AI 正在变身!“AI Agents”退场,“Agentic AI”登场,背后发生了什么?

大模型向量数据库云存储

我们正处于一段发展阶梯上,从最初的大型语言模型(LLM),到具有人类般数字交互能力的 AI 智能体(AI Agents)。但……在商业落地层面,焦点正在从 AI 智能体转向 Agentic AI。

让我们用简单的语言来分解一下,探索AI Agents与Agentic AI的区别、现实应用以及它们的未来。

什么是AI Agent和Agentic AI?

什么是AI Agent?

AI Agents通常是为了执行特定任务而构建的。它们的设计目的是帮助你完成某些工作——比如回答问题、整理日程表,甚至管理你的电子邮件收件箱。AI Agents非常擅长自动化简单、重复的任务,但它们没有像Agentic AI那样的自主性或决策能力。可以把它们看作是虚拟助手,它们会按你的指令行事,而不会自己进行思考

picture.image

什么是Agentic AI?

从本质上讲,Agentic AI是一种强调自主性的AI类型。它有点像一个虚拟助手,可以进行思考、推理并适应变化的环境,而无需持续的指导。

Agentic AI的工作可以分为四个关键阶段

1.感知 :它从周围的世界收集数据。2.推理 :它处理这些数据,以理解发生了什么。3.行动 :它根据自己的理解决定做什么。4.学习 :随着时间的推移,它通过反馈和经验不断改进和适应。

picture.image

AI Agent和Agentic AI的区别?

尽管AI Agents和Agentic AI都由人工智能驱动,但它们的运作方式截然不同。

| 方面 | Agentic AI | AI Agents | | 自主性 | 高度自主,能够独立行动 | 自主性有限,需要人工输入 | | 目标导向 | 以目标为驱动,独立解决问题 | 任务特定,遵循设定指令 | | 学习能力 | 持续学习和改进 | 可能不学习或仅在设定规则内学习 | | 复杂性 | 处理复杂、动态的环境 | 处理较简单、结构化的任务 | | 决策过程 | 基于推理和分析做出决策 | 对输入有预设的响应 | | 与环境的互动 | 积极适应周围环境和变化 | 对设定输入做出反应,但不会适应变化 | | 对变化的响应能力 | 自主地改变目标和方法 | 适应新情况的能力有限 |

在现实世界中是如何应用的?

AI Agents的应用

  1. 客户支持 :AI Agents最常见的应用之一是在客户服务领域。聊天机器人可以回答问题、解决问题,并引导客户完成流程——所有这些都无需人工干预。 Zendesk的AI驱动聊天机器人[1] 帮助企业快速高效地响应客户查询,作为AI Agent,它处理常见问题,并将人类客服释放出来,以应对更复杂的任务。

  2. 个人助理 :如果你使用像Siri或Google Assistant这样的语音助手,那么你可能每天都在与AI Agent互动。它们可以帮助你设置提醒、查看天气或播放你喜欢的音乐——这些任务有用但不需要太多决策。这些AI Agents依赖预定义的命令,擅长处理简单、重复性的任务。

  3. 电子邮件管理 :AI Agents也非常适合管理你的收件箱。它们可以对邮件进行分类、标记重要邮件,甚至提供智能回复来节省你的时间。 Google的Gmail智能写作功能 就是AI Agent应用的一个优秀例子,它根据上下文建议短语,帮助用户更快地回复邮件。

  4. 生产力工具 :像 GitHub Copilot[2] 这样的工具是AI Agents,能够通过建议代码和帮助调试来帮助软件开发人员。它们就像是你身边的第二双眼睛,随时为你提供帮助。通过实时提供代码建议,这个AI Agent提升了开发者的生产力,使他们能够专注于工作的更具创意的方面。

Agentic AI的应用

  1. 自动驾驶汽车 :Agentic AI最令人兴奋的应用之一是在自动驾驶汽车中。这些AI系统感知周围环境、做出驾驶决策,并从每一次出行中学习。随着时间的推移,它们变得越来越擅长导航并应对路上的新挑战。 特斯拉的全自动驾驶系统 就是一个Agentic AI的例子,它持续从驾驶环境中学习,并调整其行为以提高安全性和效率。

  2. 供应链管理 :Agentic AI还在帮助公司优化供应链。通过自主管理库存、预测需求并实时调整配送路线,AI可以确保运营更加顺畅和高效。 亚马逊的仓库机器人 就是一个例子——这些机器人能够在复杂环境中导航,适应不同的条件,并自主地在仓库中移动货物。

  3. 网络安全 :在网络安全领域,Agentic AI可以通过分析网络活动来检测威胁和漏洞,并自动响应潜在的安全漏洞。 Darktrace是一家AI网络安全公司[3] ,使用Agentic AI实时检测、响应并从潜在的网络威胁中学习。

  4. 医疗保健 :AI在医疗保健领域也扮演着重要角色。Agentic AI可以协助诊断、治疗建议和病患护理管理。它通过分析医疗数据、识别模式,帮助医生做出更为明智的决策。 IBM的Watson Health 利用AI分析大量的医疗数据,从新信息中学习,并提供有助于医生和医疗专业人员的见解。

为什么目前我们(暂时)不再聚焦于 AI Agents?

