Staff Editor, AI Models
IBM Think
行业时事通讯
与其前身生成式系统相比，智能体式系统有许多优势，因为生成式系统受到训练模型的数据集所含信息的限制。
智能体系统提供了 LLM 的灵活性，它可以根据细致入微的、依赖于上下文的理解生成响应或行动，同时还具有传统编程的结构化、确定性和可靠性特征。这种方法可以让智能体以更像人类的方式“思考”和“行动”。
LLM 本身不能直接与外部工具或数据库交互，也不能设置系统来实时监控和收集数据，但智能体可以。智能体可以搜索网络、调用应用程序编程接口 (API) 和查询数据库，然后利用这些信息做出决策并采取行动。
智能体可以从他们的体验中学习，吸收反馈并调整他们的行为。有了正确的防护措施，智能体系统就能不断改进。多智能体系统具有可扩展性，因此可处理范围广泛的计划。
由于智能体系统由 LLM 提供支持，因此用户可以使用自然语言提示与其互动。这意味着整个软件界面（想想所选 SaaS 平台中涉及的许多选项卡、下拉菜单、图表、滑块、弹出窗口和其他用户界面元素）可以用简单的语言或语音命令取代。理论上，任何软件用户体验现在都可以简化为与智能体“交谈”，智能体可以获取所需的信息并根据该信息采取行动。当考虑到员工学习和掌握新界面和工具所需的时间时，这种生产力优势怎么强调都不为过。
了解目标驱动和基于效用的 AI 如何适应工作流和复杂环境。
智能体式 AI 首先通过传感器、API、数据库或用户交互从其环境中收集数据。此步骤可确保系统拥有最新的信息以进行分析和采取行动。
选择操作后，AI 通过与外部系统（API、数据、机器人）交互或向用户提供响应来执行该操作。
智能体式 AI 解决方案可以部署在任何现实世界行业生态的几乎任何 AI 用例中。智能体可以集成到复杂的工作流中，以自主执行业务流程。
人工智能驱动的交易机器人可以分析实时股票价格和经济指标，进行预测性分析并执行交易。
在自动驾驶汽车中，GPS 和传感器数据等实时数据源可改善导航和安全性。
许多智能体式 AI 系统使用强化学习，其中涉及最大化奖励函数。如果奖励系统设计不当，AI 可能会利用漏洞以非预期的方式获得“高分”。
请看几个例子：
负责最大限度提高社交媒体参与度的智能体，优先考虑耸人听闻或误导性的内容，无意中传播错误信息。
仓库机器人针对速度进行优化，为了更快移动而损坏产品。
旨在实现利润最大化的金融交易 AI 从事高风险或不道德的交易行为，从而引发市场不稳定。
旨在减少有害言论的内容审核 AI 过度审查合法的讨论。
一些智能体式 AI 系统可能会自我强化，从而使行为朝着意想不到的方向升级。当 AI 针对某个特定指标进行过于激进的优化而没有采取任何安全措施时，就会出现此问题。而且，由于智能体系统通常由多个协同工作的自主智能体组成，因此存在失败的可能性。流量拥堵、瓶颈、资源冲突，所有这些错误都有可能引发连锁反应。重要的是，模型要有可衡量的明确目标，有适当的反馈回路，这样模型才能朝着更接近组织意图的方向转变。
下载这份 Gartner 研究报告，了解智能体式 AI 对 IT 领导者的潜在机遇和风险，以及如何为这新一轮 AI 创新做好准备。
了解如何使用 AI 智能体解锁生成式 AI 的全部潜力。
深入研究本综合指南中的关键用例、核心功能和分步建议，以便选择适合您业务的解决方案。
以开放和可访问的方式为 LLM 做出贡献，帮助塑造生成式 AI。
深入了解 AI 智能体和助手之间的区别，并了解它们如何提升企业生产力。
2025 年会是 AI 智能体之年吗？在本集 Mixture of Experts 中，我们与一些顶级行业专家一起回顾了 AI 模型、智能体、硬件和产品发布情况。
学习如何使用 AI 来提高创造力和效率。开始适应与 AI 智能体密切合作的未来。
借助在业界首屈一指的全面功能，帮助企业构建、定制和管理 AI 智能体和助手，从而在提高生产力方面取得突破性进展。
借助专为提高开发人员效率而设计的 Granite 小型开放式模型，可实现 90% 以上的成本节约。这些企业就绪型模型可根据安全基准提供卓越的性能，且适用于多种企业任务，包括网络安全、RAG 等。
借助在业界首屈一指的全面功能，帮助企业构建、定制和管理 AI 智能体和助手，从而实现复杂工作流自动化并在提高生产力方面取得突破性进展。