如果你回顧過去十年的人工智能進步，你會發現其中大部分都是在一個維度上衡量的：更大的模型和更好的標準。
這種方法已經奏效了一段時間，但現在我們面臨著“更大”可以購買的限制。
下一個突破並不是將參數提升到數十億。這是關於底層的架構，大多數人看不到但在它不工作時完全感覺到的部分。
Amperity 首席技術官兼聯合創始人。
這就是人工智能代理髮揮作用的地方。不是作為一個流行詞，而是作為情報分配方式的實際轉變。
您不再需要單個模型等待快速答案並生成答案，而是獲得一組較小的、專門構建的代理，它們可以監視正在發生的事情，思考它並採取行動。
智慧在於他們的協作方式，而不是一個無所不能的巨型模型。
一旦你開始這樣思考，話題就會從“模型能做什麼？”轉變為“模型能做什麼？”到“系統允許模型做什麼？”這就是建築學的全部內容。
從生成答案到連續循環
生成式人工智能改變了人們與其互動的方式 軟件，當然。但模式並沒有太大改變：提問，回答，然後一切都會重置。
代理系統不是這樣工作的。他們保持警惕。它們會對您未明確要求的信號做出響應，例如客戶行為的變化、需求的變化以及通常會從儀表板中漏掉的小異常情況。
最大的區別是時間。這些不是一次性任務。特工負責劇集的播出。他們觀察、決定、嘗試一些事情，然後當情況發生變化時再回來。這有點像團隊在最佳狀態時的實際工作方式。
但如果沒有共享的上下文，這種協調就無法發揮作用。如果您有一個代理根據標準化配置文件做出決策，而另一代理則根據過時且重複的數據集進行決策，那麼您就會產生偏差。一旦客戶偏離了方向，他們就不再聰明，並開始變得不可預測。
合併數據不再是可選的
我們都知道碎片化的數據很煩人。在代理系統中，它變得危險。座席並行工作，需要對客戶有同樣的了解， 產品和活動——一切。否則，你會得到不一致的決定，只有在損害發生後才會出現。
身份被解析的統一層成為共享內存。這就是讓客戶保持一致並允許他們合作而不是互相欺凌的原因。這不是一個哲學觀點。如果沒有這種共享內存，智能體就會“學習”不同的事實，你的系統很快就會變得不連貫。
生態系統，而不是單體
多年來， 公司傾向於無所不能的大平台，因為他們擔心將系統連接在一起會破壞一切。諷刺的是，人工智能代理顛覆了這個想法。
你得到的不是巨型平台，而是小型的、專業的代理，它們可以相互通信，幾乎就像微服務一樣，只不過它們在思考，而不僅僅是處理。
問題是：這些代理僅僅交換數據是不夠的。他們必須以同樣的方式解釋數據。這就是互操作性成為真正的工程挑戰的地方。
API 的重要性不及與其相關的含義。兩個代理必須接收相同的信號並對其所代表的內容達成相同的基本理解。
如果你做錯了，你就不會獨立，你就會陷入混亂。
但當它起作用時，您將獲得一個可以添加或升級代理的環境，而無需每次更改都變成重寫。隨著時間的推移，系統會變得更加智能，而不是變得更加脆弱。
從頭開始為人工智能進行設計
如今，許多團隊仍然將人工智能視為附加組件，即在其他一切就緒後添加到現有系統中的東西。
此方法不適用於代理系統。您需要為複雜模式設計的數據模型、可以處理自主行為的治理，以及 一種專為反饋循環而不是一次性事務而設計的基礎設施。
在人工智能優先的架構中，智能並不是優勢。它是管道的一部分。數據的移動方式支持長期決策。計劃不斷發展。代理需要比單個請求持續時間更長的上下文。這是一種與傳統軟件設計不同的思維方式，更接近於設計生態系統而不是應用程序。
人類哪兒也去不了
人們總是擔心“人工智能代理”意味著人們會靠邊站。現實卻有些相反。智能體每分鐘都會做出決策，而人類則設定目標、優先級、界限和權衡，使這些事件變得有意義。
這實際上使監管變得更加容易。人們不是審查每一個行動，而是尋找模式——偏差、偏見、不匹配——並對整個系統進行路線修正。一個人可以指揮多個代理，因為任務從發出指令轉變為優化意圖。
人類帶來審判。代理帶來體力。
一切通向何方
人工智能代理不僅僅是下一個範式趨勢。這是方式的轉變 智能被集成到系統中。但如果沒有正確的結構，自治永遠不會帶來人們期望的結果。
您需要標準化數據，以便代理保持一致。您需要可互操作系統，以便代理可以進行通信。它需要為長期環境和持續學習而設計的基礎設施。
如果生成式人工智能是關於答案的，那麼代理式人工智能就是關於持續智能的，而這只有在底層架構是為你所操作的世界構建的情況下才有效。
了解我們的最佳數據可視化工具列表。
