2025年伊始，有關(guān)AI變革潛力的討論熱度正不斷攀升。人們對AI的關(guān)注焦點正從AI工具轉(zhuǎn)向創(chuàng)建及部署AI Agent。在今年最新發(fā)布的文章中，美國數(shù)據(jù)分析與AI戰(zhàn)略顧問、《信息經(jīng)濟學(xué)》作者道格拉斯·B·萊尼將AI Agent的發(fā)展歸納為七個進化期。

他認為，這七個層級融合了計算機科學(xué)的基礎(chǔ)成果以及來自認知心理學(xué)和思辨哲學(xué)的見解，其中的每一層都代表著技術(shù)、能力和自主性方面的階段性變化。這份框架能展現(xiàn)在數(shù)據(jù)驅(qū)動、人工智能引領(lǐng)的數(shù)字經(jīng)濟中不斷增加的創(chuàng)新、蓬勃發(fā)展及變革機遇。

對于正在了解和構(gòu)建Agent的企業(yè)來說，了解Agent從簡單的反應(yīng)式系統(tǒng)到假想中的超級Agent實體的演變過程，可為旨在從戰(zhàn)略層面利用人工智能的組織機構(gòu)提供Roadmap。我們也將針對企業(yè)當(dāng)前Agent構(gòu)建和進化的核心需求，為處于各個層級的企業(yè)提供技術(shù)升級建議。

AI Agent

第一層級——反應(yīng)式Agent：應(yīng)對當(dāng)下情況

最基礎(chǔ)的層級是反應(yīng)式Agent，比如基于關(guān)鍵詞匹配來回答問題的基礎(chǔ)聊天機器人，或者是用于生成或翻譯內(nèi)容的機器人。它們完全依據(jù)當(dāng)下情況運作。這些Agent不會留存記憶，也不會從過往經(jīng)驗中學(xué)習(xí)。相反，它們遵循預(yù)先設(shè)定的規(guī)則來對特定輸入做出響應(yīng)。反應(yīng)式系統(tǒng)源于早期的人工智能研究以及有限狀態(tài)機，這些基礎(chǔ)概念是在 20 世紀(jì)中葉通過約翰?麥卡錫和馬文?明斯基等先驅(qū)者的工作而出現(xiàn)的。

對于企業(yè)而言，反應(yīng)式Agent能夠簡化重復(fù)性任務(wù)，比如處理客戶咨詢或?qū)崿F(xiàn)定義明確的工作流程自動化。對于有更高需求的企業(yè)來說，要超越這種即將過時的能力，就需要引入能隨時間收集、留存和分析數(shù)據(jù)的方法，處理復(fù)雜的交互活動，并實現(xiàn)更具動態(tài)性的行動。

技術(shù)升級建議

數(shù)據(jù)收集技術(shù)：引入日志記錄工具，對 Agent 交互數(shù)據(jù)進行收集，如開源的 Log4j 等，為后續(xù)分析提供基礎(chǔ)。

數(shù)據(jù)分析基礎(chǔ)搭建：采用簡單的數(shù)據(jù)可視化工具，如 Tableau Public，幫助企業(yè)初步了解數(shù)據(jù)模式，為后續(xù)留存和分析做準(zhǔn)備。

引入簡單機器學(xué)習(xí)算法：嘗試使用基于規(guī)則的機器學(xué)習(xí)算法，如決策樹算法，通過 Scikit - learn 庫實現(xiàn)，讓 Agent 初步具備簡單的學(xué)習(xí)能力，以處理稍復(fù)雜任務(wù)。

API 集成：將 Agent 與外部數(shù)據(jù)源的 API 進行集成，如天氣數(shù)據(jù) API，擴展其處理的輸入類型，提升交互復(fù)雜性

AI Agent

第二層級——任務(wù)專用型Agent：精通特定活動

任務(wù)專用型Agent在相對較窄的領(lǐng)域表現(xiàn)卓越，往往通過與領(lǐng)域?qū)＜液献魍瓿啥x明確的活動，在特定任務(wù)中的表現(xiàn)優(yōu)于人類。這些Agent是許多現(xiàn)代人工智能應(yīng)用的支柱，從欺詐檢測算法到醫(yī)學(xué)影像系統(tǒng)皆是如此。它們的起源可以追溯到20世紀(jì)70年代和80年代的專家系統(tǒng)，比如用于診斷感染的基于規(guī)則的系統(tǒng)“MYCIN”。

