专家为您带来最新的 AI 趋势
获取有关最重要且最有趣的 AI 新闻的精选洞察分析。订阅我们的每周 Think 时事通讯。请参阅 IBM 隐私声明。
在智能体复杂度的五级层次结构中，基于目标的智能体正好处于中间位置。它们比简单反射智能体（遵循预定义规则）和基于模型的反射智能体（增加了一个内部世界模型）都更复杂。但它们的复杂度低于基于效用的智能体（可以使用所谓效用函数计算权衡）和学习智能体（能够随时间适应和改进，通常通过强化学习或深度学习）。
基于目标的智能体通过增加考虑未来状态的规划功能，超越了更简单的反射智能体——但它们并未真正采用更复杂智能体的动态评估，而是依赖预编程策略或决策树来追求其目标。
获取有关最重要且最有趣的 AI 新闻的精选洞察分析。订阅我们的每周 Think 时事通讯。请参阅 IBM 隐私声明。
基于目标的智能体分四个阶段运作：
首先，智能体获得一个精确的成功定义。与基于效用的智能体不同，基于目标的智能体在二元的、逻辑条件下运作。但是，尽管基于目标的智能体可能将成功定义为比特从一个状态翻转到另一个状态，但它的“目标”可以是一组中等复杂的命题逻辑和一阶逻辑，没有什么能阻止这一点。例如，机器人可能设定目标：“对于每个当前标记为紧急的包裹，将其从各自的库存位置运送到发货码头。”该目标本质上是二元的（在此目标上要么成功要么失败），但它也有多个组成部分，从而具有复杂性。
虽然最好由人类用户精确定义目标，但也可以由人类输入一个较模糊的目标（例如“优化假日订单履行”），然后由 LLM 弥合差距，将其定义为一个或多个更精确的目标（例如“估算系统每日吞吐量”、“将 P 个包裹定义为最高优先级”、“设定在 24 小时内交付 P 个包裹的目标”）。
形成目标后，基于目标的智能体在执行前会进行一些规划。例如，在仓库的例子中，智能体将花一些时间对当前和潜在状况进行建模，以便选择一条最优路径来及时完成最高优先级的订单——例如，决定它应该以多高的频率从库存货架往返于发货区。
当然，计划的好坏取决于其所遇到的实际状况。虽然一些基于目标的智能体是“保守的”，倾向于坚持计划直到计划实际上变得不可能，但更灵活的方法来自“机会主义”智能体，它们在遇到计划障碍时，会灵活地计算出更好的下一步行动：就像 Google Maps 绕开意外的交通堵塞一样。
以仓库机器人为例，其上的传感器可以帮助实时监控情况，将关键数据反馈给规划模块。例如，如果传感器检测到子目标“抓取包裹”因某种原因失败，基于目标的智能体可以尝试诊断原因、规划替代方法或请求支援。
智能体系统当然可以“混合搭配”多种智能体类型，使每个智能体适配于所处理问题的复杂度。例如，可以想象一个医疗保健领域的场景：一家医院不仅使用基于目标的智能体来执行工作流，还使用了其他四种类型的智能体。
在最简单的层面上，一个名为“生命体征监测器”的反射智能体可能只是监测所有患者的生命体征。它的具体目标是在患者心率（例如）低于某个水平时触发警报——以便提醒医生或护士进行人工干预。这样的智能体可以依赖简单的 if/then 算法。
在更高一层，一个名为“库存智能体”的基于模型的反射智能体可以管理医院的药品和物资库存。它维护关于当前库存、历史使用模式和供应链合作伙伴响应时间的内部模型，以便更好地精简补货订单。
第三，一个名为“出院规划器”的较高级别的基于目标的智能体可能从“患者出院”这个简单的二元目标出发进行逆向规划。它将依赖预编程的策略和决策树，同时考虑未来状态，来协调检验、药物和专科医生签字——包括所有必要的子任务。如果某个步骤被延迟，它的规划模块可以重新运行，制定新的计划。（该基于目标的智能体，与大多数这类智能体一样，很可能是在大语言模型上进行了微调。）
第四，一个名为“床位分配优化器”的基于效用的智能体，可能将患者分配到不同的病房，同时试图最大化安全性、满意度和吞吐量。由于它必须管理多种利益和复杂的权衡，该智能体使用效用函数工作，评估诸如传染性、人员配置水平和病情严重程度等变量。
第五，在最高级别上，一个名为“入院助手”的学习智能体采用机器学习，从过去的经验中寻求模式，以改进分诊问题、标记高风险患者并减少冗余步骤。与较低级别的智能体不同，这个学习智能体必须持续评估不断变化的数据集，寻找可能对人类不可见的深层模式。
这五个智能体作为一组虚拟助理协同工作，解决复杂问题。通过适当的编排，以及从自然语言处理 (NLP)、生成式 AI 到计算机视觉和 API 工具调用等各种能力的集成，这个多智能体系统在需要简单的地方保持简单，在需要复杂的地方变得复杂。
构建、部署和管理强大的 AI 助手和智能体，运用生成式 AI 实现工作流和流程自动化。
借助值得信赖的 AI 解决方案，您可以勾勒未来业务发展蓝图。
IBM Consulting AI 服务有助于重塑企业利用 AI 实现转型的方式。