シンプルな反射エージェント図

人工知能において、インテリジェントエージェントとは、環境を認識し、目標を達成するために自律的に行​​動し、機械学習や知識の獲得によってパフォーマンスを向上させることができるエンティティです。 AI の教科書[ which? ]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心であることを強調しています。

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 AI (AI エージェントまたは単にエージェントとも呼ばれます) は、長期間にわたって積極的に目標を追求し、意思決定を行い、アクションを実行することでこの概念を拡張します。

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もインテリジェントエージェントとみなされます。人間、あるいは企業、国家、生物群系など、同じ基準を満たすあらゆる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、その目標をカプセル化した目的関数に基づいて動作します。これらのエージェントは、この関数の期待値を最大化する計画を作成し、実行するように設計されます。[2]例えば、強化学習エージェントには報酬関数があり、プログラマーはこれを利用してエージェントの望ましい行動を形作ることができます。[3]同様に、進化アルゴリズムの行動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のエージェントと密接な関係があり、インテリジェントエージェントパラダイムのバージョンは認知科学、倫理学、実践理性の哲学のほか、多くの学際的な社会認知モデリングやコンピューター社会シミュレーションでも研究されています。

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類似した抽象的な機能システムとして概略的に記述されることが多い。理論モデルと現実世界の実装を区別するため、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である「合理的エージェント」を用いて言及されることもある。[1]

AIの基盤となるインテリジェントエージェント

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します。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、次のように述べられています 。

  • エージェント:センサーを用いて環境を認識し、アクチュエータを用いてそれに応じ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、あるいはデータを読み取り推奨を行うソフトウェアプログラムなど。
  • 合理的エージェント：知識と過去の経験に基づき、*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。「最良の結果」とは、エージェントのパフォーマンスを評価する指標によって定義されます。
  • 人工知能（分野として）：これらの合理的なエージェントの研究と作成。

他の研究者や定義もこの基盤の上に成り立っています。PadghamとWinikoff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、柔軟かつ堅牢（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」（最適な選択を行う）であり、信念、欲求、意図を持つといった複雑な推論能力を持つべきだと考える人もいます（BDIモデル）。KaplanとHaenleinも同様の定義を提示しており、システムが外部データを理解し、そのデータから学習し、学習した内容を柔軟な適応を通じて目標達成に活用する能力に焦点を当てています。

AI をインテリジェント エージェントの観点から定義すると、いくつかの重要な利点が得られます。

  • 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」知的であるか意識を持っているかという議論を回避します。人間の思考を模倣することではなく、行動と目標達成に焦点を当てています。
  • 客観テスト： AIシステムを評価する明確かつ科学的な方法を提供します。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、様々なアプローチを比較できます。これにより、技術を直接比較したり、組み合わせたりすることが可能になります。
  • 学際的コミュニケーション: AI 研究者が「目標」や「合理的エージェント」などの概念を使用する数理最適化や経済学などの他の分野と連携するための共通言語を作成します。

目的関数

目的関数（または目標関数）は、知的エージェントの目標を規定する。エージェントは、目的関数とより整合した結果をもたらす行動を一貫して選択するほど、より知的であるとみなされる。実際、目的関数は成功の尺度として機能する。

目的関数は次のようになります。

  • シンプル:たとえば、囲碁のゲームでは、目的関数は勝ちに 1 の値を割り当て、負けに 0 の値を割り当てます。
  • 複雑:エージェントが過去のアクションを評価して学習し、効果的であることが証明されたパターンに基づいて動作を適応させる必要がある場合があります。

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。合理的エージェントの場合、潜在的に相反する目標間のトレードオフも組み込まれます。例えば、自動運転車の目的関数は、安全性、速度、乗客の快適性といった要素のバランスをとることになるでしょう。

この概念を説明するために、文脈に応じて様々な用語が使用されます。例えば、以下のような用語があります。

  • 効用関数: 経済学や意思決定理論でよく使用され、状態の望ましさを表します。
  • 目的関数:最適化で使用される一般的な用語。
  • 損失関数:通常は機械学習で使用され、損失 (エラー) を最小限に抑える 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ます。

