AIエージェント（エージェント型AIとも呼ばれる）は、センサーを通じて環境を知覚し、アクチュエーターを通じて環境に作用して特定の目標を達成する自律的な実体である。この概念は、エージェントベースの人工知能定義の中心であり、AIをインテリジェントエージェントの研究と設計として記述する。エージェントは、サーモスタットのような単純な制御システムから、自動運転車や人間のような高度に複雑なシステムまで多岐にわたり、機械学習や知識の獲得を通じて時間とともに性能を向上させることができる。
「インテリジェントエージェント」という用語は、人工知能の広範な分野に由来し、スチュアート・ラッセルとピーター・ノーヴィグの教科書では、環境を知覚し行動を実行するあらゆるものとして定義されている。合理的エージェントは、知覚系列、事前知識、利用可能な行動を考慮して、性能指標を最大化すると期待される行動を選択する。この合理性は、全知や成功の保証を必要とせず、利用可能な情報に基づく期待結果に関するものである。エージェントはまた、自律性、環境変化への応答性、目標指向的または先行的な行動などの特性によって特徴づけられ、信念・欲望・意図（BDI）のようなアーキテクチャを用いてモデル化されることが多い。
目的関数
目的関数（目標関数とも呼ばれる）は、インテリジェントエージェントの目標を指定し、成功の尺度として機能する。エージェントは、この関数によりよく適合する結果をもたらす行動を一貫して選択する場合、より知的であると見なされる。この関数は、囲碁の試合で勝利に+1、敗北に-1を割り当てるような単純なものから、エージェントが過去の行動を評価し学習することを必要とする複雑なものまであり得る。これはすべての目標を包含し、自動運転車が安全性、速度、乗客の快適性のバランスを取るように、競合する目的間のトレードオフを組み込む。
異なる文脈では、この概念に対してさまざまな用語が使用される。経済学や意思決定理論では効用関数、最適化では目的関数、機械学習では損失関数、強化学習では報酬関数、進化的システムでは適応度関数と呼ばれる。目標は明示的にプログラムされるか、学習や進化を通じて誘導される。例えば、強化学習エージェントは累積報酬を最大化することを学習し、進化的アルゴリズムの行動は、どのエージェントが繁殖するかを決定する適応度関数によって導かれ、これは自然選択に類似する。
エージェントベースのAI定義
ラッセルとノーヴィグの枠組みは、AIを環境から知覚を受け取り行動を実行するエージェントの研究として記述する。この見解では、エージェントはセンサーを通じて知覚し、アクチュエーターを通じて行動するあらゆるものである。合理的エージェントは、知覚系列、事前知識、利用可能な行動を考慮して、性能指標を最大化すると期待される行動を選択する。この定義は、目標指向行動が知能の中心であり、単純なシステムと複雑なシステムの両方に適用されることを強調する。
エージェント指向コンピューティングは、エージェントを自律性、応答性、先行的行動によってさらに特徴づける。BDIアーキテクチャは、世界についてのエージェントの信念、欲望（目的）、意図（コミットされた行動方針）を表現することによって実践的推論をモデル化する。このアプローチは、エージェントが動的環境で動作しなければならないマルチエージェントシステムやロボティクスで広く使用されている。
種類と例
インテリジェントエージェントは、その複雑さと学習能力によって分類できる。単純反射エージェントは現在の知覚のみに基づいて行動し、モデルベースエージェントは内部状態を維持する。目標ベースエージェントは目標を達成するために将来の行動を考慮し、効用ベースエージェントは効用関数を最大化する。学習エージェントは、強化学習や進化的計算などのフィードバックを通じて性能を向上させる。
例としては、単純反射エージェントである基本的なサーモスタットや、勝利に+1、敗北に-1という単純な目的関数を持つチェスプログラムであるAlphaZeroが挙げられる。より複雑なエージェントには、複数の目的のバランスを取る自動運転車や、ウェイモの自動運転車両やテスラ・オートパイロットシステムなど、ユーザーに代わってタスクを実行するソフトウェアエージェントが含まれる。経済学では、エージェントは合理的エージェントと密接に関連し、このパラダイムは認知科学、倫理学、哲学で研究されている。
学習と適応
エージェントはしばしば学習アルゴリズムを通じて改善する。強化学習では、報酬関数がフィードバックを提供し、望ましい行動を促進し、望ましくない行動を抑制する。プログラマーは、進捗に対して段階的な報酬を与える報酬形成を使用することがあり、ヤン・ルカンは2018年に次のように述べている：「人々が考え出した学習アルゴリズムのほとんどは、本質的に何らかの目的関数の最小化から成り立っている」。進化的計算は、適応度関数によって導かれ、意図的に行動しているように見えるエージェントを進化させることができる。
最近傍分類器のような一部のシステムは、明示的に目標駆動ではなく類推によって推論するが、それでも訓練データに暗黙の目標を持つエージェントとして枠組み化できる。同様に、知識表現システムは、質問に正確に答えるという目標を持つエージェントとして見ることができ、「行動」の概念を回答の提供に拡張する。2010年代の生成的敵対ネットワーク（GAN）では、生成器が人間のテキスト作成を模倣し、識別器を欺くことを表す関数を最大化する。これは模倣駆動の目標関数を示している。
応用と影響
AIエージェントは、自動運転車両やロボティクスから仮想アシスタントやレコメンデーションシステムまで、さまざまな産業で展開されている。オープンAI、アンソロピック、グーグル・ディープマインドなどの企業はエージェントベースのAIシステムを開発し、アマゾン・ウェブ・サービスやアジュールはそれらを展開するためのクラウドインフラストラクチャを提供する。このパラダイムは、エージェントが社会的行動をシミュレートする認知科学や社会認知モデリングの研究にも影響を与える。
目的関数の設計は倫理的考慮を引き起こす。エージェントが意図しない結果を最適化する可能性があるためである。例えば、自動運転車の目的は安全性と速度を慎重にバランスさせなければならない。エージェントがより自律的になるにつれて、人間の価値観との整合性を確保することが重要になる。これはAI安全性と解釈可能性の研究につながり、MIT CSAILやスタンフォードAIラボなどの機関がこれらの課題を探求している。
将来の方向性
大規模言語モデルとトランスフォーマーアーキテクチャの進歩により、長期間にわたって推論し計画できるより洗練されたエージェントが可能になった。これらのエージェントは、しばしばエージェント型AIと呼ばれ、動的環境で目標を先行的に追求し意思決定を行う。研究は、バークレーAIリサーチやカーネギーメロン大学などの学術ラボからの貢献により、学習効率、堅牢性、一般化の改善を続けている。
AIエージェントの進化は、人間や互いと協力するより統合されたシステムにつながる可能性が高く、説明責任と制御に関する疑問を提起する。2020年代初頭の時点で、エージェントベースのAIは活気ある分野であり、知能の本質と行動を形成する目的関数の役割についての継続的な議論が行われている。