智能体是一种计算系统，它感知环境、进行推理，并采取行动以实现特定目标。这一概念是人工智能的基础，将自主或半自主程序与被动软件区分开来。智能体通过感知、决策和行动的循环运作，其行为根据其在多大程度上有效最大化与目标相关的性能指标来评估。
该术语在20世纪80年代和90年代通过人工智能和机器人学的研究而受到重视，尽管其思想根源可追溯至更早的控制论和控制理论。在现代实践中，智能体的范围从简单的基于规则的系统到随时间适应的复杂机器学习模型。它们被部署在自动驾驶车辆、推荐系统、虚拟助手和工业自动化等领域，通常嵌入更大的软件生态系统中。
核心组成部分
智能体通常包含四个主要元素：用于感知环境的传感器或输入机制，用于影响环境的执行器或输出机制，选择动作的决策模块，以及指导选择的目標或效用函数。环境可以是完全可观察或部分可观察的，确定性或随机的，以及静态或动态的。这些属性决定了智能体设计的复杂性。
例如，一个下棋程序感知棋盘状态（完全可观察），通过搜索和评估选择走法，并通过更新棋盘来行动。相比之下，自动驾驶汽车在部分可观察、动态的环境中运行，需要概率推理和连续传感器融合。智能体的架构可以是反应式的（即时刺激-响应）、深思熟虑式的（提前规划），或混合式的，结合两种方法。
类型与架构
经典人工智能教科书将智能体分为几种类型：简单反射智能体、基于模型的反射智能体、基于目标的智能体和基于效用的智能体。简单反射智能体仅根据当前感知行动，而基于模型的智能体维护内部状态以处理部分可观察性。基于目标的智能体考虑未来后果，基于效用的智能体根据预期满意度评估行动。学习智能体通过经验改进其性能，通常使用深度学习或强化学习技术。
现代实现经常采用神经网络架构，如变换器模型，来处理图像或文本等高维输入。例如，基于大型语言模型的智能体可以解释自然语言指令并在模拟或真实环境中生成行动。这些系统通常结合感知模块、规划算法和记忆组件，模糊了传统智能体设计与端到端学习之间的界限。
应用与实例
智能体在技术中无处不在。Waymo和特斯拉自动驾驶开发自动驾驶智能体，感知道路、预测其他车辆行为并规划安全轨迹。在医疗保健领域，直觉外科创建机器人手术助手，以精确性和稳定性增强人类外科医生。来自OpenAI或Anthropic的虚拟助手充当对话智能体，通过API回答问题并执行任务。
在工业中，亚马逊网络服务和Azure提供基于智能体的自动化服务，如监控云基础设施和响应异常。谷歌DeepMind已生产出掌握围棋和星际争霸等游戏的智能体，展示了先进的规划和适应能力。金融交易系统使用智能体根据市场信号执行订单，而三星电子或苹果设备等平台上的推荐引擎个性化用户体验。
挑战与局限
尽管取得了进展，智能体仍面临重大挑战。在不可预测环境中的鲁棒性仍然困难；在模拟中训练的智能体常因分布偏移而在现实环境中失败。安全性和对齐是关键问题，特别是对于做出高风险决策的自主系统。确保智能体按照人类价值观行动需要仔细指定目标和约束，这是人工智能伦理中的一个活跃研究领域。
另一个局限是可解释性。许多现代智能体，特别是基于深度神经网络的智能体，作为黑箱运作，难以审计其决策。这在金融或医学等受监管领域是有问题的。计算效率也构成约束，因为实时智能体必须在推理深度和延迟之间取得平衡。模型剪枝、数据增强和高效架构方面的持续工作旨在解决这些问题。
未来方向
智能体的演进与生成式人工智能和多模态学习的进展密切相关。未来的智能体可能表现出更大的自主性、长期记忆和社交意识，使其能够与人类和其他智能体协作。多智能体系统的研究探索智能体集合如何协调、协商和竞争，在物流、交通管理和科学发现中具有应用。
随着硬件改进，来自英伟达或AMD等公司的专用芯片使智能体能够实时处理更大的模型和更复杂的环境。智能体与物联网设备和边缘计算的集成将扩大其覆盖范围。然而，社会影响，包括就业替代和隐私，需要谨慎治理。该领域持续发展，麻省理工学院计算机科学与人工智能实验室和斯坦福人工智能实验室等学术机构贡献基础研究。