AI 智能体通过创建内部表示来对其环境进行建模，这些表示捕获其周围环境的关键方面，从而使它们能够做出明智的决策。这通常涉及将传感器数据（例如图像、文本或数字输入）处理成结构化格式，如状态向量、图或概率模型。例如，自动驾驶汽车可能会使用激光雷达和摄像头数据构建周围物体、道路边界和交通信号的 3D 地图。这些模型通常包含不确定性估计，例如贝叶斯概率或神经网络置信度分数，以解释不完整或嘈杂的数据。随着新信息的到来，智能体不断更新其模型，平衡实时响应性和长期准确性。
常见技术包括使用马尔可夫决策过程 (MDP) 来表示状态、动作和奖励的强化学习 (RL) 智能体。例如，一个国际象棋 AI 将棋盘建模为棋子位置的网格，并使用价值网络预测获胜概率。在机器人技术中，同步定位与建图 (SLAM) 算法结合传感器融合和概率滤波，以跟踪智能体的位置，同时构建未知环境的地图。像 GPT-4 这样的语言模型隐含地将其“环境”建模为 token 序列，使用注意力机制跟踪词语之间的关系。这些方法通常依赖于根据问题领域量身定制的神经网络（例如，用于空间数据的 CNN、用于序列的 Transformer）或符号系统（例如，基于规则的逻辑）。
环境建模的有效性取决于复杂性和计算成本之间的权衡。在部分可观察环境（例如扑克机器人）中的智能体可能使用粒子滤波来跟踪可能的游戏状态，而无人机控制器等实时系统则优先考虑轻量级模型（例如线性近似）以实现快速推理。混合方法，例如强化学习中的世界模型 (World Models)，将用于感知的神经网络与用于规划的更简单动力学模型相结合。开发者必须选择与任务要求一致的表示形式——例如，仓库机器人可能将货架建模为用于导航的网格坐标，但在操作物品时切换到物体检测的边界框。测试这些模型通常涉及仿真环境（例如 Unity 或 Gazebo），以便在实际部署之前验证性能。