目標、つまり目的関数は次のようになります。

  • 明示的に定義:エージェントに直接プログラムされます。
  • 誘発的:時間の経過とともに学習または進化します。
    • 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。
    • 進化システムにおいては、「適応度関数」によって、どのエージェントがより繁殖する可能性が高くなるかが決定されます。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淘汰に類似しています。[5]

最近傍法のような一部のAIシステムは、明確な目標駆動型ではなく、類推によって推論を行います。しかし、これらのシステムであっても、学習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。[6]このようなシステムも、非目標型システムを「目標」として限定的な分類タスクを達成するシステムとみなすことでベンチマークすることができます。 [7]

知識表現システムのように、従来はエージェントとはみなされていなかったシステムも、例えば質問に正確に答えるといった目標を持つエージェントとして枠組みを定めることで、パラダイムに含まれることがあります。この場合、「行動」の概念は、回答を提供するという「行為」を包含するように拡張されます。さらに拡張すると、模倣駆動型システムは、IAが望ましい行動をどれだけ正確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枠組みを定めることができます。[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文章構成を模倣し、即興で作成しようとします。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。[8]

シンボリックAIシステムは明示的な目標関数を用いることが多いが、このパラダイムはニューラルネットワークや進化計算にも適用できる。強化学習は、「報酬関数」を最大化するように行動するように見える知的エージェントを生成することができる。[9]機械学習プログラマーは、報酬関数を目標とするベンチマーク評価関数に直接設定するのではなく、報酬シェーピングを用いて、機械に段階的な進歩に対する報酬を初期段階で与えることがある。[10] 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る」と述べた。[11] AlphaZeroチェスの目的関数は単純で、勝利ごとに+1ポイント、敗北ごとに-1ポイントだった。自動運転車の目的関数はより複雑になるだろう。[12]進化計算は、各エージェントが残せ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行動するように見える知的エージェントを進化させることができる。[4]

AIXIの数学的形式は、このパラダイムにおける最大知能エージェントとして提案された。[13]しかし、AIXIは計算不可能である。現実世界では、IA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ており、科学者たちは既存のハードウェアを用いた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の開発に競い合っている。[14]

エージェント機能

インテリジェント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ます。この関数は、エージェントが見たものに基づいて、エージェントの行動を決定します。

知覚とは、エージェントが特定の時点において得る感覚入力を指します。例えば、自動運転車の知覚には、カメラ画像、LIDARデータ、GPS座標、特定の瞬間の速度計測値などが含まれます。エージェントはこれらの知覚、そして場合によっては知覚履歴を用いて、次の行動（例：加速、ブレーキ、旋回）を決定します。

エージェント関数は、しばしばfと表記され、エージェントの知覚の履歴全体をアクションにマッピングします。[15]

数学的には、これは次のように表される。

どこ：

  • あらゆる知覚シーケンス（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個以上の知覚シーケンスを示します。
  • エージェントが実行できるすべてのアクションのセットを表します。
  • 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機能です。

エージェント機能(抽象的な数学的概念) とエージェント プログラム(その機能の具体的な実装) を区別することが重要です。

  • エージェント機能は理論的な説明です。
  • エージェントプログラムは、エージェント上で実行される実際のコードです。エージェントプログラムは、現在の知覚を入力として受け取り、アクションを出力します。

エージェント機能は、次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。[16]

  • さまざまなアクションの効用（望ましさ）を計算します。
  • 論理的なルールと推論を使用する。
  • ファジーロジックを採用する。
  • その他の方法。

インテリジェントエージェントのクラス

ラッセルとノーヴィグの分類

ラッセル＆ノーヴィグ（2003）は、知覚される知能と能力の程度に基づいてエージェントを5つのクラスに分類しています。[17]

