都將被委托給AI，而人類則只需要聚焦于企業(yè)愿景、戰(zhàn)略和關鍵路徑的決策上。人與大量AI實體之間的協(xié)同工作模式，將顛覆當前企業(yè)的運行基礎，讓企業(yè)運營成效獲得成倍提升。
比如在電商領域，AI Agent能夠根據(jù)用戶的購物歷史、瀏覽行為和偏好提供個性化的產(chǎn)品推薦，這不僅能提高用戶滿意度，還能增加銷售額和客戶忠誠度；AI Agent還可以作為智能客服，通過自然語言處理和機器學習技術自動回答用戶咨詢，處理訂單問題和退貨請求，從而提高客戶服務效率。
在教育領域，AI Agent可以根據(jù)學生的學習進度、興趣和能力提供個性化的學習資源和輔導；而在金融領域，AI Agent可以幫助用戶管理個人財務，提供投資建議，甚至預測股票走勢。
在交通領域，AI Agent可以通過分析交通數(shù)據(jù)和實時路況提供最佳的路線規(guī)劃和交通建議。
在醫(yī)療領域，AI Agent可以幫助醫(yī)生進行疾病診斷和治療方案的制定。
在社會交互方面，AI Agent的一個重要場景是虛擬陪伴，從任務復雜度和容錯率兩方面看都是短期容易實現(xiàn)的，已經(jīng)出現(xiàn)的是像Character.ai、Talkie、Linky等面向成年人的IP類和交友類應用，未來面向老年人和兒童的AI Agent虛擬陪伴可能是更具社會價值的。從技術的角度看，提升大模型的角色扮演能力、分析和調(diào)整大模型的性格特征等都是兼具研究意義和應用價值的方向。
大數(shù)據(jù)，進化之路的最大變量
從AI發(fā)展角度看，大模型為AI Agent和機器人領域所帶來的是更強大的感知能力，這種強感知能力是建立在大參數(shù)模型和巨量數(shù)據(jù)展現(xiàn)出來的智能。
AI Agent的出現(xiàn)，使得大模型從“超級大腦”進化為人類的“全能助手”。AI Agent不僅需要具備處理任務和問題的智能能力，還需要擁有與人類進行自然交互的社交智能。
在AI Agent和機器人領域，一個最大的難點便是缺乏與物理世界的真實數(shù)據(jù)，而得不到這些數(shù)據(jù)，就無從進行訓練；即使是互聯(lián)網(wǎng)上得到的信息，在過去也很難根據(jù)這些信息進行擴展，并使AI Agent和機器人更好地理解世界。
而大模型則很好地解決了這一問題。如今的大模型已經(jīng)實現(xiàn)了視覺語言上的智能涌現(xiàn)，這就意味著，通過互聯(lián)網(wǎng)上的數(shù)據(jù)，機器人的感知已經(jīng)出現(xiàn)了相當強的泛化，因此能夠更好地理解真實的物理世界。
實際上，除了AI Agent，被大模型隨之帶火的還有自動駕駛。像英國自動駕駛獨角獸Wayve在融資當天，不惜花大量筆墨描繪了一個屬于“AI Agent”的未來，類似的言論也同樣出現(xiàn)在不少機器人公司的內(nèi)部。
AI大模型對于AI Agent能力提升的重要性，主要體現(xiàn)在三個方面。
首先，大模型顯著提升了AI Agent解決復雜任務的能力，根據(jù)理解，把復雜任務拆解成一系列可執(zhí)行的任務。
之后，在多模態(tài)大模型的能力下，AI Agent可以依托視覺、觸覺等在更復雜的場景里做事。
最后，體現(xiàn)在運動能力上，AI Agent可以根據(jù)AI合成的數(shù)據(jù)做模擬訓練。如果沒有大模型，機器人實現(xiàn)的功能會相對受限。
由此也看出，數(shù)據(jù)是除了大模型技術外，制約機器人下一步進化最為關鍵的要素。
如今的AI Agent與2015、2016年的自動駕駛更為類似，兩者的難點都在于高質(zhì)量數(shù)據(jù)的獲取。而如果以L0-L5幾個階段來詮釋，目前大多數(shù)AI Agent公司都處于L0到L4的過程中，而到真正的L5則還有一段距離。具體而言，L4狀態(tài)指大多數(shù)場景下，機器人可以完成某個指定動作；而L5則指任意場景下，機器人可以完成某一動作。
為了獲取足夠用于AI Agent和機器人訓練的數(shù)據(jù)，不少廠商通過真實數(shù)據(jù)和仿真數(shù)據(jù)結合的方式解決。在真實數(shù)據(jù)的獲取中，廠商一般通過真人動作和機器人遙操作的方式，將任務過程中的數(shù)據(jù)“喂”給大模型。而仿真數(shù)據(jù)則是通過搭建一個盡量真實的場景，設定盡可能多的建模和現(xiàn)實參數(shù)，讓虛擬化的機器人進行訓練。
