[论文解读] A Systematic Approach to Artificial Agents

Mark Burgin, Gordana Dodig-Crnković|ArXiv.org|Feb 20, 2009

Multi-Agent Systems and Negotiation参考文献 11被引用 7

一句话总结

本文基于人工智能代理的认知与功能能力，提出了一种系统化的分类方法，引入了一个分层框架，通过其推理、学习与自主性水平来区分不同类型的代理。其主要贡献在于构建了一个结构化的分类体系，为未来人工智能与多智能体系统在系统设计与问题求解中的应用提供了清晰的代理类型界定。

ABSTRACT

Agents and agent systems are becoming more and more important in the development of a variety of fields such as ubiquitous computing, ambient intelligence, autonomous computing, intelligent systems and intelligent robotics. The need for improvement of our basic knowledge on agents is very essential. We take a systematic approach and present extended classification of artificial agents which can be useful for understanding of what artificial agents are and what they can be in the future. The aim of this classification is to give us insights in what kind of agents can be created and what type of problems demand a specific kind of agents for their solution.

研究动机与目标

• 为应对人工智能代理研究日益增长的理论基础需求，尤其是在代理成为普适计算与智能系统核心的背景下。
• 解决当前缺乏统一分类体系的问题，该体系可依据代理的认知与操作能力对不同类型代理进行区分。
• 提供一个结构化框架，指导特定应用领域中合适代理类型的选取。
• 明确不同代理类型之间的概念边界，包括反应式代理、目标导向代理、学习型代理与自主代理。
• 通过识别最适合解决特定问题类别的代理类型，支持未来智能系统的发展。

提出的方法

• 基于代理的认知与功能复杂度，提出一种分层的代理分类方法。
• 通过逐步提升的自主性、推理能力、学习能力与适应能力来定义代理类型。
• 提出一个正式框架，依据代理的信息处理能力与决策机制对代理进行分类。
• 采用系统化方法，依据代理在动态环境中感知、推理、学习与行动的能力来区分其类型。
• 应用数学逻辑与自动机理论中的理论构念，以建模代理行为与能力。
• 建立基于形式化标准（如目标导向性、适应性与自我修复行为）比较与对比不同代理类型的基础。

实验结果

研究问题

• RQ1 在认知与功能能力方面，不同类型人工代理的根本区别是什么？
• RQ2 系统化的代理分类如何改善特定应用领域中代理的设计与选择？
• RQ3 哪些标准可定义人工代理自主性与智能水平的递增？
• RQ4 哪些代理类型最适合解决智能系统中的复杂、动态或不确定问题？
• RQ5 如何将来自逻辑学与自动机理论的形式化框架应用于建模与分类人工代理？

主要发现

• 本文建立了一个全面的人工代理分类体系，涵盖从简单反应式代理到高度自主、具备学习能力的系统。
• 基于其推理、学习与适应行为，识别出若干独立的代理类别，提供了清晰的能力层级结构。
• 该分类体系实现了代理类型与问题领域之间的更好匹配，从而提升了系统设计与功能表现。
• 该框架揭示出，具备更高认知能力（如自我意识与长期规划）的代理在复杂、开放的环境中至关重要。
• 研究表明，形式化分类可显著增强对人工智能与机器人学中代理系统理论理解与实际部署能力。
• 所提出的体系为代理导向计算与多智能体系统工程的未来研究奠定了基础。