AI代理：定义未明，但自动化愿景已现
AI 代理本应成为人工智能领域的下一个重大突破，但目前尚无对其确切定义。迄今为止，人们仍无法就究竟什么构成 AI 代理达成一致。
在最简单的层面上，AI代理最好被描述为一种由人工智能驱动的软件，它为你执行一系列过去可能由人类客服代表、人力资源人员或IT帮助台员工完成的工作，尽管它最终可能涉及任何任务。你让它做事，它就为你做这些事，有时还会跨越多个系统，远远超出仅仅回答问题的范畴。例如，Perplexity上个月发布了一个帮助人们进行假日购物的AI代理（并且它并不是唯一一个）。而Google上周宣布其首个名为Project Mariner的AI代理，可用于查找航班和酒店、购买家居用品、寻找食谱以及其他任务。
听起来似乎很简单，对吧？然而，由于缺乏清晰界定，这一问题变得复杂起来。即使在科技巨头之间，也尚未形成共识。谷歌将其视为基于任务的助手，具体取决于工作内容：为开发者提供编码帮助；协助营销人员创建配色方案；通过查询日志数据帮助 IT 专业人员排查问题。
对于Asana而言，一个代理可能会像一名额外的员工一样行动，像任何好同事那样处理分配的任务。Sierra是一家由前Salesforce联合首席执行官Bret Taylor和Google资深人士Clay Bavor创立的初创公司，它将代理视为客户体验工具，帮助人们实现远超昔日聊天机器人的行动，以解决更复杂的问题集。
这种缺乏统一定义的情况确实让人对它们的具体功能产生困惑，但无论其如何定义，代理的核心目的都是尽可能减少人工干预，以自动化方式协助完成任务。
行业共识缺失与技术乐观主义
Glasswing Ventures 的创始人兼管理合伙人 Rudina Seseri 表示，目前仍处于早期阶段，这或许可以解释为何缺乏共识。Seseri 在接受 TechCrunch 采访时说：“对于‘AI 代理’究竟是什么，并没有单一的定义。然而，最常见的观点是，代理是一种智能软件系统，旨在感知环境、对其进行推理、做出决策，并自主采取行动以实现特定目标。”
她表示，这些系统利用多种 AI 技术来实现这一目标。她补充道：“这些系统融合了各种 AI/ML 技术，如自然语言处理、机器学习和计算机视觉，以便在动态领域中运行，既可以自主运作，也可以与其他代理和人类用户协同工作。”
Box 的联合创始人兼首席执行官 Aaron Levie 表示，随着时间的推移，随着 AI 能力的增强，AI 代理将能够为人类完成更多工作，而且目前已经存在一些推动这一演变的动态因素。
Levie 写道：“借助 AI 代理，存在多个组成部分构成的自我强化飞轮，这将显著改善 AI 代理在近期和长期内能够完成的工作：GPU 性价比、模型效率、模型质量与智能水平、AI 框架及基础设施的改进。”
现实挑战：跨系统协作与能力边界
这是一种对技术的乐观看法，假设所有这些领域都会增长，但这并不一定是有保证的。MIT机器人先驱Rodney Brooks在最近接受TechCrunch采访时指出，AI必须处理比大多数技术更困难的问题，而且它不一定像摩尔定律下的芯片那样以相同的速度快速增长。
Brooks 在那次采访中表示：“当人类看到 AI 系统执行某项任务时，他们会立即将其推广到类似的事情，并对该 AI 系统的能力进行评估；不仅评估其在当前任务上的表现，还评估其在该任务周围的能力范围。”他说：“人们通常过于乐观，这是因为他们使用的是对人类执行任务能力的模型。”
问题在于，跨系统协作非常困难，而一些遗留系统缺乏基本的 API 访问权限，这使得情况更加复杂。尽管我们正看到 Levie 所提到的稳步改进，但要让软件在解决途中可能遇到的问题时访问多个系统，其难度可能比许多人想象的要大得多。
如果是这样的话，那么每个人可能都高估了 AI 智能体应具备的能力。HFS Research 的研究负责人 David Cushman 对当前这批机器人的看法与 Asana 类似：它们更像是助手，旨在帮助人类完成某些任务，以实现某种用户定义的战略目标。挑战在于如何以真正自动化的方式让机器处理突发情况，而我们显然还远未达到这一水平。
“我认为这是下一步，”他说。“这是AI独立且有效地大规模运行的地方。因此，在这里人类设定指南、护栏，并应用多种技术将人类排除在循环之外——当之前的一切都是关于让人类留在生成式AI的循环中时，”他说。所以关键在于让AI代理接管并应用真正的自动化。
基础设施构建与多模型架构趋势
Madrona Ventures的合伙人Jon Turow表示，这需要创建AI代理基础设施，即专门用于创建代理的技术栈（无论你怎么定义它们）。在最近的一篇博客文章中，Turow概述了目前在野外工作的AI代理示例以及它们今天是如何构建的。
在 Turow 看来，AI 智能体的日益普及——他也承认，其定义仍然有些模糊——需要像其他技术一样具备技术栈。“这一切意味着，我们的行业必须致力于构建支持 AI 智能体及其所依赖应用的基础设施。”他在文章中写道。
“随着时间的推移，推理能力将逐步提升，前沿模型将主导更多工作流程，而开发者将更专注于产品和数据——这些才是他们实现差异化的关键。他们希望底层平台能够‘开箱即用’，具备可扩展性、高性能和可靠性。”
这里还需要记住的一点是，让智能体发挥作用可能需要多个模型，而非单一的大型语言模型（LLM）。如果你将这些智能体视为不同任务的集合，这一点就说得通了。Macquarie US Equity Research 的美国 AI 和软件研究主管 Fred Havemeyer 表示：“我认为目前没有任何单一的大型语言模型——至少是公开可用的单体大型语言模型——能够处理智能体任务。我认为它们尚未具备那种能让我对智能体未来感到兴奋的多步推理能力。我们正逐渐接近这一目标，但尚未实现。”
“我认为最有效的智能体很可能是由多个不同模型组成的集合，并配备一个路由层，将请求或提示发送给最合适的智能体和模型。这有点像一种有趣的[自动化]监督机制，负责委派各种角色。”
对 Havemeyer 而言，最终目标是行业朝着智能体独立运作的方向努力。“在思考智能体的未来时，我希望看到并且期待看到真正自主的智能体，它们能够接收抽象目标，然后完全独立地推导出其间的所有具体步骤。”他告诉 TechCrunch。
但事实是，就这些智能体而言，我们仍处于过渡期，尚不清楚何时能达到 Havemeyer 所描述的最终状态。尽管迄今为止我们所看到的无疑是朝着正确方向迈出的充满希望的一步，但我们仍需取得一些进展和突破，才能使 AI 智能体按照当今的设想运作。重要的是要认识到，我们尚未达到这一阶段。
本文最初于 2024 年 7 月 13 日发布，并已更新，加入了来自 Perplexity 和 Google 的新智能体信息。
Karyne Levy 为本报道提供了贡献。