部分内容来自：https://en.wikipedia.org/wiki/Intelligent_agent

在人工智能中，Intelligent agent（IA ）因此智能办法行事的Agent；它感知环境，自主采纳行动以实现目标，并可以通过学习或获取知识来提高其性能。
智能Agent可以是大略的，也可以是繁芜的：恒温器或其他掌握系统被认为是智能Agent的一个例子，人类也是如此，任何符合定义的系统也是如此，例如公司、国家或生物群落。
[1]

大略的反射Agent图

领先的人工智能教科书将“人工智能”定义为“智能Agent的研究和设计”，这一定义认为目标导向的行为是智能的实质。
目标导向Agent也可以利用经济学术语“理性Agent”来描述。

Agent具有封装所有 IA 目标的“目标函数”。
这样的Agent旨在创建和实行任何操持，在完成后最大化目标函数的预期值。
例如，强化学习Agent具有“褒奖函数”，许可程序员塑造 IA 所需的行为，[3]而进化算法的行为则由“适应度函数”塑造。

人工智能中的智能主体与经济学中的主体密切干系，智能主体范式的版本在认知科学、伦理学、实践理性哲学以及许多跨学科的社会认知建模和打算机社会仿照中进行了研究。

智能Agent常日被示意性地描述为类似于打算机程序的抽象功能系统。
智能Agent的抽象描述称为抽象智能Agent（AIA），以将其与实在际天下的实现区分开来。
自主智能Agent被设计为在没有人为干预的情形下发挥浸染。
智能Agent还与软件Agent（代表用户实行任务的自主打算机程序） 密切干系。

作为人工智能的定义

人工智能：当代方法将“Agent”定义为

“任何可以被视为通过传感器感知其环境并通过实行器对该环境起浸染的东西”

它将“rational agent”定义为：

“一个Agent，根据过去的履历和知识，最大限度地提高绩效衡量的预期代价。
”

它还将“artificial intelligence research”领域定义为：

The study and design of rational agents"

Padgham 和 Winikoff (2005) 同等认为，智能Agent位于环境中，并及时（只管不一定是实时）对环境的变革做出相应。
然而，智能Agent还必须以灵巧而稳健的办法主动追求目标。
[a]可选的需求包括Agent是理性的，并且Agent能够进行信念-希望-意图剖析。

卡普兰和哈恩莱因将人工智能定义为“系统精确阐明外部数据、从这些数据中学习、并利用这些学习成果通过灵巧的适应来实现特定目标和任务的能力”。

优点

从哲学上讲，人工智能的这个定义避免了一些批评。
与图灵测试不同，它不以任何办法涉及人类智能。
因此，没有必要谈论它是否是“真实”智能与“仿照”智能（即“合成”智能与“人工”智能），并且并不表明这样的机器具有思想、意识或真正的理解力（即，它并不暗示约翰·塞尔的“强人工智能假说”）。

更主要的是，它具有许多实际上风，有助于推动人工智能研究的发展。
供应了可靠、科学的程序测试方法；研究职员可以通过讯问哪个Agent最善于最大化给定的“目标函数”，直接比较乃至组合办理伶仃问题的不同方法。
它还为它们供应了与其他领域进行互换的通用措辞，例如数学优化（根据“目标”定义）或经济学（利用“理性主体”的相同定义）。

目标函数

如果被分配了明确的“目标函数”的智能体始终如一地采纳行动，成功地最大化其编程的目标函数，则被认为更聪明。
目标可以很大略（“如果 IA 赢得围棋比赛，则为 1，否则为 0”）或繁芜（“在数学上实行与过去成功的操作类似的操作”）。
“目标函数”封装了Agent被驱动实行的所有目标；对付理性主体，该函数还封装了实现相互冲突的目标之间可接管的权衡。
（术语各不相同；例如，某些Agent寻求最大化或最小化“效用函数”、“目标函数”或“丢失函数”。
）