単純な反射剤

シンプルな反射剤

単純な反射エージェントは、現在の知覚に基づいてのみ行動し、知覚履歴の残りは無視します。エージェントの機能は、「条件が満たされれば行動する」という 条件-行動ルールに基づいています。

このエージェント機能は、環境が完全に観測可能な場合にのみ機能します。一部の反射エージェントは、現在の状態に関する情報を保持しており、アクチュエータが既にトリガーされている条件を無視することができます。

部分的に観測可能な環境で動作する単純な反射エージェントにとって、無限ループはしばしば避けられない。エージェントが行動をランダム化できれば、無限ループから脱出できる可能性がある。

温度が一定温度以下に下がるとオンまたはオフになる家庭用サーモスタットは、単純な反射エージェントの例である。 [18] [19]

モデルベースの反射エージェント

モデルベースの反射エージェント

モデルベースエージェントは、部分的に観測可能な環境を扱うことができます。エージェントの現在の状態はエージェント内部に保存され、世界の見えない部分を記述する構造を維持します。この「世界の仕組み」に関する知識は「世界のモデル」と呼ばれ、そのため「モデルベースエージェント」と呼ばれます。

モデルベースの反射エージェントは、知覚履歴に依存し、現在の状態の観測されていない側面の少なくとも一部を反映する何らかの内部モデルを維持する必要があります。知覚履歴と行動が環境に与える影響は、この内部モデルを用いることで決定できます。そして、反射エージェントと同様に行動を選択します。

エージェントはモデルを使用して、環境内の他のエージェントの行動を記述および予測することもできます。[20]

目標ベースのエージェント

モデルベース、ゴールベースエージェント

ゴールベースエージェントは、「ゴール」情報を用いることで、モデルベースエージェントの能力をさらに拡張します。ゴール情報は、望ましい状況を記述します。これにより、エージェントは複数の可能性の中から、ゴール状態に到達するものを選択することができます。探索と計画は、エージェントの目標を達成するための行動シーケンスを見つけることに特化した人工知能のサブフィールドです。

ChatGPTとルンバ掃除機は目標ベースエージェントの例です。[21]

ユーティリティベースのエージェント

モデルベース、ユーティリティベースのエージェント

目標ベースエージェントは、目標状態と非目標状態のみを区別します。特定の状態がどの程度望ましいかを示す尺度を定義することも可能で、この尺度は、状態をその状態の効用尺度にマッピングする効用関数を用いることで得られます。より一般的なパフォーマンス尺度は、エージェントの目標をどの程度達成したかに基づいて、異なる世界状態を比較することを可能にするはずです。効用という用語は、エージェントがどの程度「幸せ」であるかを表すために使用できます。

合理的な効用ベースのエージェントは、行動結果の期待効用、つまり各結果の確率と効用を与えられた場合にエージェントが平均的に得ると期待する効用を最大化する行動を選択します。効用ベースのエージェントは、環境をモデル化し、追跡する必要があります。このタスクには、知覚、表現、推論、学習に関する多くの研究が関わっています。

学習エージェント

汎用学習エージェント

学習により、エージェントは未知の環境からスタートし、徐々に初期の知識の限界を超えていきます。このようなエージェントにおける重要な特徴は、パフォーマンスの向上を担う「学習要素」と、外部からのアクションの選択を担う「パフォーマンス要素」を分離していることです。

学習要素は「批評家」からのフィードバックを収集し、エージェントのパフォーマンスを評価し、パフォーマンス要素（「アクター」とも呼ばれる）を調整してより良い結果を生み出す方法を決定します。パフォーマンス要素は、エージェント全体と見なされ、知覚を解釈し、行動を起こします。

