ایجنت هوش مصنوعی چیست؟

ایجنت‌های هوش مصنوعی به‌عنوان یکی از تحولات بزرگ آینده در حوزه هوش مصنوعی شناخته می‌شوند، اما تعریف دقیقی برای آن‌ها وجود ندارد. تاکنون، حتی کارشناسان نیز بر سر اینکه ایجنت هوش مصنوعی دقیقاً شامل چه چیزی می‌شود، توافق ندارند. با این مقاله در تعریف ایجنت هوش مصنوعی از تک کرانچ همراه باشید.

در ساده‌ترین حالت، ایجنت هوش مصنوعی نرم‌افزاری است که با استفاده از فناوری هوش مصنوعی، وظایفی را انجام می‌دهد که پیش‌تر ممکن بود توسط یک نیروی انسانی مانند کارمند خدمات مشتریان، متخصص منابع انسانی، یا پشتیبانی فناوری اطلاعات انجام شود. این وظایف می‌تواند هر چیزی باشد. شما از ایجنت هوش مصنوعی درخواست می‌کنید کاری انجام دهد و این ایجنت با عبور از چندین سیستم مختلف و فراتر رفتن از پاسخ‌دهی ساده به سوالات، آن را برای شما انجام می‌دهد.

به‌عنوان مثال، شرکت Perplexity ماه گذشته یک ایجنت هوش مصنوعی عرضه کرد که به افراد در خریدهای مربوط به تعطیلات کمک می‌کند و البته perplexity تنها شرکت در این حوزه نیست. همچنین گوگل هفته گذشته از اولین ایجنت هوش مصنوعی خود با نام Project Mariner رونمایی کرد که می‌تواند به یافتن پروازها و هتل‌ها، خرید لوازم خانگی، پیدا کردن دستورهای آشپزی، و انجام وظایف دیگر کمک کند.

در ظاهر، این مفهوم ساده به نظر می‌رسد، اما ابهاماتی وجود دارد که آن را پیچیده‌تر می‌کند. حتی در میان شرکت‌های بزرگ فناوری نیز تعریف مشخصی وجود ندارد.

برای مثال، گوگل ایجنت‌های هوش مصنوعی را به‌عنوان دستیارهایی می‌بیند که بر اساس وظیفه تعریف‌شده عمل می‌کنند: کمک به توسعه‌دهندگان برای کدنویسی، یاری‌رسانی به بازاریابان در طراحی ترکیب رنگ‌ها، یا کمک به متخصصان فناوری اطلاعات برای ردیابی مشکلات با استفاده از تجزیه و تحلیل داده‌های لاگ.

در مقابل، از نگاه Asana، ایجنت هوش مصنوعی می‌تواند مانند یک همکار اضافه عمل کند و وظایف محول‌شده را مانند یک کارمند خوب انجام دهد. همچنین Sierra، یک استارتاپ که توسط مدیرعامل پیشین Salesforce و یکی از مدیران سابق گوگل تأسیس شده، ایجنت‌های هوش مصنوعی را به‌عنوان ابزاری برای تجربه مشتری معرفی می‌کند که فراتر از چت‌بات‌های قدیمی عمل می‌کنند و مسائل پیچیده‌تری را حل می‌کنند.

نبود یک تعریف مشخص و جامع برای ایجنت‌های هوش مصنوعی باعث شده تا ابهاماتی درباره اینکه دقیقاً این فناوری‌ها چه کاری انجام می‌دهند، به وجود آید. اما صرف‌نظر از چگونگی تعریف آن‌ها، هدف اصلی ایجنت‌های هوش مصنوعی کمک به انجام وظایف به صورت خودکار و با کمترین نیاز به دخالت انسانی است.

رودینا سسری، بنیان‌گذار و مدیرعامل Glasswing Ventures، معتقد است که هنوز در مراحل اولیه این فناوری هستیم و همین موضوع می‌تواند دلیل نبود توافق درباره تعریف آن باشد. او در گفت‌وگو با TechCrunch بیان کرده: «هیچ تعریف واحدی برای مفهوم “ایجنت هوش مصنوعی” وجود ندارد. با این حال، دیدگاه رایج این است که ایجنت یک سیستم نرم‌افزاری هوشمند است که طراحی شده تا محیط خود را درک کند، درباره آن استدلال کند، تصمیم بگیرد و به صورت خودمختار برای دستیابی به اهداف خاص اقدام کند.»

او توضیح می‌دهد که ایجنت‌های هوش مصنوعی برای این کار از ترکیبی از فناوری‌های پیشرفته هوش مصنوعی استفاده می‌کنند. «این سیستم‌ها از تکنیک‌های مختلف هوش مصنوعی و یادگیری ماشین، مانند پردازش زبان طبیعی، یادگیری ماشین و بینایی کامپیوتر بهره می‌برند تا بتوانند در حوزه‌های پویا، به صورت خودکار یا در تعامل با سایر ایجنت‌ها و کاربران انسانی فعالیت کنند.»