目标可以被明确定义或勾引。
如果人工智能被编程为“强化学习”，它就会具有“褒奖功能”，鼓励某些类型的行为并惩罚其他类型的行为。
或者，进化系统可以通过利用“适应度函数”来变异并优先复制高分人工智能系统来勾引目标，类似于动物如何进化到天生渴望某些目标，例如探求食品。
一些人工智能系统，例如最近邻系统，常日不会给定目标，而不是类比推理，除非目标隐含在其演习数据中。
如果非目标系统被构建为“目标”是完成其狭隘分类任务的系统，则仍旧可以对此类系统进行基准测试。

传统上不被视为Agent的系统，例如知识表示系统，有时会通过将它们构建为目标为（例如）尽可能准确地回答问题的Agent来纳入范式；“行动”的观点在此扩展为涵盖对问题给出答案的“行为”。
作为额外的扩展，模拟驱动系统可以被构建为根据 IA 成功模拟所需行为的程度来优化“目标函数”的Agent。
在天生对抗网络中在 2010 年代，“编码器”/“天生器”组件试图模拟和即兴创作人类文本。
天生器试图最大化一个函数，该函数封装了它如何欺骗敌对的“预测器”/“鉴别器”组件。

虽然符号人工智能系统常日接管明确的目标函数，但该范式也可以运用于神经网络和进化打算。
强化学习可以天生智能Agent，其行为办法彷佛旨在最大化“褒奖函数”。
有时，机器学习程序员不会将褒奖函数设置为直接即是所需的基准评估函数，而是利用褒奖塑造来最初为机器学习的增量进展供应褒奖。
扬·乐昆2018 年表示，“人们提出的大多数学习算法实质上都是由最小化某些目标函数组成的。
” AlphaZero国际象棋有一个大略的目标函数；每场胜利计为+1分，每场失落败计为-1分。
自动驾驶汽车的目标函数必须更加繁芜。
进化打算可以进化出智能Agent，这些智能Agent的行为办法彷佛旨在最大化“适应度函数”，该函数影响每个智能体被许可离开的后代数量。

理论上且不可打算的 AIXI设计是该范式中的最大智能Agent；然而，在现实天下中，IA 受到有限韶光和硬件资源的限定，科学家们竞相开拓能够在现实天下硬件基准测试中取得逐步更高分数的算法。

智能Agent的种别罗素和诺维格的分类

Russell & Norvig (2003)根据感知智能和能力的程度将智能体分为五类：

大略反射Agent

添加图片注释，不超过 140 字（可选）

大略的反射Agent仅根据当前感知起浸染，忽略感知历史的别的部分。
Agent功能基于条件-动作规则：“如果条件，则动作”。

仅当环境完备可不雅观察时，此Agent功能才会成功。
一些反射Agent还可以包含有关其当前状态的信息，这使它们能够忽略实行器已被触发的条件。

对付在部分可不雅观察环境中运行的大略反射Agent来说，无限循环常日是不可避免的。
如果智能体可以随机化其动作，就有可能摆脱无限循环。

基于模型的反射Agent

添加图片注释，不超过 140 字（可选）

基于模型的Agent可以处理部分可不雅观察的环境。
它确当前状态存储在Agent内部，掩护某种描述天下上看不见的部分的构造。
这种关于“天下如何运作”的知识被称为天下模型，因此被称为“基于模型的Agent”。

基于模型的反射Agent该当掩护某种依赖于感知历史的内部模型，从而至少反响当前状态的一些未不雅观察到的方面。
感知历史和行为对环境的影响可以通过利用内部模型来确定。
然后它以与反射Agent相同的办法选择一个动作。

Agent还可以利用模型来描述和预测环境中其他Agent的行为。

基于目标的Agent

基于模型、基于目标的Agent

基于目标的Agent通过利用“目标”信息进一步扩展了基于模型的Agent的功能。
目标信息描述了期望的情形。
这为Agent供应了一种在多种可能性中进行选择的方法，选择达到目标状态的一个。
搜索和方案是人工智能的子领域，致力于探求实现Agent目标的动作序列。

