人工智能/AI智能体及其环境

特定的**人工智能程序**或**AI**可以被认为是与特定环境交互的智能“**智能体**”。一般来说，所有类型的智能体（包括老鼠、人以及AI程序）都通过两种主要方式与其环境交互：**感知**和**行动**。

为了人工智能的目的，**感知**是指将环境中的东西转化为内部表征（记忆、信念等）的过程。**行动**则是智能体通过做某事来改变环境。

例如，如果一个机器人使用它的摄像头来判断前面有一堵墙，那么它就在使用感知。在这个例子中，摄像头是一个“**传感器**”。一般来说，传感器是智能体用来从环境中获取信息进行感知的工具。人类的传感器包括眼睛、耳朵和鼻子。AI可以拥有各种类型的传感器，包括类似于人类感知的传感器，也包括人类没有的传感器，例如声纳、红外线、GPS信号等。

如果那个机器人使用它的身体推倒墙，那么它就是在进行行动。在这种情况下，身体是一个“**执行器**”。如果机器人使用轮子后退，这也是行动的例子。由于机器人现在位于不同的位置，环境发生了变化。典型的机器人执行器包括手臂、轮子、灯光或扬声器。

那么没有身体的AI呢？举个例子，音乐推荐系统。在这种情况下，智能体的环境可能是用户点击和输入的网页，或者可能是用户偏好数据库。在这种情况下，传感器是智能体程序中的抽象函数，而不是硬件，就像机器人上的传感器一样。检测用户点击的函数，或者从数据库中获取信息的函数，可以被认为是该智能体的传感器。执行器是什么？当智能体向用户显示推荐的音乐时，它正在使用执行器在屏幕上显示内容 - 或者提供网页。另一个例子是音乐推荐系统使用的数据库 - 它应该被认为是智能体交互的环境的一部分，还是智能体记忆的一部分？正如您从这个例子中看到的那样，什么被认为是执行器，什么被认为是环境的一部分，取决于您认为智能体的边界在哪里。并不总是存在正确或错误的边界。它取决于讨论的背景。

环境分类系统

尽管在某些情况下很难准确地知道环境在哪里结束，智能体在哪里开始，但能够对AI环境进行分类仍然很有用，因为它可以预测AI任务的难度。Russell和Norvig（2009）引入了七种对AI环境进行分类的方法，可以用助记符“D-SOAKED”来记住它们。

• **确定性**（确定性或随机性或非确定性）：如果已知先前状态和智能体的行动，那么如果下一个状态是完全可预测的，则环境是确定性的。
• **静态性**（静态或动态）：静态环境在智能体思考时不会发生变化。
• **可观察性**（完全可观察或部分可观察）：完全可观察的环境是指智能体可以访问其任务相关的所有环境信息的环境。
• **代理性**（单代理或多代理）：如果环境中至少存在另一个智能体，那么它就是一个多代理环境。其他智能体可能漠不关心、合作或竞争。
• **知识**（已知或未知）：如果智能体了解支配环境行为的规律，则认为环境是“已知的”。例如，在国际象棋中，智能体将知道棋子被“吃掉”时就会从游戏中移除。在街上，智能体可能知道下雨时，街道会变得湿滑。
• **情节性**（情节性或顺序性）：顺序环境需要记住过去的行动来确定下一个最佳行动。情节性环境是一系列一次性行动，只有当前（或最近的）感知是相关的。一个查看放射图像以确定是否存在疾病的AI就是一个情节性环境的例子。一张图像与下一张图像无关。
• **离散性**（离散或连续）：离散环境具有固定的位置或时间间隔。连续环境可以以任何精度进行定量测量。

在每种情况下，AI（以及为AI编程的程序员）的工作更容易，如果两个选项中的第一个是每个类别的最佳描述符。也就是说，如果AI在一个随机、动态、部分可观察、多代理、未知、顺序和连续的环境中工作，那么它的工作要困难得多。

AI智能体的高级描述

AI是以各种方式制作的。在讨论新的AI时，也许是在学术论文中，也许是在商务会议中，有一些问题可以问几乎任何AI。这些问题可以用助记符PEAS来记住。

• **性能指标**：AI如何知道它正在做它应该做的事情？
• **环境**：智能体与什么环境交互？
• **执行器**：AI如何影响其环境？
• **传感器**：AI如何从其环境中获取信息？

重要词汇

• 感知
• 行动
• 传感器
• 执行器
• 环境
• 性能指标
• 确定性
• 随机性
• 完全可观察
• 部分可观察
• 动态环境
• 静态环境
• 多代理环境
• 已知和未知环境
• 情节性环境
• 顺序性环境
• 离散与连续环境

讨论问题

• 使用上面描述的分类方案（PEAS、D-SOAKED），描述以下AI智能体：自动驾驶汽车、机场的人脸识别系统、货运公司的调度系统、R2D2。

参考文献

Russell, S. & Norvig, S. (2009). 人工智能：一种现代方法. 第三版. Prentice Hall.