这一页讲的是 COMPSCI 712 课程的第五讲，主题是 Agency（代理性）、自由意志和自主性。

这一页讲的是 COMPSCI 712 课程的第五讲，主题是 Agency（代理性）、自由意志和自主性。这一讲探讨了人工智能在伦理和社会中的角色，尤其是其代理性（Agency）的定义和表现。代理性是指个体或系统能够自主做出决策并采取行动的能力。在 AI 领域，代理性涉及机器是否具备自主性（Autonomy）以及如何与人类的自由意志（Free Will）相结合。这些概念在伦理学中非常重要，因为它们决定了 AI 的责任归属和社会影响。例如，一个具备高度代理性的 AI 是否应该承担决策后果？这节课可能会讨论相关的哲学理论和实际应用场景，如自动驾驶汽车如何平衡自主决策与伦理责任。这些内容对于理解 AI 的社会影响和设计原则非常关键。

这一页讲的是 AI 中的“智能体”概念，列出了多种类型，包括 Agentic AI、智能体、自治体等。

这一页讲的是 AI 中的“智能体”（Agent）概念，强调它在人工智能领域的重要性。智能体是能够感知环境并采取行动以实现目标的实体。幻灯片列出了几种常见的智能体类型：例如 Agentic AI，指具有目标导向行为的人工智能；智能体（Intelligent agents），强调它们的智能决策能力；自治体（Autonomous agents），能够独立运行；理性体（Rational agents），以最优方式行动；反应型智能体（Reactive agents），专注于即时响应；深思型智能体（Deliberative agents），能够规划和推理；学习型智能体（Learning agents），具备学习能力；以及多智能体系统（Multi-agent systems），涉及多个智能体协作。这些分类帮助我们理解智能体的功能和应用场景，例如在机器人、自动驾驶和分布式系统中的应用。

这一页讲的是 NASA 的 Remote Agent AI 系统，它控制 Deep Space 1 航天器。主要内容包括 Remote Agent 的独立性、传统控制方式的对比，以及其核心组件。

这一页讲的是 NASA 的 Remote Agent，它是一个独立的 AI 系统，用于控制 Deep Space 1 航天器。传统航天器控制依赖地面发送详细计划，遇到问题时需等待地面更新。而 Remote Agent 仅需地面发送高层目标，便可自主生成计划并执行任务。其核心组件包括三个部分：Planner 负责任务规划；Executive 负责计划执行；Diagnostic system 用于故障诊断和推理。右下角的流程图展示了 Remote Agent 的架构，包括任务管理器、规划专家、实时控制等模块的交互关系。这种设计显著提高了航天器的自主性和效率。例如，当航天器遇到未知障碍时，Remote Agent 可快速调整计划而无需等待地面指令。这种系统对于深空探索任务尤为重要，因为通信延迟较大。

这一页讲的是人工智能的定义，引用了 Stuart Russell 和 Peter Norvig 的观点。他们认为人工智能是研究能够从环境中接收感知并采取行动的智能体（agents）。

这一页讲的是人工智能（Artificial Intelligence）的定义，引用了 Stuart Russell 和 Peter Norvig 在《Artificial Intelligence – A Modern Approach（第四版）》中的观点。他们将人工智能定义为“研究能够从环境中接收感知（percepts）并采取行动（performs actions）的智能体（agents）”。这里的“智能体”是指能够感知环境并根据感知采取适当行动的系统或实体，例如自动驾驶汽车或智能机器人。这个定义强调了人工智能的核心是感知与行动的结合，体现了智能系统的自主性与适应性。这一定义的重要性在于，它为人工智能研究提供了一个清晰的框架，帮助我们理解如何设计和评估智能系统。比如，自动驾驶汽车通过摄像头和传感器感知道路状况（感知），然后根据算法选择适当的驾驶行为（行动），这正是智能体工作的典型例子。