基于运用程序的Agent

基于模型、基于实用程序的Agent

基于目标的智能体仅区分目标状态和非目标状态。
还可以定义特定状态的期望程度的度量。
该度量可以通过利用效用函数来得到，该函数将状态映射到状态效用的度量。
更通用的性能衡量标准该当许可根据不同的天下状态知足Agent目标的程度来比较它们。
术语“效用”可用于描述智能体有多“快乐”。

一个基于效用的理性智能体会选择最大化行动结果的预期效用的行动——即，在给定每个结果的概率和效用的情形下，智能体均匀期望得到的结果。
基于效用的Agent必须对其环境、任务进行建模和跟踪，这些任务涉及感知、表示、推理和学习方面的大量研究。

学习（Learning）Agent

通用学习Agent

学习的优点是，它许可智能体最初在未知的环境中运行，并变得比其初始知识本身所许可的更有能力。
最主要的差异是卖力改进的“学习元素”和卖力选择外部行动的“绩效元素”。

学习元素利用来自“批评者”的关于Agent表现如何的反馈，并确定该当如何修正性能元素或“参与者”以在未来做得更好。
性能元素便是我们之前认为的全体智能体：它吸收感知并决定行动。

学习Agent的末了一个组件是“问题天生器”。
它卖力提出可带来新的、信息丰富的体验的行动建议。

韦斯分类

Weiss (2013)定义了四类Agent：

基于逻辑的Agent——个中通过逻辑演绎来决定实行什么操作。
反应性Agent——个中决策是通过某种形式的从情形到行动的直接映射来履行的。
信念-希望-意图主体——决策取决于对代表主体信念、希望和意图的数据构造的操纵；末了，分层架构——个中决策是通过各种软件层实现的，每个软件层都或多或少地明确地推理不同抽象级别的环境。
其他

2013 年，Alexander Wissner-Gross 揭橥了有关智能体自由与智能的理论。
[22] [23]

Agent的层次构造

为了主动实行其功能，当今的智能Agent常日聚拢在包含许多“子Agent”的分层构造中。
智能子Agent处理并实行较低级别的功能。
总而言之，智能Agent和子Agent创建了一个完全的系统，可以通过显示某种智能形式的行为和相应来完成困难的任务或目标。

常日，可以通过将主体分为传感器和实行器来构建Agent，以便它与繁芜的感知系统一起运行，该系统将天下的描述作为掌握器的输入并向实行器输出命令。
然而，掌握器层的层次构造常日是必要的，以平衡低级别任务所需的即时反应和繁芜的高等目标的缓慢推理。

Agent功能

一个大略的Agent程序可以在数学上定义为函数f（称为“Agent函数”），它将每个可能的感知序列映射到Agent可以实行的可能动作或影响的系数、反馈元素、函数或常数终极行动：

�:�∗→�

Agent函数是一个抽象的观点，由于它可以结合各种决策事理，例如打算单个选项的效用、逻辑规则的推导、模糊逻辑等。
[26]

相反，程序Agent将每一个可能的感知映射到一个动作。
[27]

我们利用“感知”一词来指Agent在任何给定时刻的感知输入。
不才图中，Agent是任何可以被视为通过传感器感知其环境并通过实行器对该环境采纳行动的东西。

替代定义和用场

“智能Agent”也常常被用作一个模糊的营销术语，有时与“虚拟个人助理”同义。
一些 20 世纪的定义将Agent描述为帮助用户或代表用户行事的程序。
这些例子被称为软件Agent，有时将“智能软件Agent”（即具有智能的软件Agent）称为“智能Agent”。

Nikola Kasabov 认为，IA 系统应表现出以下特色：

逐步适应新的问题办理规则在线实时适应_能够从行为、缺点和成功方面剖析自己。
通过与环境的互动来学习和提高（履行例）从大量数据中快速学习具有基于影象的示例存储和检索能力有参数来表示短期和长期影象、年事、遗忘等。