智能體到底是什麼？這裡有一篇詳細解讀

圖：pixabay

原文來源：medium

作者：Prashant Gupta

「機器人圈」編譯：嗯~阿童木呀、多啦A亮

根據我們希望實現的目標以及衡量其成功的標準，我們可以採用多種方法來創建人工智慧。它涵蓋的範圍極其廣泛，從自動駕駛和機器人這樣非常複雜的系統，到諸如人臉識別、機器翻譯和電子郵件分類這些我們日常生活的常見部分，都可以劃為人工智慧的領域範疇之內。

閱讀完下面這篇文章，也許你就會了解真正創建人工智慧所需要的東西有哪些。

《你真的知道什麼是人工智慧嗎》

（https://hackernoon.com/so-you-think-you-know-what-is-artificial-intelligence-6928db640c42）

你所採用的路徑將取決於你的AI的目標是什麼，以及你對各種方法的複雜性和可行性的理解程度。在本文中，我們將討論那些被認為對科學發展更為可行和普遍的方法，即對理性/智能體設計的研究。

什麼是智能體？

?通過感測器感知其周圍環境

?通過執行器對其進行操作

它將在感知、思考和行動的周期中往返運行。以人類為例，我們是通過人類自身的五個感官（感測器）來感知環境的，然後我們對其進行思考，繼而使用我們的身體部位（執行器）去執行操作。類似地，機器智能體通過我們向其提供的感測器來感知環境（可以是相機、麥克風、紅外探測器），然後進行一些計算（思考），繼而使用各種各樣的電機/執行器來執行操作。現在，你應該清楚在你周圍的世界充滿了各種智能體，如你的手機、真空清潔器、智能冰箱、恆溫器、相機，甚至你自己。

什麼是Intelligent Agent？

Intelligent Agent是這樣一種智能體，給定它所感知到的和它所擁有的先驗知識，以一種被期望最大化其性能指標的方式運行。

性能指標定義了智能體成功的標準。

此類智能體也被稱之為理性智能體（Rational Agent）。智能體的合理性是通過其性能指標，其擁有的先驗知識，它可以感知的環境及其可以執行的操作來衡量的。

這個概念是人工智慧的核心。

Intelligent Agent的上述屬性通常歸結於術語PEAS（Performance, Environment, Actuators and Sensors），其代表了性能、環境、執行器和感測器。所以，以一輛自動駕駛汽車為例，它應該具有以下PEAS：

?性能：安全性、時間、合法駕駛、舒適性。

?環境：道路、其他汽車、行人、路標。

?執行器：轉向、加速器、制動器、信號、喇叭。

?感測器：相機、聲納、GPS、速度計、里程計、加速度計、發動機感測器、鍵盤。

為了滿足現實世界中的使用情況，人工智慧本身需要有廣泛的Intelligent Agent。這就引入了我們所擁有的智能體類型及環境的多樣性。接下來我們一起來看看。

環境類型

如果想要設計一個合理性智能體，那麼就必須牢記它將要使用的環境類型，即以下幾種類型：

?完全可觀察和部分可觀察：如果是完全可觀察的，智能體的感測器可以在每個時間點訪問環境的完整狀態，否則不能。例如，國際象棋是一個完全可觀察的環境，而撲克則不是。

?確定性和隨機性：環境的下一個狀態完全由當前狀態和由智能體接下來所執行的操作決定的。（如果環境是確定性的，而其他智能體的行為不確定，那麼環境是隨機性的）。隨機環境在本質上是隨機的，不能完全確定。例如，8數碼難題（8-puzzle）這個在線拼圖遊戲有一個確定性的環境，但無人駕駛的汽車沒有。

?靜態和動態：當智能體在進行協商（deliberate）時，靜態環境沒有任何變化。（環境是半動態的，環境本身並沒有隨著時間的流逝而變化，但智能體的性能得分則是會發生相應變化的）。另一方面，動態環境卻改變了。西洋雙陸棋具有靜態環境，而掃地機器人roomba具有動態環境。

