产品简介

产品简介

有灵平台 是实时人机协作线上任务平台，支持用户发布任务，AI智能体与人类智能体协作帮助用户完成任务。

平台上有海量AI智能体 和丰富的人类智能体 ，AI智能体包括最新的AI大模型和算法，人类智能体通过群体智能被组织起来，人机协作高效完成任务。有灵平台的核心技术是AOP（Agent-Oriented-Programming，面向智能体编程） 。

那我们为什么要设计并推广AOP，使用AOP的好处是什么？ 简单来说，随着老龄化和用工荒的加剧，大量工作都需要机器人或AI技术来替换原有人力劳动。但现有的机器人或AI技术都存在着明显的能力缺陷，在很多任务场景下，我们无法将所有的工作内容都交给机器处理，更多时候机器扮演的还是一个辅助人工的角色。基于此，我们希望AOP从智能体的角度出发，统一AI和人工的表示方式，用一致的接口或服务来供任务方使用，并自动构建数据闭环让智能体具备自主进化能力。

基本概念

任务和智能体

任务： 对应日常生活或工作上的任务。如到达某地、完成某项工作，都可以被理解为完成任务。

智能体： 一个任务可以由单个或多个智能体协作完成，智能体可以是人类或者机器（AI）。单个智能体可同时具备多个能力。

智能体的能力

感知： 是智能体通过各种传感器，如人类眼睛、耳朵、鼻子、皮肤，机器人的摄像机、麦克风等从环境中获取信息的过程。

认知： 是智能体对已有的信息，在大脑中做加工处理，推断出更多信息的过程。

决策： 是智能体基于直接的感知信息或间接的认知信息，决定要执行的动作，从而改变状态，实现某种目标、获取某种收益的过程。

行动： 是智能体通过各类执行器（如手、腿、口等）根据决策执行动作的过程。

智能体的观察、状态、动作、奖励

观察： 智能体通过各种传感器从环境中获取的信息

状态： 智能体对信息在大脑中做加工处理，推断出的更多信息。状态是某一时间点对该世界的描述。

动作： 智能体基于直接的观察信息或间接的状态信息，选择要执行的动作

奖励： 智能体执行动作后，环境对智能体的反馈，包括正反馈和负反馈

为什么要面向智能体编程？

一个出行的例子

假如我是一个乘客，要从A出发到目的地B ，我希望一个智能体Agent能作为司机驾驶车辆，帮我完成这个任务。伪代码示例如下：

now = start = A
target = B
driver = DriverAgent()
while now != target:
    now = driver.drive()

从上面的代码中我们可以看到，我需要一个司机来载着我从A到B。但我真的是需要一个真人司机从头到尾开到底吗？其实不是的，我只是需要一个抽象的智能体driver ，能帮我完成这个任务。这个driver可以是一个司机，也可以是一个有能力辅助驾驶的AI。

以目前的辅助驾驶为例，这个driver可能在大多数时候是AI，而在一些极端情况时则变成了司机。但我作为一个乘客，其实我并不关心这个过程，对我来说我只是需要一个"driver"。

那到AOP中，核心就变成了我们提供一个抽象driver 给对方使用，其本质在driver这个对象的实现上，如何更好地结合人机协作并对外隐藏掉这个过程。

class DriverAgent():
    def drive(self):
        observation = self.get_observation()  # 获得实时的路况信息
        if self.can_ai_drive(observation): 
            # 如果当前路况AI能处理，则让AI处理
            operation = self.ai_driver_drive(observation)
        else:
            # 控制权交给司机，让司机处理
            operation = self.human_driver_drive(observation) 
        # 车辆执行操作指令
        next_position = self.car.execute(operation)
        return next_position

因为我们要做的是线上任务，所以跟目前常见的辅助驾驶不同，我们的人机协作主要指的是线上任务的人机协作。以网易伏羲正在做的远程挖机为例，我们的人类司机并没有坐在挖机上，而是通过视频、三维重建地图等信息远程地观察工地，并通过APP等方式远程操控挖机。

