AI 代理人發展新路徑：Plurai 借鏡自動駕駛訓練技術提升可靠性

人工智慧的快速演進促成了 AI 代理人（AI agents）的興起，這些系統日益被賦予處理複雜現實環境任務的責任。然而，這些系統在可靠性與一致性方面仍面臨挑戰。

新創公司 Plurai 提出了一種創新方法：應用與自動駕駛車輛技術開發中同樣關鍵的「端到端」（end-to-end）訓練方法論。這項策略的核心在於認知到自動駕駛車輛與 AI 代理人本質上皆為機率系統。

在自動駕駛領域，端到端模型允許車輛直接處理原始感測器資料並對映至駕駛指令，而非依賴僵化的規則架構。這使得系統能適應不可預測的路況、天氣及人類行為。

Plurai 主張，AI 代理人面臨類似障礙，必須在結果不完全確定的動態數位環境中運作。透過採用這種「從經驗中學習」的框架，Plurai 試圖擺脫傳統且脆弱的軟體工程實踐。

該公司建議，與其硬編碼代理人可能遇到的每一種情境，不如讓代理人在大量成功互動的資料集上進行訓練。這能使模型對環境產生更細膩的理解，從而提升決策能力。

產業專家指出，儘管這種類比引人入勝，但從實體道路導航轉向數位任務自動化仍存在獨特挑戰。自動駕駛依賴高保真感測器資料，而 AI 代理人通常在抽象的軟體介面中運作。

儘管如此，Plurai 仍持樂觀態度，認為將代理工作流視為持續學習問題而非靜態程式設計任務，將能顯著提升 AI 代理人在專業與個人場景中的效能與可靠性。

隨著產業持續應對現有大型語言模型的侷限性，Plurai 轉向機器人與汽車領域已證實有效的方法論，代表了我們構建下一代智慧工具方式的重大轉變。

這種方法是否能為軟體代理人帶來與自動駕駛運輸同樣的突破性成果尚待觀察，但對機率韌性的關注，顯然是邁向更強大 AI 系統的一步。

來源: TechCrunch