?離散和連續：有限數量的明確定義的感知和行為，構成了一個離散的環境。例如，跳棋就是離散環境的一個範例，而自動駕駛汽車則需要在連續環境下運行。

?單一智能體和多智能體：僅有自身操作的智能體本身就有一個單一智能體環境。但是如果還有其他智能體包含在內，那麼它就是一個多智能體環境。自動駕駛汽車就具有多智能體環境。

還存在著其他類型的環境，情景和順序，已知和未知，這些定義了智能體的範圍。

智能體的類型

一般有4種類型的智能體，根據智能水平或其能夠執行任務的複雜性不同而區分。所有類型都可以隨著時間的推移改進性能併產生更好的操作。這些可以概括為學習智能體（learning agents）。

單反射性智能體（Simple reflex agents）

這些選擇操作僅基於當前狀態，忽略感知歷史。

如果環境完全可觀察到，或者正確的行為是基於目前的感知，它們才能工作。

基於模型的反射性智能體(Model-based reflex agents)

智能體跟蹤部分可觀察的環境。這些內部狀態取決於感知歷史。環境/世界的建模是基於它如何從智能體中獨立演化，以及智能體行為如何影響世界。

基於目標的智能體（Goal-based agents）

這是對基於模型的智能體的改進，並且在知道當前環境狀態不足的情況下使用。智能體將提供的目標信息與環境模型相結合，選擇實現該目標的行動。

基於效用的智能體（Utility-based agents）

對基於目標的智能體進行改進，在實現預期目標方面有所幫助是不夠的。我們可能需要考慮成本。例如，我們可能會尋找更快、更安全、更便宜的旅程到達目的地。這由一個效用函數標記。效用智能體將選擇使期望效用最大化的操作。

通用智能體，也稱為學習智能體，由阿蘭?圖靈提出，是目前人工智慧系統中最先進的方法。

上述所有智能體可以被概括為學習智能體以產生更好的操作。

學習智能體（Learning Agents）

學習要素：負責改進

性能要素：負責選擇外部行為，這是截至目前我們通常認為的智能體。

評論：關於確定的性能標準，智能體做得如何？

問題生成器：允許智能體探索。

內部狀態表示

隨著智能體的複雜化，內部結構也越來越複雜。它們存儲內部狀態的方式也發生變化。由於其性質，簡單的反射型智能體不需要存儲狀態，其他類型則需要。下面的圖像提供智能體狀態的高級別表示，按表示能力增長順序排列（從左到右）。

?原子表示法（Atomic representation）：在這種情況下，狀態存儲為黑箱，即沒有任何內部結構。例如，對於Roomba（機器人真空吸塵器），內部狀態是已經進行了真空的補丁，您不必了解任何其他內容。如圖所示，這種表示適用於基於模型和目標的智能體，並用於各種AI演算法，例如搜索問題和對抗遊戲。

?因素化表示法（Factored Representation）：在這種表示中，狀態不再是黑箱。它現在具有屬性值對，也稱為可以包含值的變數。例如，在找到一條路線時，你有GPS位置以及油箱中的油量值。這為問題增加了一個約束。如圖所示，這種表示適用於基於目標的智能體，並用於各種AI演算法，如約束滿足（constraint satisfaction）和貝葉斯網路（bayesian networks）。

?結構化表示法（Structured Representation）：在這種表示中，我們在變數/因子狀態之間有關係，這在AI演算法中引發邏輯。例如，在自然語言處理中，陳述是否在語句中包含對某人的引用，以及該語句中的形容詞是否形容該人。這些陳述關係將決定這個陳述是否是諷刺的（sarcastic）。這是高級別的人工智慧，用於一階邏輯、基於知識的學習和自然語言理解的演算法。

對於人工智慧來說，這些理性智能體還有很多，這只是一個概述。正如你所知道的，理性智能體的設計研究是人工智慧的重要組成部分，因為它在各種領域中有著廣泛的應用。但是，這些智能體不能獨立工作，他們需要一個人工智慧演算法來驅動它們。這些演算法大多涉及搜索。很快，我就會寫一些關於驅動理性智能體的AI演算法，以及在AI中使用機器學習的文章。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！