这一页讲的是智能体 (Intelligent Agents) 的基本结构和交互流程。重点包括智能体如何通过传感器获取环境信息，以及通过执行器对环境进行操作。

这一页讲的是智能体 (Intelligent Agents) 的工作流程和组成部分。智能体是一个能够感知环境并采取行动以实现目标的实体。图中展示了智能体与环境的交互过程：首先，智能体通过 Sensors（传感器）从 Environment（环境）中获取 Percepts（感知信息），这些信息被输入到智能体的内部决策系统中（图中用问号表示）。然后，智能体根据感知信息和内部算法做出决策，通过 Actuators（执行器）产生 Actions（行动），作用于环境。这个循环持续进行，使智能体能够动态适应环境的变化。例如，自动驾驶汽车就是一个智能体，它通过摄像头和雷达感知道路情况（传感器），然后通过方向盘和刹车系统（执行器）调整驾驶行为以避免碰撞。这一结构是理解人工智能系统设计的基础，强调了感知、决策和行动的闭环过程。

这一页讲的是 Action、Agent 和 Agency 的关系，定义了 Agent 和 Action，并通过图示说明 AI Agent 的行为与环境的交互。

这一页讲的是 Action（行为）、Agent（代理）和 Agency（能动性）的关系。首先定义了 Agent 是执行 Action 的主体，而 Action 是 Agency 的表现或体现。通过这些定义，作者提出理解 AI Agent 的关键在于理解其行为（Action）。幻灯片下方的图表展示了 Agent 与环境的交互关系：Agent 通过 Sensors（传感器）感知环境，接收 Percepts（感知信息），并通过 Actuators（执行器）对环境做出 Actions（行动）。红框标注的部分强调了 Agency，即 Agent 的能动性在这种交互中的作用。举例来说，一个自动驾驶汽车作为 Agent，会通过摄像头和雷达感知道路环境（Sensors），分析数据后做出转弯或停车的行为（Actions），体现了其 Agency。

这一页讲的是行动（Action）的不同类型及其在 AI 应用中的意义。主要包括主动/被动行动、基本行动和有意的人的行动。

这一页讲的是行动（Action）的概念及其分类。首先，行动可以分为主动和被动（active/passive distinction），例如火对木柴的作用是被动的。其次是基本行动（basic action），例如猫吃食物，这种行动比火的作用更复杂。最后是有意的人的行动（intentional human action），例如人类去商店购物或注册手机计划，这类行动包含明确的意图。幻灯片还指出，许多 AI 应用涉及模拟人的有意行动，例如下棋、分拣水果或生成机票价格等。然而，部分 AI 应用则专注于空间导航任务，例如 NASA 的远程代理（Remote Agent）或自动驾驶汽车。这些分类帮助我们理解行动的复杂性及其在人工智能领域的应用场景。

这一页讲的是理性代理(Rational Agents)的定义与特性。重点包括独立性、自治性以及自主决策能力。

这一页讲的是理性代理(Rational Agents)的定义与特性。根据 Michael Wooldridge 的观点，理性代理是指能够进行独立(independent)和自治(autonomous)行动的计算机系统，其目的是实现设计目标(design objectives)。简单来说，这些代理可以自主决定(deciding for themselves)在特定情境下应该采取什么行动。这种能力使得代理能够适应复杂的环境并完成任务。理性代理的核心特性包括独立性，即不依赖外部直接控制；自治性，即能够根据自身的目标和规则采取行动；以及自主决策能力，能够分析环境并选择最佳行动方案。这些特性在人工智能系统中非常关键，例如自动驾驶汽车能够根据交通状况自主选择路线，或智能助手根据用户需求提供建议。

这一页讲的是Air Canada因其聊天机器人误导客户而被要求赔偿的案例。主要提到公司试图推卸责任，声称机器人行为独立。

这一页讲的是Air Canada因其聊天机器人（chatbot）提供错误信息而导致的法律纠纷。客户因机器人错误地提供了关于丧亲票价（bereavement fare）的信息而受到误导，最终公司被要求赔偿。Air Canada试图辩解称，机器人是独立行为的主体，公司不应对其行为负责。这一案例突出了AI系统在商业应用中的责任问题，以及企业是否能够以技术独立性为由规避法律责任的重要讨论。图片展示了Air Canada的飞机尾翼，强化了案例背景与航空公司的关联。链接提供了相关报道的来源，说明了事件的具体细节。这一案例提醒我们，AI技术的使用需要明确责任归属，特别是在涉及消费者权益时，企业不能简单地将责任归咎于技术。

