什麼是代理式 AI？

代理式 AI 系統的設計宗旨是提高自主性，這項技術會使用 AI 代理，也就是專門執行特定工作的自主實體。這項技術奠基於幾項核心要素：

1. 感知：代理式 AI 會先從周遭環境和不同來源收集資訊，例如感應器、資料庫和使用者介面，過程中可能需要分析文字、圖像或其他形式的資料，藉此瞭解情況。
2. 推論：代理式 AI 會使用大型語言模型 (LLM) 分析收集到的資料，瞭解背景資訊、找出相關資訊，並擬定可能的解決方案。舉例來說，如果目標是安排會議，LLM 會剖析電子郵件內容，找出與會者、可開會的時間和會議目的。
3. 規劃：接著，AI 會根據收集到的資訊制定計畫。這包括設定目標、將目標拆分成較小的步驟，以及找出達成目標的最佳方法。
4. 行動：AI 根據計畫採取行動，例如執行工作、做出決策或與其他系統互動。
5. 反思：採取行動後，AI 會從結果中學習，例如評估行動是否成功，並根據這項回饋調整未來的計畫和行動。「感知、規劃、行動和反思」會持續不斷進行，讓代理式 AI 隨著時間學習和進步。

Google Cloud 的 Gemini 平台提供全套工具，可用於訓練、建構及部署 AI 模型，包括適用於常見工作的預先訓練 API，以及進階用途的自訂訓練選項。Gemini 平台也提供 MLOps 工具，從資料準備到模型監控，協助您管理整個機器學習生命週期，這對持續開發和改良代理式 AI 系統至關重要。

雖然代理式 AI 和生成式 AI 都屬於人工智慧，且可以搭配使用，但兩者功能不同。

顧名思義，生成式 AI 的主要功能是根據輸入的提示詞，生成文字、圖片、程式碼或音樂等新內容。大型語言模型是生成式 AI 的核心，模型的價值在於其用途，以及功能擴充的便利性。例如，您可以生成或編輯內容，甚至執行簡單的函式呼叫，將各種用途串連在一起。

代理式 AI 是生成式 AI 的分支，擅長自動調度管理和執行代理。代理會將 LLM 當成「大腦」，透過工具執行動作。代理式 AI 不僅能創作內容和呼叫函式，還能在基礎系統中執行動作，達成更高層次的目標。

舉例來說，生成式 AI 可製作行銷素材，而代理式 AI 則可部署這些素材、追蹤成效，並根據結果自動調整行銷策略。換句話說，代理式 AI 可將生成式 AI 當成工具，用來達成目標。

「代理式 AI」和「AI 代理」這兩個詞彙經常交替使用，但兩者之間存在細微差異。AI 代理是代理式 AI 的組成元素。AI 代理就像工具箱裡的個別工具，而代理式 AI 可以協調及使用這些工具來蓋出一棟房子。

AI 代理通常專精特定工作，而代理式 AI 則會運用多個代理來處理複雜的工作流程。代理式 AI 好比統籌者，負責協調及管理這些代理，從而達成更廣泛的目標。

企業導入代理式 AI 時必須審慎考量，以下是幾項必須注意的關鍵要素。

• 目標明確：找出 AI 代理預計解決的特定問題，以及這些問題是否對應業務目標。
• 資料品質與準備：代理式 AI 系統必須仰賴高品質資料，才能做出準確的決策。企業必須確保資料準確、完整、即時並以適當格式整合，以利 AI 使用。
• 倫理影響：使用代理式 AI 時務必考量倫理影響，並保持負責任的態度，因為這類 AI 的決策可能會對人們的日常生活造成極大影響。您必須解決資料或演算法中可能導致不公平或歧視性結果的偏誤。舉例來說，用於核准貸款的 AI 系統不應對特定族群抱有偏見。此外，企業必須開誠布公地說明自家的代理式 AI 用途，並務必安排專人監督，以防產生意料之外的後果。
• 管理、安全性和法規遵循：代理式 AI 系統可能容易受到網路攻擊，因此必須遵守嚴格的資料隱私權標準。隨著組織擴大 AI 應用規模，必須實施防護措施 (例如工作區沙箱)，並確保資料不會在未經許可的情況下用於模型訓練。從開發到部署，每個階段都必須實施企業級安全控管機制，並確保有明確的法規遵循稽核途徑。
• 可解釋性：瞭解代理式 AI 系統的決策方式非常重要，尤其是在發生問題時。企業應投資建置能剖析決策過程的系統。SHAP (Shapley 疊加解釋) 或 LIME (局部可解釋的各模型通用解釋) 等技術可提高 AI 決策的透明度和邏輯性。這不僅有助於提升信任感，開發人員也能更有效率地偵錯及改善 AI 系統。
• 整合：代理式 AI 系統需要與現有的業務系統整合，這個過程可能較為複雜，需要仔細規劃和協調，包括確保 AI 系統與現有的 IT 基礎架構、資料格式和業務流程相容。此外，企業也可能需要解決資料遷移、系統整合和使用者採用率等潛在難題。
• 監控與評估：持續監控 AI 代理的成效、解決問題，並視需要修正演算法。  

企業應仔細評估自身需求和資源，再決定是否導入代理式 AI。此外，企業也應準備好投資建置必要的基礎架構、聘僱專業人才和實施培訓，確保成功採用這項技術。