生成式AI与代理式AI的技术对比及物理世界应用实践

1次阅读

共计 1968 个字符，预计需要花费 5 分钟才能阅读完成。

生成式 AI（Generative AI）是一类专注于生成新数据的模型，其核心目标是学习数据的潜在分布，然后生成与训练数据类似的新样本。常见的生成式 AI 包括 GAN（生成对抗网络）、VAE（变分自编码器）和最近的扩散模型（Diffusion Models）。这类模型广泛应用于图像生成、文本创作、音频合成等领域。

特点：
能够生成全新的数据样本
通常是无监督或半监督学习
输出可以是连续的（如图像）或离散的（如文本）

代理式 AI（Agent-based AI）则是指具备决策能力的智能体，它通过感知环境、制定策略并执行动作来实现特定目标。强化学习（Reinforcement Learning）是代理式 AI 的典型代表，其他还包括对话系统、游戏 AI 等。

特点：
强调与环境的交互
目标是最大化某种奖励信号
通常需要明确的动作空间和状态空间

生成式 AI：
通常包含生成器和判别器（如 GAN）
需要设计合适的损失函数（如对抗损失、重构损失）
关注数据的分布匹配
代理式 AI：
包含策略网络和价值网络（如 Actor-Critic）
需要设计奖励函数和环境模拟
关注长期回报的最大化

生成式 AI：
通常使用对抗训练或最大似然估计
训练目标是生成数据的质量（如 FID 分数）
需要大量高质量的训练数据
代理式 AI：
使用策略梯度或 Q -learning
训练目标是累积奖励
需要设计合理的探索策略（如 ε -greedy）

工业设计 ：生成式 AI 可以用于快速生成产品原型，如汽车外形设计或家具模型。
医疗影像 ：通过生成合成数据，帮助解决医疗数据稀缺问题。

机器人控制 ：代理式 AI 可以用于训练机器人完成复杂任务，如抓取物体或行走。
自动驾驶 ：通过强化学习训练车辆在复杂环境中安全行驶。

import torch
import torch.nn as nn

# 生成器
class Generator(nn.Module):
    def __init__(self, latent_dim):
        super().__init__()
        self.model = nn.Sequential(nn.Linear(latent_dim, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 784),  # 假设生成 28x28 图像
            nn.Tanh())

    def forward(self, z):
        return self.model(z)

# 判别器
class Discriminator(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(nn.Linear(784, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 1),
            nn.Sigmoid())

    def forward(self, img):
        return self.model(img)

import tensorflow as tf
from tensorflow.keras import layers

class DQN(tf.keras.Model):
    def __init__(self, num_actions):
        super().__init__()
        self.dense1 = layers.Dense(64, activation='relu')
        self.dense2 = layers.Dense(64, activation='relu')
        self.q_values = layers.Dense(num_actions)

    def call(self, states):
        x = self.dense1(states)
        x = self.dense2(x)
        return self.q_values(x)