人工智能（AI）中的 PEAS 是什么？

虽然人工智能（AI）中有许多类型的智能体，但它们都服务于不同的目的。在性能、环境、执行器和传感器层面，PEAS 系统是这些类型智能体的一个主要框架。为了理解不同的人工智能智能体如何在大多数环境中表现出色，有一个名为 PEAS 的系统。

假设存在这样的智能体，其中一种，例如理性智能体，是最有效的，因为它们将始终走最优路径以获得最大效率。

性能度量

在 AI 中定义性能度量

人工智能的性能度量是用于评估一个强大框架进展的度量。这些动作是量化的或主观的，用于评估框架完成分配任务的程度。执行度量的决策的重要性在于它将决定一个人工智能框架是否有效以及是否能够完成其设计的目标。

性能度量的类型

根据人工智能系统的特定理念及其特定任务的性质，存在不同类型的性能度量。正常的表现度量包括精确率、召回率、F1 分数、错误率和效率。人工智能框架的适当度量将根据人工智能框架的目标和它试图解决的问题的特性来确定。

性能度量在 AI 中的作用

性能度量是人工智能框架规划和改进中不可或缺的元素。优化步骤由它们指导，这意味着 AI（计算机智能）设计可以量化框架以产生更好的结果。此外，执行估计使得连接各种人工智能模型和计算成为可能，以便为特定问题选择最佳方法。

环境类型

人工智能框架存在各种各样的环境，它们可以在受控和确定性以及动态和异常的条件下执行其操作。虽然一些人工智能应用，例如机器人学，在现实的、事实的情况下执行，但也存在像自然语言处理这样的应用，它们处理特定的或虚拟的或计算机化的空间。这样的环境对框架人工智能相关活动的复杂性产生了重大影响。

• 完全可观察与部分可观察
• 情景式与序列式
• 静态与动态
• 离散与连续
• 确定性与随机性

环境建模的重要性

为了让人工智能框架做出强大的决策，对环境进行建模至关重要。人工智能框架对其当前情况的理解越深，它就越有可能实现其为自己设定的目标。通常，生态建模涉及收集信息、感知触觉数据流，并描述声学系统可以利用来指导的系统元素。

1. 完全可观察与部分可观察

• 完全可观察：在可观察的环境中，智能体可以即时看到环境在某一时刻的状态。
• 部分可观察：在部分可观察的环境中，智能体无法完全看到环境的状况。它有不完整或有噪声的感知。

2. 静态和动态

• 静态：在静态环境中，环境在智能体思考时不会改变。它不会随时间变化。
• 动态：在动态环境中，环境（环境）可能会发生变化，尤其是在智能体试图对其行为做出决定时。智能体的行为或外部因素可能会导致变化。

3. 离散和连续

• 离散：在离散环境中，状态空间和动作空间都是有限且可数的。
• 连续：在连续环境中，状态空间、动作空间或两者都是连续的（与离散特性不一致），也就是说，它在某个值域上取值，而不是离散的值。

4. 确定性与随机性

• 确定性：然而，在这种环境情况下，它不是由当前状态和智能体所做的动作决定的（在确定性环境中）。
• 随机性：这包括随机环境中的不确定性。不规则性或概率会影响环境的下一个状态，即使当前状态和动作已知。

执行器

人工智能系统包括执行智能系统定义的活动或次级反应的部件或某些组件，这些组件在人工智能中被称为执行器。这些是人工智能框架与环境交互的方式。根据用例，执行器有不同的形状和配置。

执行器类型

执行器的功能属性是人工智能的一个领域，可以从不同方式进行分类。例如，它们可以是控制机器人附件运动的执行器（电机或伺服器），在机器人学中。执行器可以是编程的组件，用于在虚拟条件下产生文本、语音或视觉结果（作为结果）。

执行器在人工智能系统中的作用？

人工智能框架的动态周期的扩展以及这些周期对环境的影响是执行器的基础。根据人工智能系统对环境的理解以及预期实现何种性能度量，它们会执行人工智能系统生成的活动或命令。执行器的有效性和执行器的准确性对于确定人工智能应用的整体性能至关重要。