任務(wù)專用型Agent可能會為電商推薦引擎提供動力，確保顧客看到他們可能會購買的商品。在物流領(lǐng)域，這些人工智能體可優(yōu)化配送路線，以降低成本并提高效率。

組織機構(gòu)可以通過聚焦有著明確成功衡量指標(biāo)的定義清晰的問題來構(gòu)建任務(wù)專用型Agent，尤其是用于自動化的這類Agent。與領(lǐng)域?qū)＜液献鲗@些系統(tǒng)進行訓(xùn)練，可確保它們能提供切實可行的見解。

技術(shù)升級建議

領(lǐng)域數(shù)據(jù)深度挖掘：利用專業(yè)的數(shù)據(jù)分析軟件，如 SAS，對所在領(lǐng)域的數(shù)據(jù)進行深度挖掘，獲取更精準(zhǔn)的知識，優(yōu)化 Agent 性能。

強化學(xué)習(xí)算法引入：針對特定任務(wù)，采用強化學(xué)習(xí)算法，如深度 Q 網(wǎng)絡(luò)(DQN)，通過 OpenAI 的 Gym 庫實踐，讓 Agent 在不斷試錯中提升任務(wù)處理能力。

知識圖譜構(gòu)建：構(gòu)建領(lǐng)域相關(guān)的知識圖譜，如使用 Neo4j 圖數(shù)據(jù)庫，增強 Agent 對領(lǐng)域知識的理解和推理能力。

分布式計算框架：若處理數(shù)據(jù)量較大，引入分布式計算框架，如 Apache Spark，提升數(shù)據(jù)處理速度和效率。

AI agnet

第三層級——情境感知型Agent：處理模糊性與復(fù)雜性

情境感知型Agent憑借其處理模糊情況、動態(tài)場景以及綜合各種復(fù)雜輸入的能力而脫穎而出。這些Agent分析歷史數(shù)據(jù)、實時數(shù)據(jù)流以及非結(jié)構(gòu)化信息，以便能智能地適應(yīng)并做出響應(yīng)，即便在不可預(yù)測的場景中也是如此。它們的發(fā)展在很大程度上得益于機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的進步，杰弗里·辛頓和揚·勒昆等研究人員推動了這些進步。

復(fù)雜的例子包括分析大量醫(yī)學(xué)文獻、患者病歷和臨床數(shù)據(jù)以協(xié)助醫(yī)生診斷復(fù)雜病癥的系統(tǒng)。在金融領(lǐng)域，情境感知型Agent評估交易模式、用戶行為以及外部市場狀況，以檢測潛在的欺詐行為。在城市規(guī)劃方面，這些模型綜合來自交通模式、天氣預(yù)報和公共活動安排的數(shù)據(jù)，以優(yōu)化城市物流和公共交通系統(tǒng)。

企業(yè)若要部署情境感知型Agent，就必須采用能夠攝取并綜合結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)源的技術(shù)。邁向這一層級需要采用機器學(xué)習(xí)(Machine Learning)技術(shù)，并確保能獲取高質(zhì)量的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。這還需要培育一種重視數(shù)據(jù)驅(qū)動型決策的文化。

技術(shù)升級建議

大數(shù)據(jù)處理平臺搭建：搭建 Hadoop 生態(tài)系統(tǒng)，包括 HDFS、MapReduce 和 Hive 等組件，處理海量的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。

深度學(xué)習(xí)框架應(yīng)用：使用深度學(xué)習(xí)框架，如 TensorFlow 或 PyTorch，構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，處理和分析復(fù)雜數(shù)據(jù)。

自然語言處理工具包集成：集成自然語言處理工具包，如 NLTK 或 AllenNLP，更好地處理文本形式的非結(jié)構(gòu)化數(shù)據(jù)。

實時數(shù)據(jù)處理技術(shù)：采用流處理框架，如 Apache Flink，實時處理和分析實時數(shù)據(jù)流，提升 Agent 實時響應(yīng)能力。

AIagent

第四層級——善于社交的Agent：理解人類行為

善于社交的Agent體現(xiàn)了人工智能與情商的交集。這些系統(tǒng)能夠理解并解讀人類的情緒、信念和意圖，從而實現(xiàn)更豐富的交互。這一概念源于認知心理學(xué)，特別是“心理理論”，該理論認為理解他人的心理狀態(tài)對于社交互動至關(guān)重要。西蒙·巴倫-科恩和艾倫·萊斯利等研究人員推動了認知科學(xué)中心理理論的理解，這為AI中此類Agent的發(fā)展提供了依據(jù)。