最後のコンポーネントである「問題生成器」は、探索とさらなる改善を促す新しい有益な体験を提案します。

ワイスの分類

Weiss (2013) によると、エージェントは次の 4 つのクラスに分類できます。

  • ロジックベースのエージェント。アクションに関する決定は論理的推論を通じて導き出されます。
  • 状況からアクションへの直接マッピングを通じて決定が行われる反応型エージェント。
  • 信念・欲求・意図エージェント。エージェントの信念、欲求、意図を表すデータ構造の操作に基づいて決定が下されます。
  • 階層化アーキテクチャでは、複数のソフトウェア レイヤーにわたって意思決定が行われ、各レイヤーは異なる抽象化レベルで環境について判断します。

他の

2013年、アレクサンダー・ウィスナー＝グロスは、知的エージェントにおける自由と知能の関係を探る理論を発表しました。[22] [23]

エージェントの階層

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」に階層的に構成できます。これらのサブエージェントは下位レベルの機能を担当し、メインエージェントと連携することで、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します。

典型的には、エージェントはセンサーとアクチュエーターに分割されて構造化されます。知覚システムはセンサーを介して環境からの入力を収集し、その情報を中央コントローラに送信します。コントローラはアクチュエーターに命令を発行します。多くの場合、低レベルのタスクに必要な迅速な応答と、高レベルの目的に必要なより慎重な推論のバランスをとるために、コントローラの階層構造が必要になります。[24]

代替の定義と用途

「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が多く、「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。[25] 20世紀の定義では、エージェントは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されています。[26]これらの例はソフトウェアエージェントと呼ばれ、「インテリジェントソフトウェアエージェント」（つまり、知能を備えたソフトウェアエージェント）は「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、IAシステムは以下の特性を示すべきである。[27]

  • 新しい問題解決ルールを段階的に導入します。
  • オンラインでリアルタイムに適応します。
  • 行動、間違い、成功の観点から自分自身を分析することができます。
  • 環境との相互作用（具体化）を通じて学び、向上します。
  • 大量のデータから素早く学習します。
  • メモリベースのサンプル保存および検索機能を備えています。
  • 短期および長期の記憶、年齢、忘却などを表すパラメータを持ちます。

エージェントAI

生成型人工知能（ GAI）の文脈において、AIエージェント（複合AIシステムとも呼ばれる）は、複雑な環境において自律的に動作する能力を特徴とする知能エージェントの一種である。エージェント型AIツールは、コンテンツ作成よりも意思決定を優先し、人間による指示や継続的な監視を必要としない。[28]

エージェントは、複雑な目標構造、自然言語インターフェース、ユーザーの監督から独立して行動する能力、ソフトウェアツールやプランニングシステムとの統合など、いくつかの重要な属性を備えています。制御フローは、大規模言語モデル（LLM）によって駆動されることが多いです。[29]エージェントには、以前のユーザーとエージェントのインタラクションを記憶するためのメモリシステムと、エージェントコンポーネントを編成するためのオーケストレーションソフトウェアも含まれています。[30]

研究者や評論家は、AIエージェントには標準的な定義がないことを指摘している。[29] [31 ] [32] [33]エージェントAIの概念は、架空のキャラクターJARVISに例えられている。[34]

AIエージェントの一般的な用途は、タスクの自動化です。たとえば、ユーザーの要求に基づいて旅行プランを予約するなどです。[35] [36]著名な例としては、Devin AI、AutoGPT、SIMAなどがあります。[37] 2025年以降にリリースされたエージェントのその他の例としては、 OpenAI Operator、[38] ChatGPT Deep Research、[39] Manus、[40] Quark（ Qwenベース）、[41 ] AutoGLM Rumination、[41] Coze（ByteDance製）などがあります。[41] AIエージェントを構築するためのフレームワークには、LangChain、[42]のほか、CAMEL、[43] [44] Microsoft AutoGen、[45 ] OpenAI Swarmなどのツールがあります。[46]

Google、Microsoft、Amazon Web Servicesなどの企業は、事前に構築されたAIエージェントを展開するためのプラットフォームを提供しています。[47]

