自主式AI热潮之下：智能体离企业规模化落地还有多远？
自主式AI正快速发展，具备自主学习、推理和任务协同能力，有望提升企业自动化和效率，然而，多智能体系统技术复杂，跨平台互操作受限，数据安全和记忆能力不足也制约其深度应用。
智能体的潜力与现状已成为一个引发激烈争议的话题，专家表示，到2026年，智能体将在企业中逐步得到更广泛的应用，但前方仍存在失误和障碍。
自主式AI正迎来其“无所不在、包罗万象、一蹴而就”的时刻，果真如此吗?
那些在社交媒体、供应商公告以及思想领袖圈(这里夸大其词之风盛行)中追踪动态的IT从业者，难免会认为世界各地的企业很快将依赖智能体运行，这些软件片段能够从代码生成到内容创作，自动化执行各种任务。
他们看到有人宣称智能体劳动力时代已经到来(90%的IT支持工作将由智能体完成!)，还听到有进取心的程序员通过基于智能体的产品创造收入的轶事，与此同时，也有人声称，该行业正在被虚假宣传所误导，实际情况与炒作不符。
正如科技领域常见的情况一样，实际情况更为复杂，即便如此，数据仍能说明问题，麦肯锡的调查显示，虽然39%的企业表示正在试验智能体，但只有23%的企业已开始在一个业务职能中扩大智能体的应用规模。
智能体详解
首先，让我们退一步思考：智能体究竟是什么?为什么IT领导者对它们感到兴奋?
利用大型语言模型和其他来源提供的上下文理解和数据，智能体能够感知并从其系统环境中学习，并在努力实现目标的过程中通过推理解决问题。
智能体还可以与其他智能体以及其他应用程序协同工作，它们就像工蜂一样，忙碌地工作以取悦“蜂后”，高效达成目标是最终目标。
用户可能会通过上下文提示大型语言模型以获得期望的输出，而智能体则根据其编程的解决问题的逻辑以及训练数据，自行找出实现目标的方法。
Salesforce、Workday和微软等众多供应商已经将智能体嵌入到企业用于客户服务和其它功能的应用程序中。
为何智能体处于“加速与减速并存”模式
然而，跨平台运行的多智能体系统的应用进程较为缓慢，那些试图依赖智能体运营业务却遭遇高调失败，以及智能体出现灾难性技术故障的公司，并未对此起到推动作用。
IDC负责AI的高级研究总监Nancy Gohring表示，构建和运营多智能体系统在技术上颇具挑战性，而且供应商在弄清楚如何通过智能体生成和消费的数据实现盈利的过程中，对于使此类系统实现互操作犹豫不决。
“这既是一个技术问题，也是一个竞争态势问题，”Gohring说道，并补充说供应商希望将客户留在自己的生态系统中。例如，一家供应商的客户服务平台的API与另一家供应商的电子商务软件的API不兼容。
Cengage的CIO Ken Grady也认同，供应商在寻求竞争和保护其数据护城河时，目标相互冲突，他说，这是很少有公司能从智能体中获得真正价值的重要原因。
甚至开发人员也陷入了智能体困境
危险和风险这两个幽灵甚至笼罩在软件开发之上。
Voxel的CTO Bryan O’Sullivan表示，尽管各种规模的企业都已成功部署智能体来自动化代码，但数据泄露风险、供应商的封闭生态以及迅速累积的脆弱性，都削弱了智能体的应用前景，这可能会导致“一堆不可靠的垃圾，除了花费你大量资金外，毫无用处。”他说道。
如果智能体功能中哪怕有一小部分不精确，都可能导致整个流程脱轨，这或许解释了为什么IT部门往往是智能体应用的先锋，而其他业务部门则持观望态度，因此，O’Sullivan表示，“智能体在其他有价值领域的深度渗透”仍然有限。
其中一个问题源于记忆——或者更准确地说，是智能体缺乏记忆。为了实现自主操作的承诺，智能体必须能够访问长期、中期和短期记忆，这对于从执行的任务中学习至关重要。没有这些能力，它们本质上就像大型语言模型的聊天会话，其生命周期很短。
乐观的理由
然而，人们坚信，一旦AI行业找到解决这些挑战的方法——集体商业需求将推动其前进——智能体将能够自动化整个工作流程、整个流程，甚至可能自动化整个企业。
IT领导者可以将员工重新分配到更具战略性的任务上，或找到新的创新杠杆，这是由包括那些想象企业全天候运行、在人类休息时损失极小的伟大梦想家在内的科技梦想家们所延续的一个田园诗般的梦想。
IDC表示，至少在2026年，全球2000强企业中多达40%的职位角色将涉及与智能体合作，这将为许多企业重新定义工作流程。
Cengage的Grady表示，他相信供应商将为自己和客户找到最佳的前进道路。Grady预计，那些希望创建更高效业务流程的企业将扩大其智能体的应用规模。
他说，随着技术和协议的成熟，原本可能仅以2%的效率运行的业务用例，可能会增长到20%，并补充说，更多公司将寻求将成功的试点项目投入生产。
与此同时，IT领导者应该做些什么来为智能体型企业的到来做好准备呢?
由于智能体代表了一个新兴的技术类别，因此没有一套明确的采用指南，至少，没有一套专门针对智能体的指南。
即便如此，IDC的Gohring表示，IT领导者必须确定要运行和测试的试点项目，她补充说，随着他们对实验的信心和舒适度增强，在寻求扩大规模之前，他们应该建立控制和可见性机制。
公司应该构建核心抽象层和基本编排，进行测试、学习，并寻求纳入治理和监控能力，特别是在扩展到数十个或更多智能体时。
根据实际使用模式优化架构至关重要，而且，一如既往，快速失败并从中学习是这一过程中的关键部分。
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量