不過，上述的兩種方式還是存在著各自的短板，當前AI Agent還遠未達到數(shù)據(jù)飛輪的啟動時刻。一方面真實數(shù)據(jù)的成本極高，AI Agent當前還達不到自動駕駛般的普及度。在真實數(shù)據(jù)足夠多之前，廠商需要花長時間和配備數(shù)據(jù)標準團隊來一點點積累。而對于仿真數(shù)據(jù)而言，最大的問題還是現(xiàn)實仿真不夠真實。AI Agent在模擬世界能成功，但導入到現(xiàn)實世界就會有一定的失敗率。
現(xiàn)階段，對AI Agent最大的一個限制，還是數(shù)據(jù)質(zhì)量、數(shù)據(jù)規(guī)模、應用場景不足。AI模型、AI訓練數(shù)據(jù)集、AI場景落地部署，都遠遠不夠。而隨著更高效的算法和算法的泛化能力提升，未來AI Agent學習一個技能的數(shù)據(jù)量將會從現(xiàn)在的幾千、幾萬，下降到一千甚至幾百幾十的數(shù)量級。
參考自動駕駛行業(yè)由量產(chǎn)帶來的數(shù)據(jù)飛輪，為了進一步解決數(shù)據(jù)問題，不少機器人廠商正在探索從量產(chǎn)中獲取數(shù)據(jù)。
邁出實驗室，還要答好幾道題？
AI Agent的想象力不言而喻，但現(xiàn)在的情況是廠商都在說自己是做Agent的，那么現(xiàn)階段Agent到底能做什么，沒人可以說得清楚。
雖然與大模型相比，Agent更貼近產(chǎn)業(yè)，但不論是對客戶還是對開發(fā)者，Agent帶來的收益是否邁過了成本的門檻仍是未知數(shù)。Agent的發(fā)展基于大模型，而當前大模型賽道的特點是技術門檻高、資金投入多、商業(yè)模式尚且發(fā)展不成熟。
首先，現(xiàn)有的技術條件下，如何解決大模型幻覺是大模型走向全面產(chǎn)業(yè)應用的難點。所謂大模型幻覺，主要指的是模型輸出了和現(xiàn)實世界不一致的內(nèi)容，例如捏造事實、分不清虛構與現(xiàn)實、相信謠言和傳說等，也就是常說的“一本正經(jīng)的胡說八道”。
這個問題若不解決，在實際應用場景中，這不僅會影響模型的準確性和穩(wěn)定性，還制約了大模型在真實場景中的廣泛應用的可靠性，這就還有很長的一步路走。
眾所周知，AI Agent發(fā)展的前提條件是多模態(tài)。在很多情況下，如智能客服場景，用戶可能會通過多種方式提供信息，多模態(tài)具有很好的感知價值。但至今在解決一些邏輯、推理等核心問題上，Agent的能力還有偏弱。因此，Agent各模塊之間如何配合、多個Agent如何交互、人類與Agent如何互動等方面，Agent技術尚處于早期階段。
其次，如何控制高昂的調(diào)用成本是擺在AI Agent面前的另一大難題。接入Agent后，所有需要處理的業(yè)務場景，都會轉(zhuǎn)化成需要底層大模型理解的數(shù)據(jù)，產(chǎn)生高昂的推理成本。舉個例子，斯坦福的虛擬小鎮(zhèn)框架開源后，每個Agent一天就需要消耗20美金的Token數(shù)，比用人成本還要高。
第三，國內(nèi)智能算力較為短缺的現(xiàn)狀下，各家大模型在持續(xù)投入人力、算力、資金并實現(xiàn)商業(yè)化落地方面，可能會面臨較大挑戰(zhàn)。因此，Agent想要真正實現(xiàn)規(guī)?；涞?，道阻且長。
還有很重要的一點，Agent如何保證用戶的數(shù)據(jù)安全和隱私。Agent一旦投入應用，勢必會接觸到客戶的核心數(shù)據(jù)，倘若數(shù)據(jù)泄漏，可能讓用戶和社會蒙受巨大損失。
對于AI Agent，一個很殘酷的現(xiàn)實是，看項目的大有人在，投項目的屈指可數(shù)。
如今，各行各業(yè)都已不是PPT融資的時代了，無論多么前沿的技術，也只有落地走通盈利模式才能實現(xiàn)價值。AI Agent的未來一定是一場馬拉松，只有扎實做好大模型技術和找到商業(yè)化落地的路徑，才能在未來有機會不被趕下“牌桌”。