预期（Anticipation）在人工智能（AI）中指的是智能体基于对未来的明确信念做出决策的能力。这与反应式范式形成对比，后者中智能体仅对当前感官输入做出响应，而不预测未来系统状态。从更广泛的意义上讲，预期也描述了以适当考虑未来事件的方式行动的能力，即使智能体不具备对这些事件的明确模型。这一概念源于理论生物学和控制论，并已成为在动态、不确定环境中运行的智能系统设计的核心主题。
在AI研究中，预期通常通过预期系统的概念来形式化。1985年，理论生物学家罗伯特·罗森将此类系统定义为包含其自身和/或其环境的预测模型，从而允许其在某一时刻根据模型对稍后时刻的预测改变状态。这一定义足够宽泛，适用于任何包含机器学习的系统，因为从数据中学习本质上涉及对未来输入或结果的期望形成。关键的设计问题是，系统的行为应在多大程度上由对专用表示（如符号模型或学习到的潜在状态）的推理决定，多大程度上由在线规划（如搜索或模型预测控制）决定，以及多大程度上必须由系统设计者硬编码。
决策中的预期
采用预期的智能体试图预测其环境的未来状态，并利用这些预测来指导其行动。一个经典的说明性例子涉及基于天气的决策。如果天空多云且气压较低，智能体预测不久可能会下雨，因此决定带伞。否则，它将伞留在家中。这些规则明确考虑了可能的未来事件，将预期行为与仅对当前降雨做出响应的纯反应式规则区分开来。
在实践中，预期决策可以通过多种方式实现。基于模型的智能体可能维护环境动态的明确表示，例如马尔可夫决策过程中的转移函数，并利用它来模拟未来轨迹。或者，智能体可以使用深度学习技术从数据中学习预测模型，例如预测未来传感器读数的神经网络。表示的选择影响智能体的灵活性、样本效率以及对分布偏移的鲁棒性。
与机器学习的关系
罗森对预期的定义适用于任何包含机器学习的系统，因为学习算法通常优化在未见数据上的未来性能。例如，监督学习训练模型预测新输入的标签，这是对数据生成过程的一种预期形式。强化学习智能体在估计价值函数或使用基于模型的推演时预期未来奖励。生成模型，如大型语言模型，根据先前上下文预期序列中的下一个标记。
然而，预期的程度各不相同。一些系统依赖隐式预期，其中面向未来的行为从训练中涌现，而无需明确的预测模型。其他系统使用显式预期，其中系统维护一个独立的预测组件，在决策过程中被咨询。这一区别对于可解释性和控制很重要，因为显式模型更容易被检查和修正。
动物中的预期
人类可以基于对未来的明确信念做出决策，例如规划路线以避免交通拥堵或为冬天储存食物。更广泛地说，动物可以以考虑未来事件的方式行动，尽管它们可能不一定具有对未来的明确认知模型。进化可能塑造了更简单的系统特征，导致在狭窄领域中的适应性预期行为。例如，冬眠是预期行为，但它似乎不是由对未来的认知模型驱动的；相反，它是对季节变化的进化生理反应。
认知预期与进化预期之间的区别与AI相关。AI系统可能表现出预期行为，因为其设计者编码了考虑未来事件的规则，或者因为它从数据中学习了此类规则，或者因为其架构固有地偏向于面向未来的预测。理解预期的来源有助于研究人员设计能够泛化到新情况的系统。
现代AI中的应用
预期是许多现代AI系统中的关键组成部分。在自动驾驶中，车辆必须预测行人、骑自行车者和其他车辆的未来位置，以规划安全轨迹。诸如Waymo和Tesla等公司使用预测模型来实现这一目的。在机器人技术中，模型预测控制是一种标准技术，机器人模拟其环境和自身动作的未来状态，以选择最佳控制序列。像MIT CSAIL、Stanford AI Lab和BAIR (Berkeley AI Research)等机构的研究小组对这些方法做出了贡献。
在自然语言处理中，预期是序列生成中固有的。像基于Transformer (architecture)的Large language model这样的模型根据先前标记预测下一个标记，这是对预期信息的一种预期形式。诸如Beam Search、Top-K Sampling和Top-P (Nucleus) Sampling等技术用于在预测的未来标记中进行选择。类似地，在计算机视觉中，预期用于视频预测，其中模型根据过去的帧预测未来的帧，从而实现在监控和人机交互中的应用。
挑战与局限
预期系统面临若干挑战。首先，准确的预测需要良好的环境模型，这在复杂、部分可观察的设置中可能难以获得。其次，即使有良好的模型，长时域规划在计算上可能代价高昂，需要近似或分层分解。第三，预测可能是错误的，智能体必须能够在期望被违反时适应。这导致了关于鲁棒规划、在线学习和不确定性量化的研究。
另一个挑战是预期与反应性之间的权衡。纯预期系统可能对意外事件响应缓慢，而纯反应系统可能错过需要远见的机遇。许多实际系统结合两者，使用预期指导高层决策，使用反应性处理低层控制。例如，机器人可能使用预测模型规划路径，但也具有反应性碰撞避免功能，在出现障碍物时覆盖计划。
历史背景
预期的概念源于控制论和系统理论的早期历史。罗伯特·罗森1985年的工作形式化了预期系统的思想，建立在早期关于反馈和前馈控制的观点之上。在1990年代和2000年代，认知科学和AI领域的研究人员探索了预期作为智能行为的统一原则，导致了诸如MindRACES倡议（从反应到预期认知具身系统，2004）等项目，该倡议调查了具身智能体如何使用预期来提高其性能。
在2010年代和2020年代，深度学习的兴起将预期带到了AI的前沿。Deep learning模型，特别是具有Residual Network (ResNet)架构和Attention机制的Neural network，已被证明能够从大型数据集中学习预测模型。Generative AI系统的发展，例如来自OpenAI、Anthropic和Google DeepMind的系统，展示了预期在文本生成、图像合成和游戏玩等任务中的力量。这些系统通常使用诸如Reinforcement Learning from AI Feedback (RLAIF)（基于AI反馈的强化学习）和Curriculum Learning等技术来提高其预测和规划能力。
未来方向
关于预期的研究持续发展。一个方向是将预期与Machine learning理论相结合，特别是在基于模型的强化学习和世界模型等领域。另一个方向是开发能够推理自身局限性和不确定性的预期系统，从而产生更鲁棒和可信的AI。此外，还有兴趣将预期应用于多智能体设置，其中每个智能体必须预测其他智能体的行为，如游戏和自动驾驶中所见。
随着AI系统能力的增强，预期的作用可能会增长。能够准确预测未来事件并相应规划的系统将更好地应对复杂、动态的环境。然而，预期AI的伦理影响，例如预测性监控带来的隐私问题和基于预测决策的责任，将需要仔细考虑。预期与反应性之间，以及显式与隐式模型之间的平衡，将继续是AI研究和发展的核心主题。