آرون لوی، یکی از بنیان‌گذاران و مدیرعامل شرکت Box، معتقد است که با گذشت زمان و پیشرفت توانایی‌های هوش مصنوعی، ایجنت‌های هوش مصنوعی قادر خواهند بود کارهای بسیار بیشتری را به نمایندگی از انسان‌ها انجام دهند. او می‌گوید: «در حال حاضر نیز عوامل متعددی وجود دارند که به تکامل این فناوری سرعت می‌بخشند.»

آرون لوی، مدیرعامل شرکت Box، اخیراً در پستی در لینکدین درباره ایجنت‌های هوش مصنوعی نوشت: «در ایجنت‌های هوش مصنوعی، عوامل متعددی وجود دارند که یک چرخه تقویت‌کننده خودکار را ایجاد می‌کنند و این چرخه به‌طور چشمگیری توانایی ایجنت‌های هوش مصنوعی را در کوتاه‌مدت و بلندمدت بهبود می‌بخشد: عملکرد و قیمت پردازنده‌های گرافیکی (GPU)، بهره‌وری مدل‌ها، کیفیت و هوشمندی مدل‌ها، و پیشرفت در چارچوب‌ها و زیرساخت‌های هوش مصنوعی.»

این دیدگاه خوش‌بینانه بر این فرض استوار است که پیشرفت در تمامی این زمینه‌ها اتفاق خواهد افتاد، در حالی که چنین چیزی همیشه قطعی نیست. رادنی بروکس، پیشگام رباتیک در MIT، در مصاحبه‌ای با TechCrunch اشاره کرد که هوش مصنوعی با مشکلاتی به مراتب پیچیده‌تر از بیشتر فناوری‌های دیگر مواجه است و لزوماً با سرعت فناوری‌هایی مانند پیشرفت تراشه‌ها طبق قانون مور رشد نخواهد کرد.

او در این مصاحبه گفت: «وقتی یک انسان عملکرد یک سیستم هوش مصنوعی را در انجام یک وظیفه مشاهده می‌کند، فوراً آن را به کارهای مشابه تعمیم می‌دهد و درباره توانایی کلی آن سیستم هوش مصنوعی قضاوت می‌کند؛ نه فقط عملکرد در آن وظیفه خاص، بلکه توانایی کلی اطراف آن. اما معمولاً این قضاوت‌ها بسیار خوش‌بینانه هستند، زیرا افراد از مدلی استفاده می‌کنند که بر اساس عملکرد یک انسان در انجام آن وظیفه ساخته شده است.»

یکی از چالش‌های اصلی در این زمینه، دشواری هماهنگی بین سیستم‌های مختلف است. این مشکل زمانی پیچیده‌تر می‌شود که برخی از سیستم‌های قدیمی (Legacy Systems) حتی دسترسی پایه‌ای به API ندارند. هرچند همان‌طور که لوی اشاره کرد، شاهد پیشرفت‌های مداومی هستیم، اما ایجاد نرم‌افزاری که بتواند به چندین سیستم دسترسی پیدا کند و در عین حال مشکلاتی را که ممکن است در مسیر پیش بیاید حل کند، می‌تواند دشوارتر از آن چیزی باشد که بسیاری انتظار دارند.

اگر این‌گونه باشد، ممکن است همه در حال بیش‌برآورد کردن توانایی‌های ایجنت‌های هوش مصنوعی باشند. دیوید کوشمن، رهبر تحقیقات در HFS Research، نسل فعلی ایجنت‌های هوش مصنوعی را مشابه دیدگاه Asana می‌بیند: دستیارهایی که به انسان‌ها در انجام وظایف خاص کمک می‌کنند تا به نوعی هدف استراتژیک تعریف‌شده توسط کاربر دست یابند. چالش اصلی این است که بتوان به یک ماشین کمک کرد تا در شرایط غیرمنتظره به طور کاملاً خودکار عمل کند، و هنوز فاصله زیادی با دستیابی به چنین توانایی‌ای داریم.

او می‌گوید: «من فکر می‌کنم این قدم بعدی است؛ جایی که هوش مصنوعی به‌طور مستقل و مؤثر در مقیاس بزرگ عمل می‌کند. این همان جایی است که انسان‌ها دستورالعمل‌ها و چارچوب‌ها را تعیین می‌کنند و از ترکیب فناوری‌های مختلف برای حذف نقش انسان در فرآیندها استفاده می‌شود، در حالی که تاکنون همه‌چیز درباره حفظ انسان در فرآیند با نسل جدید هوش مصنوعی [مولد] بوده است.» او تأکید می‌کند که کلید ماجرا این است که ایجنت هوش مصنوعی کنترل را به دست بگیرد و اتوماسیون واقعی را به‌کار گیرد.