这样通过网易伏羲的有灵众包 ，我们可以让每个工作者不出家门，就可以在线上工作。接下来为了更好地理解这个例子，对上面的辅助驾驶稍作修改，远程操作控制智能挖掘机。

class ExcavatorDriverAgent():
    def drive(self):
        observation = self.get_observation()  # 获得实时的工地情况
        if self.can_ai_drive(observation): 
            # 如果当前AI能处理，则让AI处理
            operation = self.ai_driver_drive(observation)
        else:
            # 控制权交给司机，让众包的远程司机处理
            operation = self.crowdsourcing_human_driver_drive(observation) 
        # 挖掘机执行操作指令
        self.excavator.execute(operation)

数据闭环

在AOP中，我们既然天然支持人机协作 ，自然就要充分利用人机协作时“人”的数据，并通过这些数据不断提升“机”的能力。在AOP中，人机协作的人类智能体通过有灵众包实现。在AOP中，我们将自动对“人”的数据进行持久化，也就是通过数据的接口把数据自动存储下来，以便进一步提升AI能力。

class ExcavatorDriverAgent():
    def crowdsourcing_human_driver_drive(self, observation):
        # 把任务发给众包，告诉众包系统当前任务以及任务相关的信息
        operation = self.request_crowdsourcing(self.task_id, observation)
        # 伪代码，数据接口自动存储
        shuyuansdk.save(observation, operation)
        return operation

主动学习

有了持久化的数据，我们就可以让AI进一步学习。目前常见的学习方式分成三种，监督学习、无监督学习和强化学习。

通过"人"的输入输出数据，我们可以通过模仿学习 （监督学习的一种形式），让AI模仿“人”的认知和决策方式；通过记录环境的数据，我们可以使用无监督学习 ，学习环境的状态转移、隐状态表示等；通过直接跟环境交互，我们也可以使用强化学习 让AI直接学习策略。

为了支撑这些能力，AOP中提供一套AI开发的工具，来管理和使用数据。通过AOP定义的主动学习相关信息，AI开发系统将自动获取持久化的数据，并通过调用默认的算法或者AI算法研究员提供的算法来进行主动学习。对于模型管理这块，AI开发系统将提供模型训练、模型评估、模型发布和模型更新的能力。

IDL简介

AOP使用IDL（接口描述语言，Interface description language） 描述任务要素，要素包括数据结构类型、任务目标、环境、智能体基本要素和各项能力等，本身不包含执行逻辑的部分。当前主要用Python来表示任务的运行逻辑及智能体的运行，以下是一个IDL定义图片分类任务以及对应智能体的示例：

class CatCategory (IntEnum):
    狗 = 0
    猫 = 1
 
 
class Aop_Zhongbao(Task):
    ''' 定义任务 '''
 
    class Aop_Agent(Agent):
        ''' 定义智能体 '''
        a: Observation[Image]
        b: MemState[CatCategory] 
 
        @cognition(
            category = "Human",
            input = ['a'],
            output = ['b'],
            persistent = True,
            tasktype = '动漫风格图片二分类'
 
        )
        def annotate():
            ''' 定义能力'''

AOP IDL示例说明

关键字和数据结构

基本数据结构 int，float，double，string，bool，long，dict, list，matrix，tensor

复杂数据结构

  • enum：枚举
  • struct：结构体/类
  • typedef：自定义类型（别名）

关键字

  • task：任务
  • agent：智能体
  • env：环境
  • name：名字
  • desc：描述
  • type：类型
  • version：版本
  • observation：观察
  • state：状态
  • action：动作
  • cognition：认知能力
  • policy：决策能力
  • reward：奖惩

任务定义

定义一个任务的类，继承自Task任务父类，在任务中定义智能体

class Aop_Zhongbao(Task):
    ''' 定义任务 '''

智能体定义

定义一个智能体的类，继承自Agent智能体父类，在智能体中定义能力Capability

    class Aop_Agent(Agent):
        ''' 定义智能体 '''

智能体能力

能力的定义使用了Python装饰器，@cognition定义认知能力，@policy定义决策能力，用户可按此格式定义能力

  • category支持"Ai"、"Human"、"logic"
  • input、output用来定义能力的输入和输出参数
  • persistent为是否要将输入输出的参数持久化
  • "Human"类型的众包能力需要定义tasktype任务类型，"Ai"、"logic"则不需要定义tasktype
        @cognition(
            category = "Human",
            input = ['a'],
            output = ['b'],
            persistent = True,
            tasktype = '动漫风格图片二分类'
 
        )
        def annotate():
            ''' 定义能力'''
数据标注任务简介