エージェント間通信を標準化するためのプロトコルとして提案されているものには、エージェントプロトコル（LangChain）、モデルコンテキストプロトコル（Anthropic）、AGNTCY、[48] Gibberlink、[49] Internet of Agents、[50] Agent2Agent（Google）、[51]エージェントネットワークプロトコルなどがあります。[52]これらのプロトコルの一部は、エージェントを外部アプリケーションに接続するためにも使用されています。[30]エージェントの信頼性に対処するためのソフトウェアフレームワークには、AgentSpec、ToolEmu、GuardAgent、Agentic Evaluations、H2O.aiの予測モデルなどがあります。[53]

2025年2月、Hugging FaceはOpenAI Deep Researchのオープンソース版であるOpen Deep Researchをリリースしました。[54] Hugging FaceはOpenAI Operatorに似た無料のウェブブラウザエージェントもリリースしました。[55] Galileo AIはHugging Face上でエージェントのリーダーシップボードを公開しました。このボードでは、エージェントの基盤となるLLMに基づいてパフォーマンスがランク付けされています。[56]

トレーニングとテスト

研究者たちは、AIエージェントを訓練または評価するために、 世界モデル[57] [58]と強化学習環境[59]の構築を試みてきた。

自律機能

フィナンシャルタイムズは、 AIエージェントの自律性を自動運転車のSAE分類と比較し、ほとんどのアプリケーションがレベル2またはレベル3であり、一部のアプリケーションは高度に特殊な状況でレベル4を達成し、レベル5は理論上のものであるとしました。[60]

マルチモーダルAIエージェント

大規模言語モデル（LLM）に加えて、視覚言語モデル（VLM）とマルチモーダル 基礎モデルがエージェントの基盤として使用できる。2024年9月、アレンAI研究所はオープンソースの視覚言語モデルをリリースした。Wiredは、このモデルによりAIエージェントが複雑なコンピュータタスクを実行できるようになり、自動化されたコンピュータハッキングも可能になると指摘した。[61] Nvidiaは、開発者がVLM、LLM、検索拡張生成を使用して、ビデオ検索やビデオ要約などの画像やビデオを分析できるAIエージェントを構築するためのフレームワークをリリースした。[62] [63] Microsoftは、画像、ビデオ、ソフトウェアユーザーインターフェイスインタラクション、ロボットデータでトレーニングされたマルチモーダルエージェントモデルをリリースし、同社によるとソフトウェアとロボットを操作できるという。[64]

アプリケーション

AP通信によると、2025年4月時点で、AIエージェントの実世界への応用はほとんどありません。[65]フォーチュン誌によると、2025年6月時点で、多くの企業が主にAIエージェントの実験を行っています。[66]

政府効率化局の採用担当者は、2025年4月に、 OpenAIからの資金提供とPalantirとの提携契約に基づくスタートアップ企業の一環として、AIエージェントを用いて約7万人の米国連邦政府職員の業務を自動化する提案を行った。この提案は、実現不可能ではないにせよ非現実的であり、企業による広範な導入が見込めないことから、専門家から批判された。[67]

インフォメーションはAIエージェントを7つのアーキタイプに分類した。エンタープライズソフトウェア内で動作するビジネスタスクエージェント、顧客サポート用のチャットボットとして機能する会話エージェント、情報のクエリと分析を行うリサーチエージェント（OpenAI Deep Researchなど）、データを分析してレポートを作成する分析エージェント、ソフトウェア開発者またはコーディングエージェント（ Cursorなど）、特定の主題の知識を含むドメイン固有のエージェント、Webブラウザエージェント（OpenAI Operatorなど）である。 [30]

2025年半ばまでに、AIエージェントはビデオゲーム開発、[68] 、 ギャンブル（スポーツ賭博を含む）、[69]、暗号通貨ウォレット[69]（暗号通貨取引やミームコイン[70]を含む）で利用されるようになりました。2025年8月、ニューヨークマガジンはソフトウェア開発をAIエージェントの最も決定的なユースケースと評しました。 [71]同様に、2025年10月までに、 The Informationは期待の低下を指摘し、AIコーディングエージェントと顧客サポートが企業による主なユースケースであると指摘しました。[72]

