Agente de IA, também conhecido como agente de IA, descreve sistemas de inteligência artificial que perseguem objetivos de forma autônoma, percebendo seu ambiente, tomando decisões e realizando ações ao longo de períodos prolongados. Este conceito estende a noção mais ampla de agente inteligente, que é qualquer entidade que percebe seu entorno, age para alcançar objetivos e pode melhorar seu desempenho por meio de aprendizado de máquina ou aquisição de conhecimento. Na área de IA, o campo de inteligência artificial é frequentemente definido como o estudo e o design de agentes inteligentes, com o comportamento orientado a objetivos considerado central para a inteligência.
Agentes inteligentes variam desde sistemas de controle simples, como um termostato, até entidades complexas, como um ser humano, uma empresa ou um Estado. A IA agêntica enfatiza especificamente a autonomia proativa e a distinção de sistemas reativos que apenas respondem a entradas imediatas. Esses agentes operam com base em uma função objetivo que encapsula suas metas, e são projetados para criar e executar planos que maximizem o valor esperado dessa função ao serem concluídos.
Definição de Inteligência Artificial Baseada em Agentes
Stuart Russell e Peter Norvig, em seu influente livro-texto, descrevem a inteligência artificial como o estudo de agentes que recebem percepções de um ambiente e realizam ações. Nesse quadro, um agente percebe por meio de sensores e age por meio de atuadores. Um agente racional seleciona ações que se espera que maximizem sua medida de desempenho, dadas sua sequência de percepções, conhecimento prévio e ações disponíveis. Racionalidade não exige onisciência nem sucesso garantido; ela diz respeito ao resultado esperado com base nas informações disponíveis.
Na computação orientada a agentes, os agentes são caracterizados por propriedades como autonomia, responsividade a mudanças ambientais e comportamento proativo ou orientado a objetivos. Uma abordagem de modelagem é a arquitetura crença-desejo-intenção (BDI), que representa um agente em termos de suas informações sobre o mundo, seus objetivos e os cursos de ação aos quais se comprometeu. Essa arquitetura tem sido influente tanto na pesquisa teórica quanto na aplicada em IA.
Especificação de Funções Objetivo e Metas
Uma função objetivo especifica as metas de um agente inteligente. Um agente é considerado mais inteligente se consistentemente seleciona ações que produzem resultados mais alinhados com sua função objetivo. A função objetivo serve como uma medida de sucesso e pode ser simples ou complexa. Por exemplo, em um jogo de Go, a função objetivo pode atribuir valor 1 para uma vitória e 0 para uma derrota, enquanto a função objetivo de um carro autônomo pode equilibrar segurança, velocidade e conforto dos passageiros.
Diferentes termos descrevem esse conceito dependendo do contexto. Uma função de utilidade é frequentemente usada em economia e teoria da decisão, representando a conveniência de um estado. Função objetivo é um termo geral em otimização, enquanto função de perda é usada em aprendizado de máquina quando a meta é minimizar o erro. Uma função de recompensa aparece em aprendizado por reforço, e função de aptidão é usada em sistemas evolutivos. As metas podem ser explicitamente programadas ou induzidas por meio de aprendizado ou evolução.
Aprendizado e Adaptação em Sistemas Agênticos
No aprendizado por reforço, uma função de recompensa fornece feedback que incentiva comportamentos desejados e desencoraja os indesejados, com o agente aprendendo a maximizar a recompensa acumulada. Programadores podem usar modelagem de recompensa para dar recompensas incrementais por progresso em direção à meta final. Sistemas evolutivos usam uma função de aptidão para determinar quais agentes têm maior probabilidade de se reproduzir, de forma análoga à seleção natural. Yann LeCun afirmou em 2018 que a maioria dos algoritmos de aprendizado consiste essencialmente em minimizar alguma função objetivo.
Alguns sistemas de IA, como métodos de vizinhos mais próximos, raciocinam por analogia em vez de serem explicitamente orientados a objetivos. No entanto, mesmo esses sistemas podem ter metas implicitamente definidas em seus dados de treinamento. Sistemas não tradicionalmente considerados agentes, como sistemas de representação de conhecimento, podem ser enquadrados como agentes com o objetivo de responder perguntas com precisão. Em IA generativa, sistemas baseados em imitação podem ser enquadrados como otimizando uma função objetivo baseada em quão fielmente imitam o comportamento desejado, como visto em redes adversárias generativas, onde um gerador tenta enganar um discriminador.
Aplicações e Contexto Mais Amplo
A IA agêntica está intimamente relacionada a agentes em economia, e versões do paradigma de agente inteligente são estudadas em ciência cognitiva, ética e filosofia da razão prática. O conceito também aparece em modelagem sociocognitiva interdisciplinar e simulações computacionais sociais. Agentes inteligentes são frequentemente descritos como sistemas funcionais abstratos semelhantes a programas de computador, com descrições abstratas chamadas de agentes abstratos. Eles também estão relacionados a agentes de software, que são programas autônomos que executam tarefas em nome de usuários, e às vezes são chamados de agentes racionais, um termo emprestado da economia.
Implementações modernas de IA agêntica frequentemente se baseiam em modelos de linguagem de grande porte e arquiteturas transformers, permitindo que os sistemas planejem, usem ferramentas e operem em horizontes temporais estendidos. Instituições de pesquisa como MIT CSAIL, Stanford AI Lab e Berkeley AI Research contribuíram para o avanço desses sistemas. Empresas como OpenAI, Anthropic e Google DeepMind desenvolveram estruturas agênticas que integram raciocínio com ação, embora o campo continue evoluindo rapidamente.