像 Salesforce 和 Service 这样的公司曾大力转向 AI 智能体技术,然而,现实是:AI 智能体的技术成熟度还远未达到实际生产应用所需的准确性水平

如果撇开市场营销的炒作,以及各种优秀的原型和演示,你会发现这些 AI 智能体的准确率并不适合用于生产环境

例如,Claude AI Agent 计算接口(ACI) 的表现仅为人类表现的 14%

下面这张来自 TheAgentFactory 的图表显示了当前 AI 智能体在成本、步骤数和成功率 方面所处的位置。请注意,它们的成功率大约只有 20%

这些数据展现了当前现实的严峻状况。

picture.image

随着 OpenAI 最近发布了 Operator 功能,其在计算机操作和网页浏览使用方面的准确率 达到了 30% 到 50% 。 但即使如此,仍然低于人类 70% 以上的能力水平

picture.image

此外,还有一些有趣的研究指出,具备网页浏览功能的 AI 智能体极易受到恶意弹窗攻击

AI 智能体要实现类似人类的任务执行方式,主要有两个途径:

1.通过网页浏览器 (如 WebVoyager、OpenAI Operator 等);2.通过操作系统的完整图形界面(GUI) (如 Anthropic 的方案)。

这些方法本质上是将 图形用户界面(GUI)当作 API 来供 AI 智能体调用。

早期的尝试是使用每个应用独立提供的 API 接口,但这在实际中并不可行 ,因为为每个系统开发并维护 API 的成本过高。而且,许多商业应用根本就没有开放 API

推理与问题解决

现代 AI 模型正越来越多地将推理能力 作为核心特性进行整合,使它们能够通过将复杂问题拆解为可管理的子问题 ,来应对更加复杂的任务与挑战。

picture.image

推理机制的变革:从外部指令到内部结构。这一转变的核心是创新的任务分解策略 :通过将问题拆解成更小的子问题,使模型能够系统性地逐一处理各个部分

现代模型将“推理”视为一种内部过程 ,从而模拟人类的思维方式,提升模型提供答案的准确性细腻程度

拆解策略的优势包括通过分而治之的方法,提高整体处理速度与质量;让用户更清楚模型是如何得出结论的;帮助用户更好地理解 AI 的思路与决策逻辑。

在早期,用户需要在提示词中显式加入推理特征 ,告诉模型如何进行逻辑分析与任务拆解 ,并通过 Few-Shot 示例引导其仿效。

如今,这种推理能力正在被内置于模型结构 中,用户无需再反复提示 模型“如何思考”,AI 已能自行判断并拆解复杂任务。

结语

世界正以前所未有的速度前进,几乎每天都有新技术问世,每一种都声称能颠覆产业、改变未来。但创新的真正衡量标准 ,不是是否掌握了最新技术,而是是否能将这些技术转化为可见的、实际的价值

无论是改善客户体验、优化内部运营,还是应对社会问题,关键问题始终是:我们如何利用技术,去实现真正有意义的解决方案?

当企业以价值为导向思考问题 ,就能够更好地适应变化,在科技进步的浪潮中,始终保持相关性和竞争力

References

[1] Zendesk的AI驱动聊天机器人: https://www.zendesk.co.jp/service/ai/#georedirect
[2] GitHub Copilot: https://github.com/features/copilot
[3] Addepto是一家领先的生成性AI开发公司: https://addepto.com/services/generative-ai-development-company/

[4] 更多信息请看https://medium.com/@elisowski/ai-agents-vs-agentic-ai-whats-the-difference-and-why-does-it-matter-03159ee8c2b4;https://cobusgreyling.medium.com/why-the-focus-has-shifted-from-ai-agents-to-agentic-workflows-51e4078d03c2

0
0
0
0
关于作者
关于作者

文章

0

获赞

0

收藏

0

相关资源
火山引擎大规模机器学习平台架构设计与应用实践
围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践,全面分享如何以开发者的极致体验为核心,进行机器学习平台的设计与实现。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论