传感器

感知 AI 中的环境

这些是收集环境因素信息和数据的工具部件，并使用人工智能技术作为输入。它们提供的关键信息使环境智能框架能够构建其正在看到的和理解的东西的图景，以及其环境中正在发生的事情。这些是人工智能系统的感官器官，与全方位知情的独立指导协同工作。

传感器在 AI 中的重要性

人工智能系统依赖传感器，因为它们提供驱动动态周期的原始数据。传感器的准确性和可靠性至关重要，因为传感器数据中的任何不一致或错误都会导致人工智能系统执行有缺陷的活动。然后，采用校准和传感器融合技术来使传感器更加精确。

集成 PEAS 组件

1. 通过集成实现 AI 智能

这意味着 AI 系统表现出智能行为，因为它有效地集成了 PEAS 组件。性能度量指导 AI 的决策，并且它理解环境，以便能够适应不断变化的情况。当传感器和必要的操作由执行器执行以提供所需输入时，系统就被称为闭环系统。

2. PEAS 集成的挑战

在复杂的 AI 系统中集成 PEAS 组件通常是不可行的。执行器应经过彻底设计和测试，以便它们能对 AI 决策做出适当反应，并且传感器提供准确的数据。下一个关键步骤是选择与 AI 系统目标相匹配的适当性能度量。

3. PEAS 集成的案例研究

例如，我在这里以一辆自动驾驶汽车为例来说明 PEAS 集成的概念。在这种情况下，汽车到目的地的性能，包括快速安全地到达，可以用作性能度量。环境是天气、交通和道路。

汽车的执行元件（也称为执行器）控制汽车的制动、转向和加速，汽车的感知元件（也称为传感器）从 GPS、LiDAR 和摄像头获取数据，以便所有形式的数据都可以用来指导导航和决策。

使用 PEAS 的智能体类型

PEAS 框架（性能度量、环境、执行器、传感器）的使用对于构建和理解不同类型的人工智能智能体是必需的。基于 PEAS 模型的使用复杂性和范围，智能体被广泛分类。

反应式智能体：PEAS 的简单和反射式应用

我们 AI 智能体的关键是反应式智能体。具体来说，它们接收原始感官信号作为输出，而不保持状态，也不进行规划。这类智能体通过条件或预定义规则与环境交互以做出响应。

PEAS 如何应用？

• 性能度量：它强调正确性或加速，以最小化错误或最大化速度。例如，一个真空吸尘器智能体的性能度量可以是它每次清洁的污垢量。
• 环境：通常，它们用于静态或半静态环境，变化是定期的或不经常的，例如，清洁房间或记录受控区域的温度。
• 执行器：例如，它可以打开/关闭开关、向左或向右移动，或触发（例如，启动真空吸尘器的吸力）。
• 传感器：对于依赖外部污垢传感器的机器人吸尘器，对于测量温度的恒温器，或对于可以感知环境条件当前状态的基本传感器。

反应式智能体的例子

• 自动吸尘器（例如 Roomba）
• 基本恒温器
• 运动检测安全系统

优点

• 在可预测的环境中快速高效。
• 实现简单且成本效益高。

局限性

• 改变或从经验中学习的能力；不具备适应非预期变化的能力，或由于无法理解而产生的后果。
• 在动态或复杂环境中的功能范围有限。

审慎智能体：PEAS 在规划和决策中的应用

反应式智能体比审慎智能体更基础。它们可以拥有内部环境模型，有助于学习和做出明智的决策。事实上，经常有一些智能体表现出以目标为导向的行为，并且实际上使用规划算法。

PEAS 如何应用？

• 性能度量：在这种情况下，它有一系列长期目标，以最短的时间或最有效的方式完成任务以到达目的地。
• 环境：通常更复杂、动态且部分可观察。它们可能包括，例如，城市导航、包裹递送等。
• 执行器：根据计划的策略执行高级活动、路线选择、任务执行、物体操作。
• 传感器：第三代传感器是我们所说的摄像头以及其他生成来自视觉和位置源的超详细输入的设备。

