2025年伊始，有關AI變革潛力的討論熱度正不斷攀升。人們對AI的關注焦點正從AI工具轉向創建及部署AI Agent。在今年最新發布的文章中，美國數據分析與AI戰略顧問、《信息經濟學》作者道格拉斯·B·萊尼將AI Agent的發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的基礎成果以及來自認知心理學和思辨哲學的見解，其中的每一層都代表著技術、能力和自主性方面的階段性變化。這份框架能展現在數據驅動、人工智能引領的數字經濟中不斷增加的創新、蓬勃發展及變革機遇。

對于正在了解和構建Agent的企業來說，了解Agent從簡單的反應式系統到假想中的超級Agent實體的演變過程，可為旨在從戰略層面利用人工智能的組織機構提供Roadmap。我們也將針對企業當前Agent構建和進化的核心需求，為處于各個層級的企業提供技術升級建議。

AI Agent

第一層級——反應式Agent：應對當下情況

最基礎的層級是反應式Agent，比如基于關鍵詞匹配來回答問題的基礎聊天機器人，或者是用于生成或翻譯內容的機器人。它們完全依據當下情況運作。這些Agent不會留存記憶，也不會從過往經驗中學習。相反，它們遵循預先設定的規則來對特定輸入做出響應。反應式系統源于早期的人工智能研究以及有限狀態機，這些基礎概念是在 20 世紀中葉通過約翰?麥卡錫和馬文?明斯基等先驅者的工作而出現的。

對于企業而言，反應式Agent能夠簡化重復性任務，比如處理客戶咨詢或實現定義明確的工作流程自動化。對于有更高需求的企業來說，要超越這種即將過時的能力，就需要引入能隨時間收集、留存和分析數據的方法，處理復雜的交互活動，并實現更具動態性的行動。

技術升級建議

數據收集技術：引入日志記錄工具，對 Agent 交互數據進行收集，如開源的 Log4j 等，為后續分析提供基礎。

數據分析基礎搭建：采用簡單的數據可視化工具，如 Tableau Public，幫助企業初步了解數據模式，為后續留存和分析做準備。

引入簡單機器學習算法：嘗試使用基于規則的機器學習算法，如決策樹算法，通過 Scikit - learn 庫實現，讓 Agent 初步具備簡單的學習能力，以處理稍復雜任務。

API 集成：將 Agent 與外部數據源的 API 進行集成，如天氣數據 API，擴展其處理的輸入類型，提升交互復雜性

AI Agent

第二層級——任務專用型Agent：精通特定活動

任務專用型Agent在相對較窄的領域表現卓越，往往通過與領域專家合作完成定義明確的活動，在特定任務中的表現優于人類。這些Agent是許多現代人工智能應用的支柱，從欺詐檢測算法到醫學影像系統皆是如此。它們的起源可以追溯到20世紀70年代和80年代的專家系統，比如用于診斷感染的基于規則的系統“MYCIN”。

任務專用型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。在物流領域，這些人工智能體可優化配送路線，以降低成本并提高效率。

組織機構可以通過聚焦有著明確成功衡量指標的定義清晰的問題來構建任務專用型Agent，尤其是用于自動化的這類Agent。與領域專家合作對這些系統進行訓練，可確保它們能提供切實可行的見解。

技術升級建議

領域數據深度挖掘：利用專業的數據分析軟件，如 SAS，對所在領域的數據進行深度挖掘，獲取更精準的知識，優化 Agent 性能。

強化學習算法引入：針對特定任務，采用強化學習算法，如深度 Q 網絡(DQN)，通過 OpenAI 的 Gym 庫實踐，讓 Agent 在不斷試錯中提升任務處理能力。

知識圖譜構建：構建領域相關的知識圖譜，如使用 Neo4j 圖數據庫，增強 Agent 對領域知識的理解和推理能力。

分布式計算框架：若處理數據量較大，引入分布式計算框架，如 Apache Spark，提升數據處理速度和效率。

AI agnet

第三層級——情境感知型Agent：處理模糊性與復雜性

情境感知型Agent憑借其處理模糊情況、動態場景以及綜合各種復雜輸入的能力而脫穎而出。這些Agent分析歷史數據、實時數據流以及非結構化信息，以便能智能地適應并做出響應，即便在不可預測的場景中也是如此。它們的發展在很大程度上得益于機器學習和神經網絡的進步，杰弗里·辛頓和揚·勒昆等研究人員推動了這些進步。

復雜的例子包括分析大量醫學文獻、患者病歷和臨床數據以協助醫生診斷復雜病癥的系統。在金融領域，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。在城市規劃方面，這些模型綜合來自交通模式、天氣預報和公共活動安排的數據，以優化城市物流和公共交通系統。

企業若要部署情境感知型Agent，就必須采用能夠攝取并綜合結構化和非結構化數據源的技術。邁向這一層級需要采用機器學習(Machine Learning)技術，并確保能獲取高質量的結構化和非結構化數據。這還需要培育一種重視數據驅動型決策的文化。

