インテリジェントエージェント

人工知能において、インテリジェントエージェントとは、周囲の環境を認識し、目標達成のために自律的に行​​動し、機械学習や知識獲得によって性能を向上させることができる存在である。AIの教科書では、人工知能を「インテリジェントエージェントの研究と設計」と定義し、目標指向的な行動が知能の中核をなすものであることを強調している。

インテリジェントエージェントの特殊なサブセットであるエージェント型AI（AIエージェント、または単にエージェントとも呼ばれる）は、目標を積極的に追求し、意思決定を行い、長期間にわたって行動を起こすことで、この概念を拡張する。

インテリジェントエージェントは、単純なものから非常に複雑なものまで多岐にわたります。基本的なサーモスタットや制御システムは、人間と同様にインテリジェントエージェントとみなされます。また、企業、国家、生物群系など、同じ基準を満たす他のシステムも同様です。^{[ 1 ]}

インテリジェントエージェントは、その目標を包含する目的関数に基づいて動作します。エージェントは、完了時にこの関数の期待値を最大化する計画を作成して実行するように設計されています。^{[ 2 ]}例えば、強化学習エージェントには報酬関数があり、プログラマーはそれによって望ましい動作を形作ることができます。^{[ 3 ]}同様に、進化アルゴリズムの動作は適応度関数によって導かれます。^{[ 4 ]}

人工知能におけるインテリジェントエージェントは、経済学におけるエージェントと密接に関連しており、インテリジェントエージェントパラダイムの様々な形態は、認知科学、倫理学、実践理性の哲学、そして多くの学際的な社会認知モデリングやコンピュータ社会シミュレーションにおいて研究されている。

インテリジェントエージェントは、コンピュータプログラムに似た抽象的な機能システムとして概略的に説明されることが多い^{[ 5 ]}。理論モデルと現実世界の実装を区別するために、インテリジェントエージェントの抽象的な記述は抽象インテリジェントエージェントと呼ばれる。インテリジェントエージェントは、ユーザーに代わってタスクを実行する自律的なコンピュータプログラムであるソフトウェアエージェントとも密接に関連している。また、経済学から借用した用語「合理的エージェント」を使用して言及されることもある^{[ 1 ] 。}

インテリジェントエージェントの概念は、人工知能を定義し理解するための基礎的な視点を提供する。例えば、影響力のある教科書『人工知能：現代的アプローチ』（ラッセル＆ノーヴィグ著）では、次のように説明されている。

• エージェント：センサーを用いて周囲の環境を認識し、アクチュエータを用いてそれに基づいて行動するあらゆるもの。例えば、カメラと車輪を備えたロボットや、データを読み取って推奨事項を提示するソフトウェアプログラムなど。
• 合理的エージェント：自身の知識と過去の経験に基づいて、*可能な限り最良の結果*を達成しようと努めるエージェント。「最善」とは、エージェントの性能を評価する指標によって定義される。
• 人工知能（学問分野として）：これらの合理的なエージェントの研究と創造。

他の研究者や定義もこの基礎の上に構築されています。パドガムとウィニコフは、インテリジェントエージェントは環境の変化にタイムリーに反応し、積極的に目標を追求し、柔軟で堅牢（予期せぬ状況に対処できる）であるべきだと強調しています。また、理想的なエージェントは経済的な意味で「合理的」（最適な選択をする）であり、信念、欲求、意図（BDIモデル）を持つなど、複雑な推論能力を持つべきだと示唆する研究者もいます。カプランとヘンラインは、外部データを理解し、そのデータから学習し、学習した内容を利用して柔軟な適応を通じて目標を達成するシステムの能力に焦点を当てた、同様の定義を提示しています。

AIをインテリジェントエージェントという観点から定義することには、いくつかの重要な利点がある。

• 哲学的な議論を避ける：チューリングテストやサールの中国語の部屋で提起されたような、AIが「真に」知能や意識を持っているかどうかについての議論を回避します。人間の思考を再現することではなく、行動と目標達成に焦点を当てています。
• 客観的テスト：これは、AIシステムを評価するための明確で科学的な方法を提供する。研究者は、特定の「目標関数」（または目的関数）をどれだけ最大化できるかを測定することで、さまざまなアプローチを比較できる。これにより、技術の直接比較と組み合わせが可能になる。
• 学際的なコミュニケーション：これは、AI研究者が、数理最適化や経済学など、「目標」や「合理的エージェント」といった概念を用いる他の分野と協力するための共通言語を作り出す。

目的関数（または目標関数）は、インテリジェントエージェントの目標を規定するものです。エージェントは、目的関数により合致した結果をもたらす行動を一貫して選択する場合に、より知的であるとみなされます。つまり、目的関数は成功の尺度として機能します。

目的関数は次のようになる可能性がある。

• 簡単に言うと、例えば囲碁のゲームでは、目的関数は勝利に1、敗北に0の値を割り当てるかもしれません。
• 複雑：エージェントは過去の行動を評価し、そこから学習し、効果的であることが証明されたパターンに基づいて行動を適応させる必要があるかもしれない。