这一页讲的是 AI 的自主性 (autonomy)，核心讨论 AI 是否具备行为能力 (agency)。

这一页讲的是 AI 的自主性 (autonomy)。Justin Nnaemeka Onyeukazuri 提出，AI 可以拥有行为能力 (agency)，但不一定承担责任 (responsibility)。通过四个推论逐步展开：P1 表明 AI 可以执行某些智能行为，这是基于经验得出的结论；P2 进一步指出，AI 能够执行行为，基于 P1 的逻辑；P3 解释了行为能力的定义，即能够执行行为本身就意味着拥有行为能力；最后，P4 综合 P2 和 P3，得出结论：AI 可以被认为具有行为能力。这一讨论的重要性在于，它为理解 AI 的角色和责任边界提供了哲学基础。例如，如果 AI 能够自主完成任务，是否需要为其决策后果负责？这一问题在伦理和法律领域具有广泛影响。

这一页讲的是反驳 AI 拥有自由意志的观点，强调自由意志的定义与 AI的行为受物理定律和程序控制的限制。

这一页讲的是反驳 AI 拥有自由意志的观点。首先，幻灯片定义了自由意志（free will）的基本条件，即一个实体能够选择做某事，同时也有能力选择不做这件事。如果没有选择的余地，那么这个行为就不算是自由的。接着，幻灯片指出 AI 的行为是由物理机器（例如计算机）中的比特和字节控制的，这些行为完全受物理定律的约束。因此，AI 的每一个行为都是确定性的，没有额外的选择空间。由于 AI 的行为无法脱离其程序和物理定律的限制，它无法选择做不同的事情，这意味着它不具备自由意志。举例来说，AI在执行一个算法时，只能按照既定的逻辑运行，而无法自主决定改变算法或选择其他路径。这种限制是自由意志缺失的核心原因。

这一页讲的是描述层次的演变，从传统语言到现代人工智能系统的处理方式。重点包括传统的语法、形态学、数字编码，以及人工智能对电磁属性的处理。

这一页讲的是描述层次的演变，展示了从传统语言到现代人工智能系统的处理方式的五个阶段。第一阶段是语法层面，所有文本都存在于字典中，区别在于单词如何通过语法结构形成句子。第二阶段是形态学层面，字母如何组成单词。第三阶段是数字编码层面，所有字母以数字编码形式存在，区别在于0和1的有限字符串如何构成字母。第四阶段涉及电磁属性，所有0和1的字符串通过电磁特性（如电流高低、磁化状态）来区分，重点在于电子计算设备如何处理这些特性。第五阶段是革命性的，人工智能（AI）现在可以通过处理电磁属性来管理文本，生成的结果与人类产出的效果几乎无异。这些AI系统被称为大语言模型（LLMs），引起了广泛关注。例如，ChatGPT等模型可以根据用户输入生成自然语言文本，展示了AI在处理语言上的卓越能力。

这一页讲的是 AI 的自主性定义和条件。自主代理需满足两个条件：[1]有原因驱动行为，[2]能选择行为。

这一页讲的是人工智能（AI）的自主性（autonomy）的定义和条件。Justin Nnaemeka Onyeukazuri 提出，自主代理（autonomous agent）不仅是其行为的执行者，更是自身的主宰。自主性要求代理的行为同时满足两个条件：[1]行为是因为某种原因驱动的（because of a reason），即行为有因果因素；[2]行为是出于某种原因选择的（for a reason），即代理有能力选择执行该行为。若代理仅满足第一个条件，而缺乏选择能力，则不能被认为是自主的，或者已经失去了自主性。这一定义强调了自主性不仅涉及行为的发生，还涉及行为背后的选择权和控制权。举例来说，一个机器人执行任务如果仅因为被程序驱动，而无法选择是否执行任务，则它不具备真正的自主性。