جان ترو، یکی از شرکای Madrona Ventures، معتقد است که برای دستیابی به این هدف نیاز به ایجاد یک زیرساخت خاص برای ایجنت‌های هوش مصنوعی وجود دارد؛ یعنی یک پشته فناوری که به طور خاص برای طراحی و ساخت این ایجنت‌ها (با هر تعریفی که از آن‌ها داشته باشیم) طراحی شده باشد. او در یکی از پست‌های وبلاگی خود به نمونه‌هایی از ایجنت‌های هوش مصنوعی که در حال حاضر در عمل کار می‌کنند و نحوه ساخت آن‌ها پرداخته است.

از دیدگاه ترو، افزایش روزافزون استفاده از ایجنت‌های هوش مصنوعی — حتی با اذعان به اینکه تعریف آن‌ها همچنان کمی مبهم است — به یک پشته فناوری نیاز دارد، درست مانند هر فناوری دیگر. او در این مطلب می‌نویسد: «تمام این موارد به این معناست که صنعت ما باید زیرساختی بسازد که از ایجنت‌های هوش مصنوعی و اپلیکیشن‌هایی که به آن‌ها وابسته هستند، پشتیبانی کند.»

او همچنین می‌افزاید: «در طول زمان، قابلیت استدلال به‌تدریج بهبود می‌یابد، مدل‌های پیشرو بخش بیشتری از فرآیندهای کاری را هدایت خواهند کرد، و توسعه‌دهندگان تمایل خواهند داشت که بر محصول و داده‌ها — مواردی که آن‌ها را متمایز می‌کند — تمرکز کنند. آن‌ها می‌خواهند پلتفرم زیربنایی به‌صورت مقیاس‌پذیر، کارا، و قابل‌اعتماد، بدون نیاز به دخالت زیاد، به‌طور خودکار عمل کند.»

نکته دیگری که باید در نظر گرفت این است که برای عملکرد مؤثر ایجنت‌های هوش مصنوعی احتمالاً نیاز به استفاده از مدل‌های متعدد وجود دارد، نه یک مدل زبانی بزرگ (LLM) واحد. این دیدگاه منطقی به نظر می‌رسد اگر ایجنت‌ها را به عنوان مجموعه‌ای از وظایف مختلف در نظر بگیریم. فرد هاومایر، رئیس تحقیقات هوش مصنوعی و نرم‌افزار در Macquarie US Equity Research، در این باره می‌گوید: «من فکر نمی‌کنم که در حال حاضر هیچ مدل زبانی بزرگ واحد، حداقل از نوع عمومی و متمرکز آن، قادر به مدیریت وظایف ایجنتی باشد. هنوز این مدل‌ها نمی‌توانند استدلال چندمرحله‌ای انجام دهند که بتواند من را واقعاً به آینده ایجنت‌ها امیدوار کند. فکر می‌کنم ما به این هدف نزدیک‌تر شده‌ایم، اما هنوز به آن نقطه نرسیده‌ایم.»

او ادامه می‌دهد: «به نظر من، مؤثرترین ایجنت‌ها احتمالاً مجموعه‌ای از مدل‌های مختلف خواهند بود که از یک لایه هدایتگر (Routing Layer) استفاده می‌کنند تا درخواست‌ها یا پرسش‌ها را به مؤثرترین ایجنت یا مدل ارسال کنند. در واقع، می‌توان آن را به نوعی یک سرپرست خودکار تصور کرد که وظایف را به طور هوشمندانه تقسیم می‌کند.»

در نهایت، از دید هاومایر، صنعت در حال حرکت به سوی هدفی است که ایجنت‌ها به طور کاملاً مستقل عمل کنند. او در مصاحبه با TechCrunch گفت: «وقتی به آینده ایجنت‌ها فکر می‌کنم، امیدوارم شاهد ایجنت‌هایی باشیم که واقعاً خودمختار هستند و می‌توانند اهداف انتزاعی را دریافت کرده و تمام مراحل لازم برای دستیابی به آن‌ها را کاملاً به صورت مستقل استدلال کرده و اجرا کنند.»

اما واقعیت این است که هنوز در دوره گذار هستیم و مشخص نیست چه زمانی به وضعیت ایده‌آلی که هاومایر توصیف کرد، خواهیم رسید. آنچه تاکنون دیده‌ایم، گامی امیدبخش در مسیر درست است، اما برای رسیدن به ایجنت‌های هوش مصنوعی که مطابق با دیدگاه‌های امروزی عمل کنند، به پیشرفت‌ها و دستاوردهای بیشتری نیاز داریم. مهم است که درک کنیم هنوز به آن مرحله نرسیده‌ایم.