目的関数は、エージェントが達成するように設計されたすべての目標を包含します。合理的なエージェントの場合、それは潜在的に相反する目標間のトレードオフも組み込みます。たとえば、自動運転車の目的関数は、安全性、速度、乗客の快適性などの要素のバランスを取るものかもしれません。

この概念を説明するために、文脈に応じてさまざまな用語が用いられます。それらには以下が含まれます。

• 効用関数： 経済学や意思決定理論でよく用いられ、ある状態の望ましさを表す。
• 目的関数：最適化において用いられる一般的な用語。
• 損失関数：一般的に機械学習で使用され、損失（誤差）を最小化する ことが目的です。
• 報酬関数：強化学習で使用されます。
• 適応度関数：進化システムで使用される。

目標、ひいては目的関数は、以下のようになる。

• 明示的に定義されている：エージェントに直接プログラムされている。
• 誘発性：時間をかけて学習または進化したもの。
  • 強化学習では、「報酬関数」がフィードバックを提供し、望ましい行動を促し、望ましくない行動を抑制します。エージェントは累積報酬を最大化するように学習します。
  • 進化システムでは、「適応度関数」によって、どのエージェントがより繁殖しやすいかが決定されます。これは、生物が生存と繁殖の可能性を最大化するように進化する自然選択に類似しています。^{[ 6 ]}

最近傍法などの一部のAIシステムは、明確な目標指向ではなく類推によって推論します。しかし、これらのシステムでも、トレーニングデータ内に暗黙的に目標が定義されている場合があります。^{[ 7 ]}このようなシステムでも、目標を持たないシステムを、狭い分類タスクを達成することを「目標」とするシステムとして捉えることで、ベンチマークを行うことができます。 ^{[ 8 ]}

知識表現システムなど、従来エージェントとはみなされてこなかったシステムも、例えば質問に正確に答えることを目標とするエージェントとして位置づけることで、パラダイムに含まれることがあります。ここで、「アクション」の概念は、答えを提供する「行為」を含むように拡張されます。さらに拡張すると、模倣駆動システムは、エージェントが望ましい動作をどれだけ忠実に模倣するかに基づいて「目標関数」を最適化するエージェントとして位置づけることができます。^{[ 2 ]} 2010年代の敵対的生成ネットワーク（GAN）では、「エンコーダー」/「ジェネレーター」コンポーネントが人間のテキスト構成を模倣し、即興的に行おうとします。ジェネレーターは、敵対的な「予測器」/「識別器」コンポーネントをどれだけうまく騙せるかを表す関数を最大化しようとします。^{[ 9 ]}

記号的AIシステムでは明示的な目標関数がよく使用されますが、このパラダイムはニューラルネットワークや進化的コンピューティングにも適用されます。強化学習は、「報酬関数」を最大化するように意図された方法で行動するように見えるインテリジェントエージェントを生成できます。^{[ 10 ]}機械学習プログラマーは、報酬関数を目的のベンチマーク評価関数に直接等しく設定する代わりに、報酬シェーピングを使用して、機械に段階的な進歩に対する報酬を最初に与えます。^{[ 11 ]}ヤン・ルカンは2018年に、「人々が考案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を最小化することから成り立っています」と述べています。^{[ 12 ]} AlphaZeroチェスには、勝利ごとに+1ポイント、敗北ごとに-1ポイントという単純な目的関数がありました。自動運転車の目的関数はより複雑になります。^{[ 13 ]}進化的コンピューティングは、各エージェントが残すことができる子孫の数に影響を与える「適応度関数」を最大化するように意図された方法で行動するように見えるインテリジェントエージェントを進化させることができます。^{[ 4 ]}

AIXIの数学的定式化は、このパラダイムにおいて最大限に知能の高いエージェントとして提案されました。^{[ 14 ]}しかし、AIXI は計算不可能です。現実世界では、知能エージェントは有限の時間とハードウェアリソースによって制約され、科学者たちは既存のハードウェアでベンチマークテストでより高いスコアを達成するアルゴリズムを作成するために競い合っています。^{[ 15 ]}

知能エージェントの行動は、エージェント関数によって数学的に記述できる。この関数は、エージェントが見たものに基づいて、エージェントが何をするかを決定する。

知覚とは、エージェントが特定の時点で得る感覚入力のことです。例えば、自動運転車の知覚には、特定の瞬間のカメラ画像、ライダーデータ、GPS座標、速度測定値などが含まれる可能性があります。エージェントはこれらの知覚、そして場合によっては過去の知覚履歴を用いて、次の行動（加速、ブレーキ、旋回など）を決定します。

エージェント関数（しばしばfと表記される）は、エージェントの知覚の全履歴をアクションにマッピングする。^{[ 16 ]}

数学的には、これは次のように表すことができます。

${\displaystyle f\colon P^{*}\rightarrow A,}$

どこ：

• ${\displaystyle {\boldsymbol {P^{*}}}}$これは、考えられるすべての知覚シーケンス（エージェントの知覚履歴全体）の集合を表します。アスタリスク（*）は、0個以上の知覚のシーケンスを示します。
• ${\displaystyle {\boldsymbol {A}}}$これは、エージェントが実行可能なすべての行動の集合を表します。
• ${\displaystyle {\boldsymbol {f}}}$これは、知覚シーケンスをアクションにマッピングするエージェント関数です。