在客戶服務(wù)方面，善于社交的Agent能夠識別來電者語氣中的沮喪情緒，并相應(yīng)地調(diào)整回復(fù)內(nèi)容。高級應(yīng)用包括由AI驅(qū)動的輔導(dǎo)平臺，其能提供富有同理心的反饋，或者是能夠在商業(yè)交易中理解微妙暗示的談判機器人。

要開發(fā)善于社交的Agent，組織機構(gòu)需要投資于情感計算和自然語言處理技術(shù)。它們還必須確保這些Agent符合倫理標(biāo)準(zhǔn)，因為對情緒或意圖的誤讀可能會導(dǎo)致信任問題。

技術(shù)升級建議

情感分析工具集成：使用情感分析工具，如 TextBlob 或 VADER，識別文本中的情感傾向，提升 Agent 對人類情緒的理解能力。

對話管理系統(tǒng)優(yōu)化：基于 Transformer 架構(gòu)，如 DialogFlow 或 Rasa，優(yōu)化對話管理系統(tǒng)，使 Agent 能更自然地與人類交互。

多模態(tài)交互技術(shù)研究：探索多模態(tài)交互技術(shù)，如語音、手勢等，增加交互方式，提升用戶體驗。

倫理審查機制建立：設(shè)立內(nèi)部倫理審查小組，定期對 Agent 的交互策略進行審查，確保符合倫理標(biāo)準(zhǔn)。

AI gaent

第五層級——自我反思型Agent：實現(xiàn)內(nèi)在認知與自我提升

自我反思型Agent這一概念進入了思辨領(lǐng)域。這些系統(tǒng)將具備內(nèi)省和自我改進的能力。這一概念源于有關(guān)意識的哲學(xué)討論，最初由艾倫·圖靈在其早期關(guān)于機器智能的工作中提出，后來大衛(wèi)·查默斯等思想家也對其進行了探討。

自我反思型Agent將分析自身的決策過程，并自主優(yōu)化其算法，這很像人類反思過往行為以改進未來表現(xiàn)那樣。對于企業(yè)來說，此類Agent能夠通過在無需人類輸入的情況下持續(xù)改進策略(而非僅僅是流程)來革新運營方式。

例如，在制造業(yè)背景下，這類Agent能夠監(jiān)測生產(chǎn)線的低效問題，找出根本原因，并重新校準(zhǔn)機器或調(diào)整工作流程以提高產(chǎn)量。同樣，在營銷領(lǐng)域，這些Agent能夠根據(jù)實時反饋動態(tài)調(diào)整營銷活動策略，從失敗的策略中吸取教訓(xùn)以完善未來的方法。它們甚至可能創(chuàng)新出全新的吸引客戶或優(yōu)化運營的方法，持續(xù)改進自身流程以實現(xiàn)更優(yōu)的成果。

然而，邁向這一層級的道路充滿挑戰(zhàn)，包括定義和衡量機器的“自我意識”、復(fù)雜的倫理考量以及所謂的“模型崩潰”(即Agent因過于依賴自身而非多樣化的輸入而導(dǎo)致性能下降)問題。

就目前而言，組織機構(gòu)可以通過建立健全的反饋機制以及培育迭代學(xué)習(xí)的文化(針對其AI系統(tǒng)及其團隊)來做好準(zhǔn)備。

技術(shù)升級建議

元學(xué)習(xí)框架構(gòu)建：構(gòu)建元學(xué)習(xí)框架，讓 Agent 能夠?qū)W習(xí)如何學(xué)習(xí)，例如使用 Model - Agnostic Meta - Learning(MAML)算法，快速適應(yīng)新任務(wù)。

可解釋性 AI 技術(shù)應(yīng)用：采用可解釋性 AI 技術(shù)，如 LIME(Local Interpretable Model - Agnostic Explanations)，理解 Agent 決策過程，便于調(diào)整優(yōu)化。

反饋回路強化：強化反饋回路，不僅收集結(jié)果反饋，還收集過程反饋，如使用監(jiān)控工具 Prometheus 和 Grafana 對 Agent 運行過程進行監(jiān)控反饋。

