एजेंटिक एआई, जिसे एआई एजेंट के रूप में भी जाना जाता है, ऐसी कृत्रिम बुद्धिमत्ता प्रणालियों का वर्णन करता है जो अपने पर्यावरण को समझकर, निर्णय लेकर, और लंबी अवधि में कार्य करके स्वायत्त रूप से लक्ष्यों का पीछा करती हैं। यह अवधारणा एक बुद्धिमान एजेंट की व्यापक धारणा का विस्तार करती है, जो कोई भी इकाई है जो अपने आस-पास को समझती है, उद्देश्यों को प्राप्त करने के लिए कार्य करती है, और मशीन लर्निंग या ज्ञान अर्जन के माध्यम से अपने प्रदर्शन में सुधार कर सकती है। एआई पाठ्यपुस्तकों में, कृत्रिम बुद्धिमत्ता के क्षेत्र को अक्सर बुद्धिमान एजेंटों के अध्ययन और डिजाइन के रूप में परिभाषित किया जाता है, जिसमें लक्ष्य-निर्देशित व्यवहार को बुद्धिमत्ता का केंद्रीय तत्व माना जाता है।
बुद्धिमान एजेंट सरल नियंत्रण प्रणालियों, जैसे थर्मोस्टेट, से लेकर जटिल इकाइयों जैसे मानव, फर्म, या राज्य तक होते हैं। एजेंटिक एआई विशेष रूप से सक्रिय और निरंतर स्वायत्तता पर जोर देता है, इसे प्रतिक्रियाशील प्रणालियों से अलग करता है जो केवल तत्काल इनपुट पर प्रतिक्रिया करती हैं। ये एजेंट एक उद्देश्य फलन के आधार पर कार्य करते हैं जो उनके लक्ष्यों को समाहित करता है, और वे ऐसी योजनाएँ बनाने और निष्पादित करने के लिए डिज़ाइन किए जाते हैं जो पूरा होने पर उस फलन के अपेक्षित मूल्य को अधिकतम करती हैं।
कृत्रिम बुद्धिमत्ता की एजेंट-आधारित परिभाषा
स्टुअर्ट रसेल और पीटर नॉरविग ने अपनी प्रभावशाली पाठ्यपुस्तक में कृत्रिम बुद्धिमत्ता का वर्णन उन एजेंटों के अध्ययन के रूप में किया है जो पर्यावरण से संवेदन (परसेप्ट) प्राप्त करते हैं और क्रियाएँ करते हैं। इस ढांचे में, एक एजेंट सेंसर के माध्यम से अनुभव करता है और एक्चुएटर के माध्यम से कार्य करता है। एक तर्कसंगत एजेंट उन क्रियाओं का चयन करता है जो उसके संवेद अनुक्रम, पूर्व ज्ञान, और उपलब्ध क्रियाओं को देखते हुए, उसके प्रदर्शन माप को अधिकतम करने की अपेक्षा की जाती हैं। तर्कसंगतता के लिए सर्वज्ञता या गारंटीकृत सफलता की आवश्यकता नहीं होती; यह उपलब्ध जानकारी के आधार पर अपेक्षित परिणाम से संबंधित है।
एजेंट-उन्मुख कंप्यूटिंग में, एजेंटों को स्वायत्तता, पर्यावरणीय परिवर्तनों के प्रति प्रतिक्रिया, और लक्ष्य-निर्देशित या सक्रिय व्यवहार जैसे गुणों द्वारा चित्रित किया जाता है। एक मॉडलिंग दृष्टिकोण विश्वास-इच्छा-इरादा (बीडीआई) वास्तुकला है, जो एक एजेंट को दुनिया के बारे में उसकी जानकारी, उसके उद्देश्यों, और कार्रवाई के उन पाठ्यक्रमों के संदर्भ में प्रस्तुत करती है जिनके लिए उसने प्रतिबद्धता जताई है। यह वास्तुकला सैद्धांतिक और व्यावहारिक एआई अनुसंधान दोनों में प्रभावशाली रही है।
उद्देश्य फलन और लक्ष्य निर्धारण
एक उद्देश्य फलन एक बुद्धिमान एजेंट के लक्ष्यों को निर्दिष्ट करता है। एक एजेंट को अधिक बुद्धिमान माना जाता है यदि वह लगातार ऐसी क्रियाओं का चयन करता है जो उसके उद्देश्य फलन के साथ बेहतर संरेखित परिणाम उत्पन्न करती हैं। उद्देश्य फलन सफलता के माप के रूप में कार्य करता है और सरल या जटिल हो सकता है। उदाहरण के लिए, गो के खेल में, उद्देश्य फलन जीत के लिए 1 और हार के लिए 0 का मान निर्दिष्ट कर सकता है, जबकि एक स्व-चालित कार का उद्देश्य फलन सुरक्षा, गति, और यात्री आराम को संतुलित कर सकता है।