エージェント関数（抽象的な数学的概念）とエージェントプログラム（その関数の具体的な実装）を区別することが極めて重要である。

• エージェント関数は理論的な記述である。
• エージェントプログラムとは、エージェント上で実際に実行されるコードのことです。エージェントプログラムは、現在の知覚情報を入力として受け取り、行動を出力として生成します。

エージェント機能には、以下のような幅広い意思決定アプローチを組み込むことができます。^{[ 17 ]}

• さまざまな行動の効用（望ましさ）を計算する。
• 論理的な規則と演繹を用いる。
• ファジー論理を用いる。
• その他の方法。

インテリジェントエージェントは、複数の「サブエージェント」に階層的に組織化することができる。これらのサブエージェントは下位レベルの機能を処理し、メインエージェントと連携して、複雑なタスクを実行し、困難な目標を達成できる完全なシステムを形成する。

一般的に、エージェントはセンサーとアクチュエータに分割して構成されます。知覚システムはセンサーを介して環境から入力を収集し、この情報を中央コントローラに送ります。中央コントローラはアクチュエータにコマンドを発行します。多くの場合、低レベルのタスクに必要な迅速な応答と高レベルの目標に必要なより熟慮的な推論のバランスを取るために、コントローラの多層構造が必要になります。^{[ 25 ]}

「インテリジェントエージェント」は、曖昧な用語として使われることも多く、「仮想パーソナルアシスタント」と同義語として使われることもあります。^{[ 26 ]} 20世紀の定義の中には、エージェントをユーザーを支援するプログラム、またはユーザーに代わって動作するプログラムとして特徴づけるものもあります。^{[ 27 ]}これらの例はソフトウェアエージェントとして知られており、時には「インテリジェントソフトウェアエージェント」（つまり、知能を持つソフトウェアエージェント）が「インテリジェントエージェント」と呼ばれることもあります。

1998年のニコラ・カサボフによれば、インテリジェントエージェントシステムは以下の特性を示すべきである。^{[ 28 ]}

• 新しい問題解決ルールは段階的に導入する。
• オンラインでリアルタイムに適応する。
• 自身の行動、過ち、成功を分析することができる。
• 環境との相互作用（具現化）を通して学び、向上する。
• 大量のデータから迅速に学習する。
• メモリベースの事例保存および検索機能を備えている。
• 短期記憶と長期記憶、年齢、忘却などを表すパラメータを用意する。

自動運転車のためのエージェントベースモデリングの概念は、2003 年という早い時期に議論されました。^{[ 49 ]} Hallerbach らは、自動運転システムの開発と検証にエージェントベースのアプローチを使用することを検討しました。彼らの方法は、テスト対象車両のデジタルツインと、独立したエージェントを使用したミクロな交通シミュレーションを含んでいました。^{[ 50 ]} Waymo は、自動運転車のアルゴリズムをテストするために、Carcraft と呼ばれるマルチエージェントシミュレーション環境を開発しました。^{[ 51 ] [ 52 ]}このシステムは、人間のドライバー、歩行者、および自動運転車の間の相互作用をシミュレートします。人工エージェントは、現実世界のデータを使用して人間の行動を再現します。

SalesforceのAgentforceは、タスクを実行する自律エージェントの構築を可能にするエージェントAIプラットフォームです。^{[ 53 ] [ 54 ]}

運輸保安局は、生体認証や写真を使用して乗客の身元を認証する機械や、事件対応のための機械など、新しい技術にエージェント型AIを統合している。^{[ 55 ]}

2026年3月、Amazon Web Servicesは、医療従事者向けの予約スケジューリング、臨床文書作成、患者確認などの管理ワークフローを自動化するように設計された、医療向け初のHIPAA準拠AIエージェントプラットフォームであるAmazon Connect Healthを発表しました。^{[ 56 ]}

• ドミンゴス、ペドロ（2015年9月22日）。『マスターアルゴリズム：究極の学習マシンをめぐる探求が世界をどのように変えるか』。ベーシックブックス。ISBN 978-0-465-06570-7。
• ラッセル、スチュアート・J.、ノーヴィグ、ピーター（2003）。人工知能：現代的アプローチ（第2 版）。ニュージャージー州アッパーサドルリバー：プレンティスホール。第2章。ISBN 0-13-790395-2。
• Kasabov, N. (1998). "Introduction: Hybrid intelligent adaptive systems" .International Journal of Intelligent Systems . 13 (6): 453–454 . doi : 10.1002/(SICI)1098-111X(199806)13:6 < 453::AID-INT1 > 3.0.CO ; 2-K . S2CID 120318478 . 
• ワイス、G. (2013).マルチエージェントシステム（第2 版）. マサチューセッツ州ケンブリッジ：MIT Press. ISBN 978-0-262-01889-0。