【AI大模型】CHAt还是AGENt？

最近，许多人工智能公司或者部门都在针对Agent——人工智能体有所动作。

例如：

文心一言智能体

Gnomic智能体

英伟达视觉AI代理

那么人工智能概念中的智能体Agent到底是什么呢？它又为何会突然在人工智能市场掀起一阵猛烈的风波呢？它会对将来的人工智能走向带来怎样的影响吗？

AI Agent的定义

AI Agent是**人工智能代理（Artificial Intelligence Agent）**的概念，它是一种能够感知环境、进行决策和执行动作的智能实体，通常基于机器学习和人工智能技术，具备自主性和自适应性，在特定任务或领域中能够自主地进行学习和改进。一个更完整的Agent，一定是与环境充分交互的，它包括两部分——一是Agent的部分，二是环境的部分。此刻的Agent就如同物理世界中的「人类」，物理世界就是人类的「外部环境」。

"AI agent"通常指的是人工智能代理程序，它是一个能够执行特定任务或完成特定目标的计算机程序或系统。这些代理程序通过收集和分析环境信息，并作出相应的决策或执行操作来达到其预定的目标。它们可以是简单的规则系统，也可以是复杂的机器学习模型或深度学习网络。AI agent在自动化、智能系统和人工智能应用中广泛使用，例如自动驾驶汽车、智能家居系统、游戏中的虚拟角色等。

例如以下几个方面：

AI Agent的用途

1. 自动化与效率提升

机器人过程自动化（RPA）：在业务流程中，通过模拟人类操作来自动化重复性任务，提高工作效率。智能文档处理：通过自然语言处理（NLP）技术，自动化处理和分析大量文档，如发票、合同等。

2. 数据分析与决策支持

预测分析：通过机器学习算法对历史数据进行分析，预测未来趋势，如销售预测、市场分析。实时分析：在金融、物流等领域，实时处理和分析大量数据，支持即时决策。

3. 客户服务与用户体验

聊天机器人：通过自然语言处理技术，为客户提供实时的问答服务，提高客户满意度。个性化推荐：在电商平台、流媒体服务等领域，根据用户行为和偏好，提供个性化推荐，提升用户体验。

4. 医疗健康

疾病诊断：利用深度学习和图像处理技术，辅助医生进行疾病诊断，如癌症筛查、心脏病检测。个性化治疗：根据患者的基因数据和病历信息，提供个性化的治疗方案。

5. 金融服务

欺诈检测：通过机器学习算法，实时监控和分析交易数据，检测和防止欺诈行为。自动化交易：利用算法进行自动化交易，提高交易效率和收益。

6. 制造业与工业4.0

预测性维护：通过传感器数据和机器学习模型，预测设备故障，提前进行维护，减少停机时间。智能制造：通过自动化和智能控制系统，优化生产流程，提高生产效率和产品质量。

7. 交通与物流

自动驾驶：通过计算机视觉、传感器融合和深度学习，实现车辆自动驾驶，提升交通安全和效率。智能物流：优化物流路径和仓储管理，提高物流效率和准确性。

8. 教育

个性化学习：根据学生的学习行为和成绩，提供个性化的学习方案和建议，提升学习效果。智能评估：自动化评估学生作业和考试，减少教师工作量，提高评估效率和准确性。

不难看出，Agent主要的目的是用于创建个性化、自动化、智能化的人工智能代理，从而提高办事效率并且减少繁琐的工作。

在去年十一月份的OpenAI开发者大会上，OpenAI官方宣布了GPTs，也就是用户可以创建专属于自己的GPT智能体，无需输入代码，或者只需要低代码，即可生成一个人工智能管家，用以帮助你解决生活上的琐事。

针对化、个性化、高效化、区别化是类似GPTs智能体的主要特点，它将主动权和创造权力全部交给了消费者自己；商人的头脑往往是极度清晰和高速运转的——这样做的目的既可以减小开发者的开发成本，同时还能降低由于自主开发带来的某些消费者评论弊端——好似自助餐或者火锅，你可以自制属于你自己的那道菜，但至于菜好不好吃就是你自己的事了，提供食材的人只需要负食品品质好坏与否的责任了。