这一页讲的是 AI 的自主性 (autonomy)，重点分析 AI 是否具有自由意志 (free-will) 和行动能力。

这一页讲的是 AI 的自主性 (autonomy)，Justin Nnaemeka Onyeukazuri 提出一个观点：AI 可以拥有代理能力 (agency)，但不能承担责任 (responsibility)。通过逻辑推导，幻灯片列出了几个关键论点：P5 指出并非所有行为都是自由行为，即使是人类的行为；P6 强调执行自由行为需要理性 (rationality) 和更重要的自由意志 (free-will)；P7 则明确指出 AI 不具备自由意志；基于 P6 和 P7，P8 推导出 AI 无法执行自由行为；最终在 P9 中总结，AI 不是一个自由代理 (free agent)。这一分析表明，AI 的行为虽然可以通过编程或算法实现，但缺乏人类行为中的自主性和责任感。这对于理解 AI 的伦理边界和应用场景非常重要，例如在法律责任或道德决策中，AI 的角色需要被明确限制。

这一页讲的是 AI 的自主性与责任问题。主要讨论了自主性需要自由意志，AI 因此无法拥有真正的自主性，也无法承担道德和伦理责任。

这一页讲的是 AI 的自主性（autonomy）与其是否能够承担道德和伦理责任的问题。幻灯片引用了 Justin Nnaemeka Onyeukazuri 的观点，认为 AI 可以拥有行为能力（agency），但无法承担责任。首先，P10 提出自主性需要自由意志（free agency），而 AI 的行为是由程序和算法决定的，因此无法满足自由意志的条件。接着，P11 推论出 AI 无法真正拥有自主性。然后，P12 进一步说明，自主性是道德和伦理责任的必要条件，因为自主性本质上是非决定论的（non-deterministic），允许个体在道德和伦理层面做出选择。最后，P13 得出结论，既然 AI 无法拥有自主性，它也无法承担道德和伦理责任。这一分析强调了 AI 的行为受限于设计者和程序的控制，无法像人类一样进行独立的道德判断。

这一页讲的是 AI 的自主性与道德责任的关系，强调自主性和自由意志的重要性，并提出不同程度的自主性概念。

这一页讲的是 AI 的自主性（autonomy）与道德责任（moral responsibility）的关系。首先指出一个关键观点：没有自由意志（free will），就没有真正的自主性；而没有自主性，就无法承担道德责任。这说明自主性是道德和伦理责任的必要条件（necessary condition），但并非充分条件（sufficient condition）。此外，幻灯片还提到存在不同程度的自主性和自由意志的概念，这些概念可能赋予 AI 一定程度的自主性。这一讨论对于理解 AI 是否能够承担道德责任，以及如何设计具有伦理意识的 AI 系统非常重要。例如，一个具有部分自主决策能力的 AI，是否可以在特定情境下被认为具有道德责任？

这一页讲的是 Margaret Boden 关于人工智能自主性的观点，包括自主性在行为控制中的三个组成部分。

这一页讲的是 Margaret Boden 提出的人工智能自主性理论，她认为自主性存在于一个连续谱上，并定义了行为控制中的三个关键组成部分。第一，环境响应的直接性或间接性（response to environment is direct or indirect），即系统如何与外部环境互动，是直接反应还是通过中间机制处理。第二，控制机制是否是自我生成的（self-generated），而非由外部强加，这强调了系统内部控制的独立性。第三，内部指导机制是否可以被反思或选择性修改（inner directing mechanisms can be reflected upon and/or selectively modified），这表明系统是否具有自我调整或优化的能力。这些概念对于理解人工智能如何实现自主性至关重要，例如一个机器人是否能根据环境变化自主调整行为，而不是完全依赖预设程序。

这一页讲的是 Boids 模型与自组织行为的涌现现象。主要展示了个体简单规则如何导致群体复杂行为，以及这种行为的自发性和协调性。

这一页讲的是 Boids 模型（模拟鸟群行为的模型）与自组织行为的涌现现象。图中展示了许多个体（点状箭头）在遵循简单规则下形成的复杂群体行为。Boids 模型通过三个基本规则实现：1. 分离（Separation），避免个体之间过于接近；2. 对齐（Alignment），个体调整方向以与邻居一致；3. 聚合（Cohesion），个体靠近群体中心。这些简单规则结合起来，能够模拟出鸟群或鱼群的自然运动模式，形成涌现行为（Emergent Behavior）。涌现行为是指系统整体表现出超越个体行为的复杂性和协调性，而这种现象无需中央控制。图中显示了群体的动态运动轨迹，体现了自组织的特性，例如群体分布的流动性和局部结构的生成。这种研究对理解自然界中的群体行为以及人工智能中的分布式系统设计具有重要意义，例如无人机编队或机器人群体的协作。

