Agentic AI 准备好处理我们开展业务的方式了吗？

快速阅读: 《福布斯》消息，具代理性的AI备受关注，但其广泛应用受能源消耗、学习效率及数据质量等挑战制约。AI需更强算法和优质数据，企业应专注基础工作而非盲目追逐热潮，以实现生产力增长。

具代理性的AI热潮总是令人兴奋，但当尘埃落定后，真正艰难的问题开始浮现。具代理性的AI也是如此，它现在已经引起了广泛关注。

德意志新闻社/图片联盟通过Getty Images提供照片

具代理性的AI是否很快会像20世纪90年代的个人电脑一样成为企业运营的基础？这是许多专家最近一直在讨论并试图回答的大问题。

需要明确的是，行业内对具代理性的AI究竟意味着什么存在很多议论，甚至有人认为它正在迅速成为另一个过度炒作的流行语。而像谷歌高级产品经理瑞安·萨尔瓦和GitHub前产品副总裁这样的人则表示，他们已经对“代理”这个词感到厌倦。萨尔瓦在最近的一次采访中告诉TechCrunch，他认为行业对“代理”一词的滥用已经到了几乎毫无意义的地步。

然而，在某些基本层面上，似乎业界普遍认同这样一个事实：与专注于大规模生成文本、图像、视频和音频的生成型AI不同，具代理性的AI旨在采取行动、做出决策并执行任务，其自主性不断提高。

但真的，具代理性的AI对全球企业的价值有多大？它们是否已准备好应对我们做生意的方式，尤其是在人工智能热潮继续面临能源消耗、学习效率和数据可靠性等挑战的情况下？

人工智能的巨大能源需求

技术热潮总是令人兴奋，但当尘埃落定后，真正艰难的问题开始浮现。具代理性的AI也是如此，它现在已经引起了广泛关注。

事实是，具代理性的AI广泛应用取决于解决与AI相关的日益严重的能源危机。正如我在福布斯上几篇文章中所指出的那样，该行业已经在努力应对GPU的巨大电力需求，超大规模数据中心甚至正在探索核能以维持AI的发展。

更多内容：

联邦调查局警告Chrome、Safari和Edge用户——不要使用这些网站

谷歌表示，您有7天时间采取行动以防止Gmail被锁定攻击

纽约时报‘Strands’今日：3月17日星期一的提示、拼字游戏和答案

“今天对GPU和AI基础设施进行的巨大资本支出投资反映了过去的工业革命，当时基础技术重塑了经济，”Informatica首席执行官阿米特·瓦利亚说。“虽然硬件至关重要，但能源效率将是AI采用的关键因素。”他补充道。

AI模型，尤其是那些需要实时决策的模型，需要大量的处理能力。这意味着无法优化其AI基础设施的公司可能面临不可持续的运营成本。

然而，瓦利亚指出了节能型AI模型作为解决AI能源问题的关键一步。他告诉我：“高效能的AI代理，使用更少的电力，降低运营费用，并符合环保目标，将使它们更具吸引力。”

尽管AI的巨大能源需求是当前AI发展面临的重大挑战，但还有更多的问题摆在眼前。

更智能的学习算法的需求

除了AI数据中心的基础设施问题和能源消耗问题外，AI代理还必须具备超出传统AI模型的学习和适应能力。

幸运的是，强化学习——根据瓦利亚的说法，允许AI代理随着时间推移通过真实世界和合成数据模拟不同场景来完善其行为——在这方面正成为关键推动因素，使得AI代理能够通过试错过程而不是完全依赖预先编程的输出来改进其决策。

“生成型AI模型主要依赖于转换器将自然语言输入转化为输出，但AI代理需要更多：从经验中学习并自主做出决策的能力，”瓦利亚指出。

Interface.ai首席执行官斯里尼瓦斯·尼亚伊也呼应了瓦利亚的观点，指出强化学习（通常简称为RL）对于执行复杂任务的AI代理来说是不可或缺的。

“对于必须端到端执行任务的具代理性的AI来说，RL使AI能够导航决策树，适应不断变化的条件，并通过从成功和错误中学习来不断改进，”尼亚伊解释道。“与其仅仅生成答案，代理学会了以实现可衡量业务成果的方式行事。”

然而，尽管RL使AI能够动态地改进决策，但它远非万灵药。RL存在诸多限制，包括但不限于高昂的数据和计算成本、缺乏关于模型为何做出特定决策的可解释性，以及在RL模型在一个环境中训练后难以适应新情况时的迁移学习效果差。特别是，RL模型在未经过大量重新训练的情况下往往难以适应新的环境。

这就是为什么许多前沿AI应用现在将RL与其他方法如监督学习、非监督学习和检索增强方法（如RAG）结合使用以克服RL的局限性。

其实很简单：随着AI不断发展，我们需要越来越聪明的算法，否则我们将面临过时的风险。如果考虑到大多数今天的AI模型实际上做着相同的事情，只是有些在某些基准测试上表现得更好，那么可以说这种过时现象已经开始了。

数据挑战

虽然数据仍然是AI性能的核心，但它也是具代理性的AI的最大瓶颈。

AI代理的表现仅限于其训练数据的质量。如果没有高质量、领域特定的数据，它们在医疗保健、金融和客户服务等特定行业环境中无法有效运作。

“我们的最新CDO报告发现，43%的企业将数据质量、完整性和准备度视为部署AI计划的最大障碍，”瓦利亚强调，“即使是最先进的AI模型，没有高质量、领域特定的数据也会失败。”

尼亚伊在金融服务领域亲眼目睹了这一挑战，AI代理正在在线银行和欺诈检测等领域进行测试。“数据孤岛、监管约束和不一致的格式使得AI难以自信地行动，”他说。

但要解决这个问题，尼亚伊认为“关键是现代化数据基础设施，统一孤岛并确保实时访问高质量信息。”

现实检验

随着潮流与现实分离，在兴奋之余，现在更加明显的是，大多数企业尚未准备好完全将决策权交给AI代理——特别是在涉及客户关系、金融交易或战略规划的高风险场景中。

“毫无疑问，AI代理将改变商业运作方式，但目前它们在结构化、重复性任务方面表现出色，”瓦利亚说。“在高风险决策方面，炒作往往超越了现实。最终，所有事情都是由人类创造的。管理这些人很重要。AI代理尚未准备好完全管理复杂的客户关系或在无人监督的情况下运行。”

尼亚伊也同意这一点，他指出，虽然AI可以处理纠纷解决和贷款申请等流程，但监管机构和高管都将要求对更复杂的流程进行人工监督。“指导原则是‘AI用于任务，人类用于判断’，”他说。“AI代理擅长基于规则的过程，但人类提供了保障措施——尤其是在信任和同理心至关重要的例外情况下。”

选择策略而非热潮

我们正处于一场可能漫长的变革的开端，类似于企业软件和云计算的崛起。虽然AI代理无疑会变得更加有能力，但企业首先必须专注于基础工作：确保数据准备就绪，提高员工的AI素养，并以推动可衡量生产力增长的方式整合AI。

“GPU效率、强化学习和领域特定数据的进步都在加速采用，”瓦利亚指出。“那些精通数据管理和与AI代理协作的企业将处于领先地位。”

说实话，还不清楚AI代理真正改变业务运营所需的核心要素何时会到位，或者需要多长时间。但在那之前，专注于战略AI部署而非追逐热潮的公司将获得实际回报。

(以上内容均由Ai生成)