如此看来，Agent的发展前景确实广阔并且丰富；随着AI的发展，减少低效工作是必要并且符合时代的，那么Agent就是必不可少的帮手。

那么再转过头来看我们的AI老朋友——Chat，语言大模型，它是否会逐渐淹没于时代的洪流，地位逐渐被Agent取代呢？

我们来看Chat目前的发展趋势和发展程度。

人工智能中的聊天技术（Chat AI）的发展历程和趋势如下：

Chat发展历程

早期聊天机器人（20世纪60年代-80年代）:

ELIZA (1966): 由Joseph Weizenbaum开发的早期聊天机器人，模拟了一个Rogerian心理治疗师，通过模式匹配技术对用户输入进行简单回应。PARRY (1972): 模拟偏执型精神分裂症患者的聊天机器人，由Kenneth Colby开发，使用更多的规则和更复杂的状态机。

基于规则的聊天机器人（1980年代-2000年代初）:

这些机器人依赖于手工编写的规则和脚本，对特定类型的用户输入进行预定义响应。A.L.I.C.E (1995): 使用AIML（人工智能标记语言）编写的聊天机器人，通过大量的规则实现对话。

统计模型与机器学习（2000年代中期-2010年代初）:

Watson (2011): IBM开发的用于Jeopardy!比赛的系统，结合了自然语言处理、信息检索和机器学习技术，标志着聊天机器人的一个重要里程碑。

神经网络和深度学习（2010年代中期-至今）:

Seq2Seq (2014): 由Google提出的序列到序列模型，用于翻译任务，随后应用于对话生成。Transformers (2017): 由Vaswani等人提出的Transformer架构，大大提高了自然语言处理任务的性能，成为现代聊天机器人的基础。GPT系列 (2018-至今): OpenAI开发的生成式预训练变换器模型，包括GPT-2 (2019) 和 GPT-3 (2020)，具有生成高度连贯和逼真的文本的能力。

大规模语言模型（LLMs，2020年代）:

ChatGPT (2022): 基于GPT-3.5和GPT-4的聊天机器人，广泛应用于各种对话场景。其他竞争模型: 如Google的BERT和LaMDA，Meta的OPT等，也在推动聊天技术的发展。

未来语言模型（2025及以后）

GPT4o、GPT5：主流的大语言模型，依旧能在日常生活中应付大部分的疑问和交流。不断地自我迭代：相对于更具有多样性的Agent来说，或许Chat的主要发展途径就是不断地自我迭代，提高自己的精确度和高效程度

我们观察Chat的发展趋势和近期的情况，实际上也并没有停下开发的脚步，它也在同时高速进步着，在日常生活所担任的角色也并没有被轻易抹去。

思考

其实当你仔细去观察这两种不同的方向时，你会发现，它俩实际上还是同一种东西——AI大模型。一切基于数据，一切基于积累。

如果硬要说它们之间的区别的话，或许是如下的：

从对象关系来看

代理更像是施令者和受令者；

对话更像是正常人之间的对话；

而从技术更迭的角度来看

使**大型语言模型（LLM）**能够从助手演变为能够采取行动的代理——从这个方向来看Agent是Chat的进化。

而很明显，Agent在近期的大火，事实上也是说明了各大主流AI公司的发展方向的重点之变化。

或许AIGC的未来是以Agent为主流的时代，但我们不得不承认Chat在普通人生活中的常用和实用。或许会形成这么一个情况——**Agent主要面向商家和产业流，而Chat主要面向用户和服务业。**两者在各自分化的领域又发挥自己不同的力量。

我并不认为会有其中一者取代另一者的说法——世界总是发散性发展的。

未来的生成式AI可能会综合利用对话系统和自主代理的优势，形成更为智能和自主的系统。例如，智能家居系统既需要与用户进行自然的对话，又需要在后台自主管理和优化能源使用、安防措施等。

为了世界变得更好，为什么不是两者同时一起发展得越来越好呢？在这个物质富足、科技行业生机盎然的时代，是允许我们综合性发展的。所以我们只需坐好自己的船，在洪流中默默漂流即可。