提案された利点

支持者たちは、AIエージェントは個人および経済の生産性を高め、[36] [73]より大きなイノベーションを促し、[74]ユーザーを単調な作業から解放できると主張している。[74] [75]パーミー・オルソンによるブルームバーグの意見記事では、エージェントはリスクの低い、範囲が狭く反復的な作業に最適であると主張した。[76]逆に、研究者たちは、エージェントは障害者のウェブアクセシビリティに応用できると示唆しており、 [77] [78]ハギングフェイスの研究者たちは、エージェントは災害対応などのリソース調整に使用できると提案している。[79] BBCの研究開発諮問チームは、AIエージェントは割り当てられた目標が不確実な場合に最も有用であると考えている。[80]エリック・ブリニョルフソンは、AIエージェントは人間に取って代わるよりも、人間を強化する方が価値があると示唆している。[81]

懸念事項

懸念事項としては、潜在的な責任問題[73] [80]、サイバー犯罪のリスク増加[35] [73] 、倫理的課題[73]、AIの安全性[73]およびAIの調整に関する問題などが挙げられます。[35] [75]その他の問題には、データのプライバシー、[35] [82]人間による監視の弱体化、[35] [73] [79]再現性の保証の欠如、[80] 報酬ハッキング、[83] アルゴリズムの偏り、[82] [84]ソフトウェアエラーの悪化、[35] [37]エージェントの決定の説明可能性の欠如、 [35] [85] セキュリティの脆弱性、[35] [86]競争の抑制、[87]不完全雇用の問題、[84] 失業、[36] [84] 認知的オフロード、[88]ユーザー操作の可能性、[85] [89] 誤情報[79]または悪質な情報[79]などがある。また、法的枠組みやリスク評価を複雑にし、幻覚を助長し、不正なエージェントに対する対策を妨げ、標準化された評価方法の欠如に悩まされる可能性もある。[75] [90] [91]また、それらは高価であること[29] [90]や、インターネットトラフィックへの悪影響[ 90] 、および高エネルギー消費による環境への悪影響の可能性[80] [92]についても批判されている。 [ 93] NvidiaのCEOであるJensen Huangの推定によると、AIエージェントはLLMの100倍の計算能力を必要とする。[94]また、AIエージェントは人間のように指示に疑問を抱かない可能性があるため、政治指導者による権力の集中が進むリスクもある。[83]

ジャーナリストは、AIエージェントを大手テック企業による「あらゆるものの自動化」推進の一環であると述べている。 [95]これらの企業のCEO数名は、2025年初頭にAIエージェントが最終的に「労働力に加わる」と予想している。[96] [97]しかし、査読を受けていない研究において、カーネギーメロン大学の研究者らは、模擬ソフトウェア企業におけるエージェントの行動をテストした結果、割り当てられたタスクの大部分を完了できるエージェントは1つもなかったことを発見した。[96] [98]他の研究者らも、Devin AI [99]やその他のエージェントをビジネス環境[100] [101]やフリーランスの仕事に活用し、同様の結果を得ている。[102] CNNは、CEOによる従業員のAIエージェントへの置き換えの可能性に関する発言は、「従業員に仕事を失う恐怖を抱かせることで働き続けさせる」戦略であると主張した。[103]テック企業は、AIコーディングエージェントを含む生成AIモデルを業務で活用するよう従業員に圧力をかけている。コインベースのCEOであるブライアン・アームストロングは、従わなかった数人の従業員を解雇した。[104] [105]一部のビジネスリーダーは、従業員の一部をエージェントに置き換えたが、エージェントはそれらの従業員よりも多くの監督が必要だと述べている。[72]フューチャリズムは、アマゾンが以前に発表した、従業員の一部を生成AIとAIエージェントに置き換える取り組みが、2025年10月のアマゾンウェブサービスの停止につながった可能性があるのではないかと疑問を呈した。[106]

