人工智能（AI）中的智能体类型

在人工智能（AI）领域，任何拥有用于感知其环境的传感器和用于作用于其环境的执行器的实体都被称为智能体。智能体是智能系统设计中的关键组成部分，因为智能体具有学习、适应、做出选择和与环境交互的潜力。AI 智能体根据其复杂性、能力和任务有多种类型；它们可以像简单反射智能体一样简单，也可以像学习智能体一样复杂。

根据感知智能和能力的不同，可以将智能体分为五类。所有这些智能体都可以随着时间的推移提高其性能并产生更好的行动。它们如下：

• 简单反射智能体
• 基于模型的反射智能体
• 基于目标的智能体
• 基于效用的智能体
• 学习型智能体

1. 简单反射智能体

简单反射智能体是最简单的智能体。这些智能体仅根据当前的感知做出决策，而忽略其余的感知历史。这些智能体仅在完全可观察的环境中才能成功。简单反射智能体在决策和行动过程中不考虑任何感知历史部分。简单反射智能体基于“条件-动作”规则工作，这意味着它将当前状态映射到动作。例如，房间清洁智能体，只有在房间有污垢时才工作。

简单反射智能体设计方法的缺点

• 它们的智能非常有限
• 它们不了解当前状态的非感知部分
• 大多数都太大了，难以生成和存储。
• 不对环境变化进行适应。

以下是简单反射智能体的实现。

代码

输出

该智能体根据当前感知清洁房间，没有记忆或计划，但在两个房间都干净时或需要记忆的动作时未能最优行动。

2. 基于模型的反射智能体

• 基于模型的智能体可以在部分可观察的环境中工作，并跟踪情况。
• 基于模型的智能体有两个重要因素：
  • 模型：这是关于“世界如何运作”的知识，因此称为基于模型的智能体。
  • 内部状态：这是基于感知历史的当前状态的表示。
• 这些智能体拥有“世界知识”的模型，并根据模型执行动作。
• 更新智能体状态需要以下信息：
  1. 世界如何演变
  2. 智能体的行为如何影响世界。

以下是基于模型的反射智能体的实现。

代码

输出

该智能体通过使用内部记忆来跟踪环境状态，成功地清洁了两个房间，使其比简单反射智能体表现得更智能。

3. 基于目标的智能体

当前环境状态的知识并不总是足以让智能体决定该做什么。智能体需要知道其目标，该目标描述了理想的情况。基于目标的智能体通过拥有“目标”信息来扩展基于模型的智能体的能力。

它们选择一个动作以便实现目标。这些智能体在决定是否达成目标之前，可能需要考虑一系列可能的动作。对不同情况的这种考虑称为搜索和规划，这使得智能体具有前瞻性。

以下是基于目标的智能体的实现。

代码

输出

通过根据当前状态和目标状态组织其活动并在达成目标时停止，该智能体能够实现其清洁两个房间的目标。

4. 基于效用的智能体

这些智能体与基于目标的智能体相似，但提供了一个额外的效用度量组件，这使它们与众不同，因为它提供了一个给定状态下成功的度量。基于效用的智能体不仅基于目标，还基于实现目标的最佳方式来采取行动。

当有多种可能的选择时，基于效用的智能体非常有用，智能体需要从中选择以执行最佳动作。效用函数将每个状态映射到一个实数，以检查每个动作实现目标的效率。

以下是基于效用的智能体的实现。

代码

输出

通过有效地平衡清洁和最小化移动，该智能体选择了最大化其效用的动作，并在效用最大化后避免了无意义的操作。

5. 学习型智能体

AI 中的学习型智能体是一种可以从过去的经验中学习的智能体，或者它具有学习能力。它开始以基本知识行事，然后能够通过学习自动行事和适应。学习型智能体主要有四个概念组成部分，它们是：

1. 学习元素：负责通过学习环境来做出改进。
2. 评论员：学习元素从评论员那里获得反馈，评论员描述了智能体在固定性能标准方面的表现如何。
3. 性能元素：负责选择外部动作。
4. 问题生成器：此组件负责建议将导致新颖且信息丰富的经验的动作。
5. 因此，学习型智能体能够学习、分析性能，并寻找新的方法来提高性能。

以下是学习型智能体的实现。

代码

输出

通过基于经验的行为修改和基于奖励的学习，该智能体逐渐提高了其性能，从而变得更加智能和有效。