संदर्भ के आधार पर इस अवधारणा का वर्णन करने के लिए विभिन्न शब्दों का उपयोग किया जाता है। एक उपयोगिता फलन अक्सर अर्थशास्त्र और निर्णय सिद्धांत में उपयोग किया जाता है, जो एक राज्य की वांछनीयता का प्रतिनिधित्व करता है। एक उद्देश्य फलन अनुकूलन में एक सामान्य शब्द है, जबकि एक हानि फलन मशीन लर्निंग में उपयोग किया जाता है जहाँ लक्ष्य त्रुटि को कम करना है। एक पुरस्कार फलन सुदृढीकरण लर्निंग में दिखाई देता है, और एक फिटनेस फलन विकासवादी प्रणालियों में उपयोग किया जाता है। लक्ष्यों को स्पष्ट रूप से प्रोग्राम किया जा सकता है या सीखने या विकास के माध्यम से प्रेरित किया जा सकता है।
एजेंटिक प्रणालियों में सीखना और अनुकूलन
सुदृढीकरण लर्निंग में, एक पुरस्कार फलन प्रतिक्रिया प्रदान करता है जो वांछित व्यवहारों को प्रोत्साहित करता है और अवांछनीय व्यवहारों को हतोत्साहित करता है, जिसमें एजेंट संचयी पुरस्कार को अधिकतम करना सीखता है। प्रोग्रामर अंतिम लक्ष्य की ओर प्रगति के लिए वृद्धिशील पुरस्कार देने के लिए पुरस्कार आकारण का उपयोग कर सकते हैं। विकासवादी प्रणालियाँ यह निर्धारित करने के लिए एक फिटनेस फलन का उपयोग करती हैं कि कौन से एजेंट पुनरुत्पादन की अधिक संभावना रखते हैं, जो प्राकृतिक चयन के अनुरूप है। यान लेकुन ने 2018 में कहा था कि अधिकांश सीखने के एल्गोरिदम अनिवार्य रूप से कुछ उद्देश्य फलन को न्यूनतम करने में शामिल होते हैं।
कुछ एआई प्रणालियाँ, जैसे निकटतम-पड़ोसी विधियाँ, स्पष्ट रूप से लक्ष्य-संचालित होने के बजाय सादृश्य द्वारा तर्क करती हैं। हालाँकि, इन प्रणालियों के भी अपने प्रशिक्षण डेटा के भीतर परोक्ष रूप से परिभाषित लक्ष्य हो सकते हैं। पारंपरिक रूप से एजेंट नहीं मानी जाने वाली प्रणालियाँ, जैसे ज्ञान-प्रतिनिधित्व प्रणालियाँ, को प्रश्नों का सटीक उत्तर देने के लक्ष्य के साथ एजेंट के रूप में तैयार किया जा सकता है। जनरेटिव एआई में, नकल-संचालित प्रणालियों को वांछित व्यवहार की नकल करने की निकटता के आधार पर एक लक्ष्य फलन को अनुकूलित करने के रूप में तैयार किया जा सकता है, जैसा कि जनरेटिव एडवर्सेरियल नेटवर्क में देखा जाता है जहाँ एक जनरेटर एक विभेदक को मूर्ख बनाने की कोशिश करता है।
अनुप्रयोग और व्यापक संदर्भ
एजेंटिक एआई अर्थशास्त्र में एजेंटों से निकटता से संबंधित है, और बुद्धिमान एजेंट प्रतिमान के संस्करण संज्ञानात्मक विज्ञान, नैतिकता, और व्यावहारिक तर्क के दर्शन में अध्ययन किए जाते हैं। यह अवधारणा अंतःविषय सामाजिक-संज्ञानात्मक मॉडलिंग और कंप्यूटर सामाजिक सिमुलेशन में भी दिखाई देती है। बुद्धिमान एजेंटों को अक्सर कंप्यूटर प्रोग्राम के समान अमूर्त कार्यात्मक प्रणालियों के रूप में योजनाबद्ध रूप से वर्णित किया जाता है, जिनके अमूर्त विवरणों को अमूर्त बुद्धिमान एजेंट कहा जाता है। वे सॉफ्टवेयर एजेंटों से भी संबंधित हैं, जो उपयोगकर्ताओं की ओर से कार्य करने वाले स्वायत्त कंप्यूटर प्रोग्राम हैं, और उन्हें कभी-कभी तर्कसंगत एजेंट भी कहा जाता है, जो अर्थशास्त्र से लिया गया एक शब्द है।
एजेंटिक एआई के आधुनिक कार्यान्वयन अक्सर बड़े भाषा मॉडल और ट्रांसफॉर्मर वास्तुकला पर निर्मित होते हैं, जो प्रणालियों को योजना बनाने, उपकरणों का उपयोग करने, और विस्तारित क्षितिज पर कार्य करने में सक्षम बनाते हैं। MIT CSAIL, स्टैनफोर्ड एआई लैब, और बर्कले एआई रिसर्च जैसे अनुसंधान संस्थानों ने इन प्रणालियों को आगे बढ़ाने में योगदान दिया है। OpenAI, Anthropic, और गूगल डीपमाइंड जैसी कंपनियों ने एजेंटिक ढांचे विकसित किए हैं जो तर्क को क्रिया के साथ एकीकृत करते हैं, हालाँकि यह क्षेत्र तेजी से विकसित हो रहा है।