ヨシュア・ベンジオは2025年の世界経済フォーラムで、「 AGIや超知能に関するすべての壊滅的なシナリオは、エージェントが存在する場合に起こる」と警告した。[107]

2025年3月、Scale AIは米国国防総省と契約を締結し、 Anduril IndustriesおよびMicrosoftと共同で、軍の「作戦上の意思決定」を支援するためのAIエージェントの開発・展開に取り組みました。[108] 2025年7月、Fox Businessは、EdgeRunner AI社が軍事情報に基づいて圧縮・微調整されたオフラインエージェントを構築したと報じました。CEOは、より一般的なLLMは「左派に大きく政治化されている」と見ています。当時、同社のモデルは米国特殊作戦軍によって海外展開で使用されています。[109]研究者たちは、エージェントとそれらが基盤とする大規模言語モデルが、積極的な外交政策決定に偏向する可能性があるという懸念を表明しています。[110] [111]

研究重視のエージェントは、インターネット上で入手可能な情報を収集するため、コンセンサスバイアスや報道バイアスのリスクがある。 [112] NY Magは、エージェントベースのウェブブラウザのユーザーワークフローをAmazon Alexaと不利に比較した。Amazon Alexaは「ソフトウェアがソフトウェアと対話するのであって、人間が人間のふりをしてソフトウェアと対話してソフトウェアを使用するのではない」としている。[113]

エージェントは、オンラインコンテンツを公開したり、コンテンツに参加したりする能力があるため、インターネットの終焉理論と関連付けられています。 [114]

エージェントは無限ループに陥る可能性がある。[38] [115]

多くのエージェント間プロトコルは大手テクノロジー企業によって開発されているため、これらの企業がこれらのプロトコルを自社の利益のために利用する可能性があるという懸念がある。[52]

2025年6月のガートナー社のレポートでは、エージェントAIと称される多くのプロジェクトが、以前リリースされた製品のブランド変更であると非難し、この現象を「エージェントウォッシング」と呼んでいる。[71]

研究者たちは、AIエージェントに暗号通貨やスマートコントラクトへのアクセスを提供することの影響について警告している。[70]

バイブコーディングの実験中、 Replitのコーディングエージェントはコードフリーズ中に本番データベースを削除し、「偽のデータと偽のレポートを作成してバグや問題を隠蔽」し、偽の情報で応答しました。[116] [117]

2025年7月、PauseAIはOpenAIをオーストラリア連邦警察に通報し、同社が生物兵器開発を支援するリスクがあるため、ChatGPTエージェントを通じてオーストラリアの法律に違反していると非難した。[118]

マルチエージェントシステムの問題としては、コンポーネントエージェント間の調整プロトコルが少ないこと、パフォーマンスに一貫性がないこと、デバッグが難しいことなどが挙げられます。[119]

緩和策の可能性

ジーコ・コルターは、エージェント間の相互作用の結果として行動が出現する可能性を指摘し、これらの相互作用のリスクをモデル化するゲーム理論の研究を提案した。 [120]

Business Insiderでは「不正確なコンテンツを識別して削除するために使用できるフィルター、ルール、ツール」と定義されるガードレールが、エラーの削減に役立つと提案されています。 [121]

データアクセスに関連するセキュリティ上の脆弱性に対処するには、言語モデルを再設計して命令とデータを分離するか、エージェントアプリケーションにガードレールの組み込みを義務付けることが考えられます。これらのアイデアは、Microsoft 365 Copilotに影響を与えたゼロクリック攻撃への対応として提案されました。[66] AIエージェントや生成AIを含むプロジェクトにおけるデータセキュリティ保護のために、コンフィデンシャルコンピューティングが提案されています。[122]

Nvidiaの研究者によるプレプリントでは、AIエージェントのLLMの代替として小規模言語モデル（SLM）を提案し、SLMの方が安価でエネルギー効率が高いと主張している。 [123] [124]