倫理與安全測試：建立專門的倫理與安全測試平臺，對 Agent 自我改進過程中的倫理和安全問題進行模擬測試。

AI agent

第六層級——通用智能型Agent：跨領(lǐng)域應(yīng)用

通用智能型Agent，即通用人工智能(AGI)，代表著人工智能研究領(lǐng)域的一個長期追求目標(biāo)。通用人工智能最初由約翰·麥卡錫等早期先驅(qū)者構(gòu)想出來，旨在創(chuàng)建能夠執(zhí)行人類所能完成的任何智力任務(wù)的系統(tǒng)。與任務(wù)專用型Agent不同，通用人工智能基于跨眾多領(lǐng)域的適應(yīng)性這一理念，這需要學(xué)習(xí)算法、推理以及情境理解方面取得重大進展。

大型語言模型(LLMs)近期取得的進展暗示了通用人工智能的潛力。這些系統(tǒng)展現(xiàn)出跨學(xué)科綜合信息、兼顧短期與長期目標(biāo)進行優(yōu)化的能力。例如，通用Agent能夠無縫整合諸如分析金融和行業(yè)趨勢、協(xié)調(diào)多個業(yè)務(wù)功能與策略以及處理利益相關(guān)者關(guān)系等任務(wù)，而且其效率和熟練度比人類高出一個數(shù)量級。

企業(yè)可以通過投資整合多個領(lǐng)域數(shù)據(jù)洞察的綜合性人工智能系統(tǒng)來為通用人工智能做準(zhǔn)備。這可能包括整合客戶洞察、供應(yīng)鏈優(yōu)化和金融預(yù)測的平臺。此外，促進人工智能開發(fā)者與企業(yè)戰(zhàn)略家之間的協(xié)作對于使通用人工智能的能力與組織目標(biāo)相契合至關(guān)重要。

技術(shù)升級建議

跨領(lǐng)域數(shù)據(jù)融合平臺建設(shè)：建設(shè)跨領(lǐng)域數(shù)據(jù)融合平臺，使用 ETL 工具(如 Talend)將不同領(lǐng)域數(shù)據(jù)進行抽取、轉(zhuǎn)換和加載，實現(xiàn)數(shù)據(jù)融合。

多模態(tài)預(yù)訓(xùn)練模型應(yīng)用：采用多模態(tài)預(yù)訓(xùn)練模型，如 CLIP(Contrastive Language - Image Pretraining)，讓 Agent 能夠處理多種類型的數(shù)據(jù)。

跨領(lǐng)域知識遷移學(xué)習(xí)：研究和應(yīng)用跨領(lǐng)域知識遷移學(xué)習(xí)技術(shù)，如基于對抗訓(xùn)練的遷移學(xué)習(xí)方法，使 Agent 在不同領(lǐng)域間快速適應(yīng)。

AI 戰(zhàn)略規(guī)劃制定：制定企業(yè) AI 戰(zhàn)略規(guī)劃，明確通用智能型 Agent 在企業(yè)中的定位和發(fā)展方向，確保開發(fā)者與戰(zhàn)略家緊密協(xié)作。

AI agent

第七層級——超級智能型Agent：超越人類想象

處于人工智能進化巔峰的是超級智能型Agent。這一假想系統(tǒng)將在所有領(lǐng)域超越人類智能，促成科學(xué)、經(jīng)濟和治理方面的突破。尼克·博斯特羅姆等人使超級智能這一概念得到普及，超級智能引發(fā)了深刻的倫理和實際問題，而且很可能需要量子計算級別的技術(shù)。

超級智能型Agent可能解決的潛在問題包括通過分析大量相互關(guān)聯(lián)的數(shù)據(jù)集和DNA來發(fā)現(xiàn)復(fù)雜疾病的治療方法，為全球環(huán)境挑戰(zhàn)設(shè)計可持續(xù)的解決方案。

當(dāng)然，該階段的Agent還未實現(xiàn)，但它是未來人工智能研究努力的方向，相信在各位同仁的齊心協(xié)力下，這一天的到來應(yīng)該不會太久。

關(guān)于深演智能

深演智能成立于2009年，是一家成熟的AI驅(qū)動的營銷技術(shù)(Martech)公司，國家級“專精特新”小巨人企業(yè)。深演智能主要為國內(nèi)外大中型企業(yè)級客戶提供一站式營銷云產(chǎn)品，包含CDP、MA、DMP和智能投放系統(tǒng)等，大大幫助品牌提升用戶整體生命周期價值，提高CRM、電商轉(zhuǎn)化、數(shù)字廣告等方面的效果，已助力汽車、零售、美妝、奢侈品等眾多500強客戶提升營銷ROI。