文 | 極智GeeTech
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，它們便能領悟并執(zhí)行復雜的任務；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：構建龐大AI模型的時代已經結束，AI智能體才是未來的真正挑戰(zhàn)。今年4月份，AI著名學者、斯坦福大學教授吳恩達指出，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模型。
類比智能電動汽車，猶如其在新能源技術應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技術和行業(yè)應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)出了十分高超的學習能力，可以無師自通地學習到挖掘、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鍵位置。
作為人工智能領域的一個重要概念，學術界和產業(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。
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元，用來存儲經驗、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，各種深度學習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應用開發(fā)任務等等。Bedrock中的智能體能夠理解目標、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習，實現(xiàn)更復雜、更長期運行和更具適應性的任務。
這些AI智能體的核心是人工智能算法，包括機器學習、深度學習、強化學習、人工神經網絡等技術。通過這些算法，AI智能體可以從大量數(shù)據(jù)中學習并改進自身的性能，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整，適應不同場景和任務。
目前，AI智能體已在不少場景中得到應用，如客服、編程、內容創(chuàng)作、知識獲取、財務、手機助手、工業(yè)制造等。AI智能體的出現(xiàn)，標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，促進了生產效率的提升和生產方式的變革，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)人類習以為常的感知運動技能卻需要耗費巨大的計算資源。實質上，與人類本能可以完成的基本感官任務相比，復雜的邏輯任務對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。
著名計算機科學家吳恩達曾說：“人類是多模態(tài)的生物,我們的AI也應該是多模態(tài)的?！边@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，通常需要去學校上課接受學識熏陶（訓練），但訓練與學習的目的和結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的情況下，根據(jù)預設的規(guī)則和目標，獨立地完成任務。
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)，并制定出相應的駕駛策略。
例如，面對錯綜復雜的交通環(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雜決策。一旦決策制定，執(zhí)行系統(tǒng)便將這些智能決策轉化為具體的駕駛動作，比如轉向、加速和制動。
在基于龐大數(shù)據(jù)和復雜算法構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”并回應人類復雜多變的自然語言，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各種任務和環(huán)境，還能通過持續(xù)學習不斷優(yōu)化自己的性能。自深度學習技術取得突破以來，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)境的適應性也十分強大，在倉庫工作的自動化機器人能夠實時監(jiān)測并避開障礙物。當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。
AI智能體的適應性還體現(xiàn)在它們能夠根據(jù)用戶的反饋進行自我調整。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，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復雜的環(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測和規(guī)劃能力。
經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備開始具備更多的計算能力，這些設備正變得愈加智能，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不同類型數(shù)據(jù)（文本、圖像、音頻）的單獨模型，并通過復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，從而產生對環(huán)境綜合感知能力更強大的AI系統(tǒng)，這一轉變大大提高了多模態(tài)AI應用的效率和有效性。
雖然GPT-3等LLM主要以文本為基礎，但業(yè)界已朝著多模態(tài)取得了快速進展。從OpenAI的CLIP和DALL·E，到現(xiàn)在的Sora和GPT-4o，都是向多模態(tài)和更自然的人機交互邁進的模型范例。
例如，CLIP可理解與自然語言配對的圖像，從而在視覺和文本信息之間架起橋梁；DALL·E旨在根據(jù)文本描述生成圖像。我們看到Google Gemini模型也經歷了類似的演進。
2024年，多模態(tài)演進加速發(fā)展。今年2月，OpenAI發(fā)布了Sora，它可以根據(jù)文本描述生成逼真或富有想象力的視頻。仔細想想，這可以為構建通用世界模擬器提供一條頗有前景的道路，或成為訓練機器人的重要工具。
3個月后，GPT-4o顯著提高了人機交互的性能，并且能夠在音頻、視覺和文本之間實時推理。綜合利用文本、視覺和音頻信息來端到端地訓練一個新模型，消除從輸入模態(tài)到文本，再從文本到輸出模態(tài)的兩次模態(tài)轉換，進而大幅提升性能。
多模態(tài)大模型有望改變機器智能的分析、推理和學習能力，使機器智能從專用轉向通用。通用化將有助于擴大規(guī)模，產生規(guī)?；慕洕?，價格也能隨著規(guī)模擴大而大幅降低，進而被更多領域采用，從而形成一個良性循環(huán)。
潛在風險不容忽視
AI智能體通過模擬和擴展人類的認知能力，有望廣泛應用于醫(yī)療、交通、金融及國防等多個領域。有學者推測，到2030年，人工智能將助推全球生產總值增長12%左右。
不過，在看到AI智能體飛速發(fā)展的同時，也要看到其面臨的技術風險、倫理和隱私等問題。一群證券交易機器人通過高頻買賣合約便在納斯達克等證券交易所短暫地抹去了1萬億美元的價值，世界衛(wèi)生組織使用的聊天機器人提供了過時的藥品審核信息，美國一位資深律師沒能判斷出自己向法庭提供的歷史案例文書竟然均由ChatGPT憑空捏造……這些真實發(fā)生的案例表明，AI智能體帶來的隱患不容小覷。
因為AI智能體可以自主決策，又能通過與環(huán)境交互施加對物理世界的影響，其一旦失控將給人類社會帶來極大威脅。哈佛大學教授齊特雷恩認為，這種不僅能與人交談，還能在現(xiàn)實世界中行動的AI智能體，是“數(shù)字與模擬、比特與原子之間跨越血腦屏障的一步”，應當引起警覺。
首先，AI智能體在提供服務的過程中會收集大量數(shù)據(jù)，用戶需要確保數(shù)據(jù)安全，防止隱私泄露。
其次，AI智能體的自主性越強，越有可能在復雜或未預見的情境中做出不可預測或不當?shù)臎Q策。AI智能體的運行邏輯可能使其在實現(xiàn)特定目標過程中出現(xiàn)有害偏差，其帶來的安全隱患不容忽視。用更加通俗的話來說，就是在一些情況下，AI智能體可能只捕捉到目標的字面意思，沒有理解目標的實質意思，從而做出了一些錯誤的行為。
再次，AI大語言模型本身具備的“黑箱”和“幻覺”問題也會增加出現(xiàn)操作異常的頻率。還有一些“狡猾”的AI智能體能夠成功規(guī)避現(xiàn)有的安全措施，相關專家指出，如果一個AI智能體足夠先進，它就能夠識別出自己正在接受測試。目前已經發(fā)現(xiàn)一些AI智能體能夠識別安全測試并暫停不當行為，這將導致識別對人類危險算法的測試系統(tǒng)失效。
此外，由于目前并無有效的AI智能體退出機制，一些AI智能體被創(chuàng)造后可能無法被關閉。這些無法被停用的AI智能體，最終可能會在一個與最初啟動它們時完全不同的環(huán)境中運行，徹底背離其最初用途。AI智能體也可能會以不可預見的方式相互作用，造成意外事故。
為此，人類目前需盡快從AI智能體開發(fā)生產、應用部署后的持續(xù)監(jiān)管等方面全鏈條著手，及時制定相關法律法規(guī)，規(guī)范AI智能體行為，從而更好地預防AI智能體帶來的風險、防止失控現(xiàn)象的發(fā)生。
展望未來，AI智能體有望成為下一代人工智能的關鍵載體，它將不僅改變我們與機器交互的方式，更有可能重塑整個社會的運作模式，正成為推動人工智能轉化過程中的一道新齒輪。