这一页讲的是关于决定论（determinism）在自主性问题中的挑战。关键点包括：AI系统中存在非决定性（stochastic）过程，以及决定论不一定意味着可预测性。

这一页讲的是决定论（determinism）是否仍然是自主性问题中的一个挑战。首先，Boden指出，许多AI系统中存在非决定性（stochastic）过程，这意味着这些系统的行为并非完全由固定规则决定，而是可能包含随机性或概率性。这种非决定性使得AI系统的行为更加灵活，但也增加了复杂性。其次，决定论不一定意味着可预测性。混沌理论（chaos theory）表明，某些模型对初始条件非常敏感，即使系统是决定性的，其结果可能仍然难以预测，必须通过实际运行来观察结果。这说明即使系统遵循固定规则，复杂性和敏感性也可能导致难以预料的行为。这些观点强调了在设计自主AI系统时需要考虑的不确定性和复杂性。

这一页讲的是关于 AI 自主性（autonomy）的辩论总结，比较了两位学者对 AI 能力的看法。主要讨论了智能行为、代理性、自由意志、自主性和道德责任。

这一页讲的是关于 AI 自主性（autonomy）的辩论总结，表格中列出了两位学者 Nnaemeka Onyeukazuri 和 Boden 对 AI 能力的不同观点。表格的列标题是 AI 能力（AI Capacity），行标题包括智能行为（Intelligent Actions）、代理性（Agency）、自由意志/自由代理（Free Will/Free Agency）、自主性（Autonomy）以及道德与伦理责任（Moral and Ethical Responsibility）。从表格中可以看出，双方都认为 AI 可以执行智能行为和具有代理性，但在自由意志方面，Nnaemeka 认为 AI 基于确定性过程，而 Boden 提到一些随机过程可能不属于确定性。在自主性上，Nnaemeka 认为 AI 不具有自主性，而 Boden 提出自主性可能在未来实现，并且是一个连续谱，可能通过涌现行为获得。在道德与伦理责任方面，Nnaemeka认为 AI 不具有此能力，而 Boden虽然没有明确评论，但提到如果 AI 具有自主性，它可能会走向道德与伦理责任，但需要其他能力的支持。这些观点帮助我们理解 AI 的能力边界及其可能的未来发展方向。

这一页讲的是 LLMs 的一种新形式的能力，称为“没有智能的行为”。主要讨论它们的输出特点、统计能力和局限性。

这一页讲的是 LLMs（Large Language Models，大型语言模型）展现了一种新的行为形式，Luciano Floridi 将其称为“没有智能的行为（Agency without Intelligence）”。LLMs 能够生成输出，但它们并不具备思考、推理或理解的能力，因此无法被视为向科幻人工智能迈进的一步。相反，它们依赖于庞大的数据量、计算速度和先进算法，通过统计方法处理文本的形式结构，而非语义意义。尽管它们的输出效果非常惊人，但也存在明显的局限性，例如容易出现错误或“幻觉”（hallucinations）。这一页强调，我们仍处于理解这种“没有智能的行为”形式的初期阶段。

这一页讲的是奥克兰大学的视觉形象，展示其文化与城市特色。

这一页讲的是奥克兰大学（University of Auckland）的视觉形象，突出了其所在城市奥克兰的地标性建筑和新西兰的文化元素。幻灯片左上角是大学的标志，包含校名和毛利语名称“Waipapa Taumata Rau”，体现了大学对毛利文化的尊重与融入。背景图结合了奥克兰的城市景观和毛利艺术雕刻，展示了现代与传统的融合。奥克兰地标建筑天空塔（Sky Tower）位于画面中央，象征着城市的活力与国际化。毛利雕刻的细节则反映了新西兰深厚的文化底蕴。这种设计意在传递大学的多元文化氛围及其作为新西兰顶尖学府的独特定位。