技術升級建議

大數據處理平臺搭建：搭建 Hadoop 生態系統，包括 HDFS、MapReduce 和 Hive 等組件，處理海量的結構化和非結構化數據。

深度學習框架應用：使用深度學習框架，如 TensorFlow 或 PyTorch，構建復雜的神經網絡模型，處理和分析復雜數據。

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構化數據。

實時數據處理技術：采用流處理框架，如 Apache Flink，實時處理和分析實時數據流，提升 Agent 實時響應能力。

AIagent

第四層級——善于社交的Agent：理解人類行為

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

在客戶服務方面，善于社交的Agent能夠識別來電者語氣中的沮喪情緒，并相應地調整回復內容。高級應用包括由AI驅動的輔導平臺，其能提供富有同理心的反饋，或者是能夠在商業交易中理解微妙暗示的談判機器人。

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

技術升級建議

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。

對話管理系統優化：基于 Transformer 架構，如 DialogFlow 或 Rasa，優化對話管理系統，使 Agent 能更自然地與人類交互。

多模態交互技術研究：探索多模態交互技術，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：設立內部倫理審查小組，定期對 Agent 的交互策略進行審查，確保符合倫理標準。

AI gaent

第五層級——自我反思型Agent：實現內在認知與自我提升

自我反思型Agent這一概念進入了思辨領域。這些系統將具備內省和自我改進的能力。這一概念源于有關意識的哲學討論，最初由艾倫·圖靈在其早期關于機器智能的工作中提出，后來大衛·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，并自主優化其算法，這很像人類反思過往行為以改進未來表現那樣。對于企業來說，此類Agent能夠通過在無需人類輸入的情況下持續改進策略(而非僅僅是流程)來革新運營方式。

例如，在制造業背景下，這類Agent能夠監測生產線的低效問題，找出根本原因，并重新校準機器或調整工作流程以提高產量。同樣，在營銷領域，這些Agent能夠根據實時反饋動態調整營銷活動策略，從失敗的策略中吸取教訓以完善未來的方法。它們甚至可能創新出全新的吸引客戶或優化運營的方法，持續改進自身流程以實現更優的成果。

然而，邁向這一層級的道路充滿挑戰，包括定義和衡量機器的“自我意識”、復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致性能下降)問題。

就目前而言，組織機構可以通過建立健全的反饋機制以及培育迭代學習的文化(針對其AI系統及其團隊)來做好準備。

技術升級建議

元學習框架構建：構建元學習框架，讓 Agent 能夠學習如何學習，例如使用 Model - Agnostic Meta - Learning(MAML)算法，快速適應新任務。

可解釋性 AI 技術應用：采用可解釋性 AI 技術，如 LIME(Local Interpretable Model - Agnostic Explanations)，理解 Agent 決策過程，便于調整優化。

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

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：跨領域應用

通用智能型Agent，即通用人工智能(AGI)，代表著人工智能研究領域的一個長期追求目標。通用人工智能最初由約翰·麥卡錫等早期先驅者構想出來，旨在創建能夠執行人類所能完成的任何智力任務的系統。與任務專用型Agent不同，通用人工智能基于跨眾多領域的適應性這一理念，這需要學習算法、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。這些系統展現出跨學科綜合信息、兼顧短期與長期目標進行優化的能力。例如，通用Agent能夠無縫整合諸如分析金融和行業趨勢、協調多個業務功能與策略以及處理利益相關者關系等任務，而且其效率和熟練度比人類高出一個數量級。

企業可以通過投資整合多個領域數據洞察的綜合性人工智能系統來為通用人工智能做準備。這可能包括整合客戶洞察、供應鏈優化和金融預測的平臺。此外，促進人工智能開發者與企業戰略家之間的協作對于使通用人工智能的能力與組織目標相契合至關重要。

技術升級建議

跨領域數據融合平臺建設：建設跨領域數據融合平臺，使用 ETL 工具(如 Talend)將不同領域數據進行抽取、轉換和加載，實現數據融合。

多模態預訓練模型應用：采用多模態預訓練模型，如 CLIP(Contrastive Language - Image Pretraining)，讓 Agent 能夠處理多種類型的數據。

跨領域知識遷移學習：研究和應用跨領域知識遷移學習技術，如基于對抗訓練的遷移學習方法，使 Agent 在不同領域間快速適應。

AI 戰略規劃制定：制定企業 AI 戰略規劃，明確通用智能型 Agent 在企業中的定位和發展方向，確保開發者與戰略家緊密協作。

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。這一假想系統將在所有領域超越人類智能，促成科學、經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。

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聯的數據集和DNA來發現復雜疾病的治療方法，為全球環境挑戰設計可持續的解決方案。

當然，該階段的Agent還未實現，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力下，這一天的到來應該不會太久。

關于深演智能

深演智能成立于2009年，是一家成熟的AI驅動的營銷技術(Martech)公司，國家級“專精特新”小巨人企業。深演智能主要為國內外大中型企業級客戶提供一站式營銷云產品，包含CDP、MA、DMP和智能投放系統等，大大幫助品牌提升用戶整體生命周期價值，提高CRM、電商轉化、數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。