主动式AI（代理式）与生成式AI的关键差异与影响

大型语言模型（LLMs）如GPT可以生成文本、回答问题并协助完成许多任务。然而，它们是被动的，这意味着它们仅根据已学到的模式对接收到的输入作出响应。LLMs无法自行决策；除此之外，它们无法规划或适应变化的环境。

主动式AI（代理式）的出现正是为了解决这一问题。与生成式AI LLMs不同，主动式AI（代理式）能够采取主动行动、设定目标并从自身的经验中学习。它是前瞻性的，能够随着时间的推移调整其行动，处理需要持续解决问题和决策的复杂任务。从被动到主动的这一转变，为许多行业的技术发展开辟了新的可能性。

在本系列文章中，我们将深入探讨主动式AI（代理式）与生成式AI的区别，研究它们如何影响行业及科技的未来。在这篇首篇文章中，我们将首先探索区分这两种AI的核心特点。

什么是主动式AI（代理式）

主动式AI（代理式）是指能够自主决策并采取行动以完成特定目标的AI系统。这类AI模型不仅仅是生成内容，还能与环境互动、响应变化并在最少的人类指导下完成任务。例如，具有主动式（代理式）能力的虚拟助理不仅可以提供信息，还可以安排约会、管理提醒或执行其他操作以帮助用户实现目标。同样，无人驾驶汽车也是主动式AI（代理式）的典范，因为它们能够实时决策，安全地在道路上导航并独立到达目的地。

什么是生成式AI

生成式AI是一种专注于创建新内容（如文本、图像、音乐甚至视频）的人工智能。它通过学习海量数据中的模式、风格或结构来生成基于所学内容的原创作品。例如，像ChatGPT这样的生成式AI能够根据问题生成独特的文本回复，而像DALL-E这样的图像生成模型则可以根据文本描述生成图像。简单来说，生成式AI就像一位数字艺术家或作家，通过所学内容创作出新的作品。

上图展示了主动式AI（代理式）如何通过包含“思考/研究”和“修订”等阶段的迭代循环工作流程运作。这种适应性过程涉及持续的自我评估和改进，使主动式AI（代理式）能够生成更高质量、优化的输出。通过采取多步测试和完善的方式，主动式AI（代理式）可以独立运作，从每个阶段中学习，并完成需要持续评估和调整的任务。

相比之下，生成式AI遵循一个简单的单步工作流程：从“开始”直接到“结束”。这意味着AI会立即给出响应，而不会重新审视或完善其输出。其过程是线性的，生成的结果通常只能满足初始提示的基本要求，但无法应对边缘情况或进行迭代测试。这也体现了生成式AI在处理更复杂或适应性任务时的局限性。

主动式AI（代理式）与生成式AI的特性

下文探讨主动式AI（代理式）与生成式AI的独特特性，重点突出了它们在智能、自主性和决策方式上的不同方法。

主动式AI（代理式）

• 自主性：主动式AI（代理式）可以独立行动，无需人类的持续输入。它能够自主决策并完成任务，例如一台无需人类控制的机器人，根据环境决定下一步的行动。

• 目标导向行为：主动式AI（代理式）带着明确的目标运作。它不会随机响应，而是积极朝着特定目标努力。例如，无人驾驶汽车的每一次转向或刹车都是为了安全地将你送达目的地。

• 适应与学习：主动式AI（代理式）会从其行动和经验中学习。如果遇到问题或失败，它会进行调整。例如，一个推荐电影的AI会根据你的偏好改进推荐内容。

• 复杂决策能力：主动式AI（代理式）不仅能做出简单的选择，还能评估多个选项并考虑后果。例如，控制股票交易算法的AI会分析海量数据、预测趋势并根据这些信息决定买卖股票。

• 环境感知：为了做出明智的选择，AI需要理解其环境。它通过传感器或数据来感知环境。例如，机器人使用摄像头“看到”障碍物，然后绕行。

生成式AI

• 有限自主性：生成式AI的自主性有限。它不能独立行动，需要人类输入来生成响应。它根据接收到的输入生成输出，但无法自主采取行动或在没有外部提示的情况下运作。

• 任务导向行为：生成式AI是任务导向的，但仅限于被动响应。它根据特定的提示或任务生成相关内容（如文本或图像），但不会追求长期目标或具有总体目标。每个任务都基于即时输入完成。

• 基本决策能力：生成式AI从事基本的决策。它根据学到的模式选择输出，但不会评估多个选项或考虑后果。例如，在生成文本时，它选择最可能的下一个词或短语，但不会做出复杂、分层的决策。

• 缺乏学习与适应能力：生成式AI不能实时学习或适应。一旦训练完成，它只能基于训练期间学到的模式运作，除非用更新的数据重新训练，否则不会改变或改进其性能。

• 缺乏环境感知：生成式AI没有环境感知能力。它处理的是数据（如文本或图像），但无法感知或解释物理环境。它无法理解周围的情况，只能对输入做出反应，缺乏外部意识。

案例分析：主动式AI（代理式）工作流程的实际应用

尽管生成式AI与主动式AI（代理式）的理论差异显而易见，但只有在实际应用中才能真正体现主动式AI（代理式）的潜力。

Andrew Ng 分享了一项研究，展示了主动式工作流程在编码任务中的优势。他的团队在HumanEval编码基准上测试了两种方法。任务是：“给定一组整数，返回所有偶数位置元素的和。”

在第一种方法中，采用零样本提示（zero-shot prompting），AI直接尝试解决问题。GPT-3.5的准确率为48%，而GPT-4则表现更好，达到67%。尽管如此，这些结果并不算特别出色。

快速术语：

• 零样本提示：不提供额外指导或分步提示，直接要求AI解决问题。

• 主动式工作流程：将任务分解为多个阶段（如理解、编码、测试和调试），让AI逐步迭代和改进。

然而，当团队应用主动式工作流程（将任务分解为理解问题、部分编码、测试和修正错误等步骤）时，GPT-3.5的表现甚至超越了GPT-4。Ng指出，GPT-4在采用主动式工作流程时也表现更强。这表明，通过分步方法，尤其是对于较旧的模型，可以利用主动式工作流程超越更先进的模型采用传统方法的结果。

结论

随着AI在我们的生活和工作中变得越来越重要，理解主动式AI（代理式）与生成式AI的差异显得至关重要。生成式AI在文本生成、响应提示生成文本或图像等任务中非常有用，但它受限于遵循指令而缺乏真正的自主性。而主动式AI（代理式）则更进一步——它能够设定目标、自主决策并适应变化的环境，能够在无需人类持续指导的情况下承担复杂任务。

通过使用主动式工作流程等方法，AI系统能够更加高效，通过迭代步骤不断提升性能，并从每个阶段中学习。这一转变为先进应用打开了大门，也让旧模型得以持续改进并保持相关性。在本系列的后续文章中，我们将深入探讨主动式AI（代理式）的实际运作方式及其重新塑造行业和推动创新的潜力。