在企业和个人关于AI智能体的讨论中，一个重要议题是如何将不同类型的智能体进行分类。换句话说，智能体有着不同的层次——有些相当简单，而另一些则极其复杂和熟练。

　　神经网络与人脑不同，它们更加多样化。由于没有经过数百万年的集体进化，它们可能不会像人脑那样具有相似性。

　　智能体之间最大的区别之一在于它们的记忆能力。

　　有状态系统具备某种数据回忆能力，为其工作提供持续的上下文。相比之下，无状态系统在每次用户会话开始时都会重新开始。你可以在聊天机器人或智能体中看到这种差异——它们要么记住你的历史，要么在每次交互时将你视为全新用户。

　　七种智能体类型

　　专家将AI智能体分为七个类别：

　　- 简单反射智能体

　　- 基于模型的反射智能体

　　- 基于目标的智能体

　　- 基于效用的智能体

　　- 学习型智能体

　　- 多智能体系统

　　- 层次化智能体

　　在记忆方面，最显著的区别在于前两种类型。ProjectPro的作者Manika举例说明：

　　"自动门传感器是简单反射智能体的例子。当传感器检测到门附近有移动时，它会触发开门机制。规则是：如果检测到门附近有移动，则开门。它不考虑额外的上下文，比如谁在接近或一天中的什么时间。"

　　而基于模型的反射智能体则如扫地机器人Roomba："它能绘制房间地图并记住家具等障碍物，确保清洁时不会反复撞到同一个地方。"

　　有状态智能体的特征

　　有状态智能体具有以下特征：

　　- 能够回忆先前的输入、用户历史或任务进展，从而更自然地响应并维持连贯对话

　　- 记住用户偏好、行为或目标，能够针对个人需求定制响应

　　- 涉及更高级的会话或记忆管理，增加了设计和实现复杂性

　　- 能够基于新信息、反馈或用户意图的变化动态调整行为

　　人类式交互

　　在最近的TED演讲中，Aditi Garg以与中学老友重聚为例说明："这就是人际关系的美妙之处，我们不必重新介绍自己，不必解释我们的内部笑话或喜爱的故事。我们只是从上次结束的地方继续，这是毫不费力的、个人化的，这让友谊变得如此有意义。"

　　相比之下，目前的AI系统缺乏生动的记忆："AI能够解读物理学，能够总结书籍，甚至能够创作交响乐，但一旦你打开新的聊天窗口，它就重置了。这就像在与一个才华横溢但患有健忘症的大脑对话。机器能够推理，但仍然无法记忆。"

　　重新构想记忆

　　Garg建议改变我们对记忆的传统理解："从根本上讲，我们将数据视为一个庞大的数字图书馆，包含可访问的字节信息。"

　　这种想法需要改进。AI的记忆需要实时可访问，像生物大脑那样在系统中流动。她将其比作每圈都需要加油的法拉利赛车，AI操作会浪费大量时间来访问系统的各个部分。

　　新系统将具有即时的、转换的有状态能力。"如果AI系统能够访问任何信息片段，它就永远不会忘记。如果它能在对话和项目中维持上下文...同样让GPU保持供给的存储突破，也是让AI记忆保持活跃的突破。"

　　这个目标与将记忆和计算放在同一位置有关。在数据中心规划中，工程师实际上将数据、操作和能源放在同一位置，比如核电站旁边的小型数据中心，存储库直接连接到将利用这些数据的中央大语言模型。

　　Garg总结道："我们站在具备记忆的AI门槛上。当记忆速度最终匹配思考速度时，我们让AI从患有健忘症的杰出大脑转变为你的数字双胞胎。"

　　这可能是机器学习和人工智能的下一个重大创新——你今天交互的模型将拥有更好的记忆，它们会显得更聪明、更"在状态"，因为它们会知道许多你期望它们知道的事情。了解这七种AI智能体类型很有必要，因为它们将长期成为讨论的一部分。

　　Q&A

　　Q1：什么是有状态智能体和无状态智能体？

　　A：有状态智能体具备数据回忆能力，能记住用户历史、偏好和任务进展，提供个性化响应。无状态智能体在每次会话开始时都重新开始，将用户视为全新的人，无法维持连贯的对话上下文。

　　Q2：AI智能体的七种类型都有哪些？

　　A：专家将AI智能体分为七类：简单反射智能体、基于模型的反射智能体、基于目标的智能体、基于效用的智能体、学习型智能体、多智能体系统和层次化智能体。其中最重要的区别在于前两种在记忆能力方面的差异。

　　Q3：为什么AI记忆系统需要与计算放在同一位置？

　　A：将记忆和计算放在同一位置能避免AI系统浪费大量时间访问分散的系统部分，实现实时记忆访问。这类似于在数据中心将存储库直接连接到大语言模型，让记忆速度匹配思考速度，使AI更加智能和流畅。