审慎智能体的例子

• 自动驾驶汽车规划最优路线。
• 送货无人机。
• 制造流程的调度系统。

优点

• 能够处理具有动态变化的复杂环境。
• 它可以根据可用的目标和当前可用的资源进行决策。

局限性

• 由于规划和决策过程，计算量很大。
• 可能必须了解环境。

学习型智能体：集成反馈以演变 PEAS 配置

因此，它是最适应和最智能的智能体的最高类别。因此，它们会变得更好，并且可以从它们所做的事情中学习。此外，来自环境的这种反馈使它们能够更有效地做出决策并采取行动。

PEAS 如何应用？

• 性能度量：随着学习而改进的度量，例如，降低错误率、提高准确率或最小化任务时间等。
• 环境：它们是复杂且动态的空间，没有可预测的名称。
• 执行器：这些动作的灵活性和适应性基于第一批，即学习算法。例如，如果我们考虑一些接近游戏的可适应动作（如果考虑一些游戏相关的动作），或者如果我们考虑一个游戏的替代交易策略（或更新一个交易算法）。
• 传感器：持续且丰富多样的输入传感器，它们从视频流以及其他视频流和用户交互中提取信息。

学习型智能体的例子

• 推荐系统（例如 Netflix、Amazon）。
• AI 的游戏应用（例如 AlphaGo 和国际象棋程序）。
• 个人助理（例如 Siri、Google Assistant）。

优点

• 随着时间的推移，它可以发生很大的变化，并且可以与其他地方融合。
• 有效处理复杂且不可预测的场景。

局限性

• 计算和数据要求高。
• 在缺乏适当反馈机制的情况下，存在过拟合或错误学习的风险。

AI PEAS 示例

为了展示 PEAS 框架，我将检查一些示例。

无人驾驶汽车

• 性能度量：无人驾驶汽车的度量是保证乘客安全和准时到达、安全导航以及有效路线规划。
• 环境：除了道路、交通模式、行人、天气之外，汽车还需要穿越的环境。
• 执行器：汽车部件的制动、转向和加速系统由执行器驱动，这些执行器按照 AI 的规定执行操作。
• 传感器：汽车上的传感器，如 Lidar、摄像头、GPS、雷达等，让汽车能够实时看到并响应周围的世界。

工业机器人

• 性能度量：您必须确保达到最大生产力。其次，您需要获得过程的最大精度，第三是最小化能源需求，最后是最小化停机时间。
• 环境：工厂车间、传送带、机器、原材料以及其他机器人或工人。
• 执行器：这些可以是夹具、机械臂、传送带电机、焊接或喷漆工具等。
• 传感器：摄像头、接近传感器、力传感器、温度传感器和运动检测器。

虚拟助手（例如 Alexa、Siri）

• 性能度量：它能够正确查找并响应用户查询，并尽快执行命令，从而使用户满意。
• 环境：智能设备，如语音输入和智能家居设备、移动应用程序和云。
• 执行器：扬声器、应用程序接口、文本转语音转换器和智能设备控制器都生成文本转语音转换器的输出。
• 传感器：通过麦克风通过语音输入和 API 的数据源。

游戏 AI（例如国际象棋引擎、视频游戏 NPC）

• 性能度量：游戏将变得相当困难但令人愉快的游戏，玩家希望赢得比赛或仅仅是提高玩家的分数。
• 环境：游戏棋盘（例如国际象棋）、虚拟世界、其他玩家以及游戏内规则。
• 执行器：此外，还能够移动棋子、控制游戏内角色、触发动画或事件。
• 传感器：玩家动作、游戏状态以及环境条件（RPG 中的敌人位置）。

结论

使用 PEAS 框架的人工智能是一种有组织的方法来解释和设计智能制品。性能度量、环境、执行器和传感器使工程师能够考虑智能体运行的任务环境的所有方面。性能度量设定成功标准，以确定智能体的行为以达到其目标。

回顾：设计师需要考虑环境，以便他们知道环境中的关键因素和约束条件对智能体的行动有何影响。执行器使智能体能够对其环境采取行动，而传感器则需要将智能体暴露于环境并提供感知和决策所需的输入。PEAS 框架是设计任务智能系统的强大工具，以便智能体能够恰当地交互并在其环境中达到期望的目标。