生成式AI与代理式AI入门指南：从物理模拟到智能决策

1次阅读

共计 2001 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触 AI 时最容易混淆的概念就是生成式（Generative）和代理式（Agent-based）AI。简单来说：

生成式 AI 像艺术家，专注创造新内容。比如用 Stable Diffusion 生成图片，或用 GPT 写故事。它的输出是开放性的——你永远猜不到下一次会生成什么。
代理式 AI 像决策者，专注在环境中做最优选择。比如 AlphaGo 下棋时评估胜率，或自动驾驶汽车判断是否变道。它的输出通常是确定性的动作指令。

在物理仿真领域，这两类 AI 各显神通：

生成式案例 ：预测流体运动时，模型需要根据初始条件生成未来多帧的粒子分布（类似天气预报）
代理式案例 ：控制机器人行走时，AI 需要持续调整关节力矩来保持平衡（类似人类小脑）

维度	生成式 AI	代理式 AI
训练成本	高（需大量生成样本）	中（依赖环境交互次数）
实时性要求	宽松（可离线生成）	严格（毫秒级响应）
输出确定性	概率性（多个合理结果）	确定性（最优策略）
典型架构	GAN/ 扩散模型	强化学习 /POMDP
物理仿真适用场景	现象预测	行为控制

import torch
import torch.nn as nn

# 定义简单的卷积 LSTM 预测器
class FluidPredictor(nn.Module):
    """
    输入: [batch, 2, 64, 64] 2 通道表示流速场 x / y 分量
    输出: 未来 5 帧的流速预测
    注释: 实际项目需用 3D 卷积处理时间序列
    """
    def __init__(self):
        super().__init__()
        self.encoder = nn.Sequential(nn.Conv2d(2, 32, 3, padding=1),  # 保持空间分辨率
            nn.ReLU(),
            nn.MaxPool2d(2)  # 下采样到 32x32
        )
        self.lstm = nn.LSTM(32*32*32, 256)  # 隐状态维度 256
        self.decoder = nn.Sequential(nn.Linear(256, 32*32*5*2),  # 输出 5 帧 x2 通道
            nn.Tanh()  # 限制输出范围)

    def forward(self, x):
        b, _, h, w = x.shape
        x = self.encoder(x)
        x = x.view(b, -1).unsqueeze(0)  # 时间步维度
        h, _ = self.lstm(x)
        return self.decoder(h).view(b, 5, 2, h, w)

# 训练提示：需用 Navier-Stokes 方程生成的数据
# 损失函数建议：物理约束 + 预测误差的混合损失

class DroneController:
    """
    基于有限状态机的四旋翼飞行控制器
    状态包括：悬停、避障、返航
    注释：简化版逻辑，实际需结合 PID 控制
    """
    def __init__(self):
        self.state = "HOVER"
        self.battery = 100

    def update(self, sensors):
        """
        输入: sensors 字典包含
            - 障碍物距离 (meters)
            - 电量百分比
            - GPS 坐标
        """
        # 规则 1：低电量时优先返航
        if self.battery < 20 and self.state != "RETURN":
            self.state = "RETURN"
            return self._calc_home_vector()

        # 规则 2：近障碍物时避障
        if sensors["obstacle"] < 2.0:
            self.state = "AVOID"
            return self._avoidance_move()

        # 默认悬停指令
        self.state = "HOVER"
        return [0, 0, 0.1]  # 微调高度