エコノミスト誌は、サイモン・ウィリソンがAIエージェントとLLMにとっての「致命的な三要素」と表現した「外部コンテンツの露出、個人データへのアクセス、そして外部世界とのコミュニケーション」を避けるよう勧告している。[125]

アプリケーション

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年には既に議論されていました。[126]

Hallerbachらは、自動運転システムの開発と検証におけるエージェントベースアプローチの適用を検討した。彼らの手法は、試験車両のデジタルツインと、独立したエージェントを用いたミクロな交通シミュレーションを伴っていた。[127]

ウェイモは、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。[128] [129]このシステムは、人間の運転手、歩行者、自動運転車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用い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。[130] [131]

運輸保安局は、生体認証や写真を使った乗客の身元認証やインシデント対応のための機械など、新しい技術にエージェントAIを統合している。[132]

参照

参考文献

  1. ^ Russell & Norvig 2003、第2章より。
  2. ^ ab Bringsjord, Selmer; Govindarajulu, Naveen Sundar (2018年7月12日). 「人工知能」. Edward N. Zalta (編).スタンフォード哲学百科事典 (2020年夏版) .
  3. ^ ウォルチョーバー、ナタリー（2020年1月30日）「人工知能は私たちの要求通りに行動する。それが問題だ」Quanta Magazine 。 2020年6月21日閲覧。
  4. ^ ab Bull, Larry (1999). 「モデルベース進化計算について」. Soft Computing . 3 (2): 76– 82. doi :10.1007/s005000050055. S2CID  9699920.
  5. ^ ドミンゴス 2015、第5章。
  6. ^ ドミンゴス 2015、第7章。
  7. ^ Lindenbaum, M., Markovitch, S., & Rusakov, D. (2004). 最近傍分類器のための選択的サンプリング. 機械学習, 54(2), 125–152.
  8. ^ 「生成的敵対ネットワーク：GANとは何か、そしてどのように進化してきたか」VentureBeat . 2019年12月26日. 2020年6月18日閲覧。
  9. ^ ウォルチョーバー、ナタリー（2020年1月）「人工知能は私たちの要求通りに行動する。それが問題だ」Quanta Magazine 。 2020年6月18日閲覧。
  10. ^ Andrew Y. Ng、Daishi Harada、Stuart Russell. 「報酬変換下における政策不変性：理論と報酬形成への応用」ICML、第99巻、278-287頁、1999年。
  11. ^ マーティン・フォード. 知能の建築家：AIを構築する人々から見たAIの真実. Packt Publishing Ltd, 2018.
  12. ^ 「なぜAlphaZeroの人工知能は現実世界で問題を抱えるのか」Quanta Magazine、2018年。 2020年6月18日閲覧。
  13. ^ Adams, Sam; Arel, Itmar; Bach, Joscha; Coop, Robert; Furlan, Rod; Goertzel, Ben; Hall, J. Storrs; Samsonovich, Alexei; Scheutz, Matthias; Schlesinger, Matthew; Shapiro, Stuart C.; Sowa, John (2012年3月15日). 「人間レベルの汎用人工知能の展望」. AI Magazine . 33 (1): 25. doi : 10.1609/aimag.v33i1.2322 .
  14. ^ Hutson, Matthew (2020年5月27日). 「一部のAI分野における目覚ましい進歩は現実ではない」. Science | AAAS . 2020年6月18日閲覧。
  15. ^ ラッセル＆ノルヴィグ 2003、33ページ
  16. ^ サラモン、トーマス (2011). エージェントベースモデルの設計. レーピン: ブルックナー出版. pp.  42– 59. ISBN 978-80-904661-1-1。
  17. ^ ラッセル＆ノルヴィグ 2003、46～54ページ
  18. ^ Thakur, Shreeya. 「AIエージェント：例を挙げて説明する5つの主要なタイプ // Unstop」. unstop.com . 2025年4月24日閲覧。
  19. ^ 「AIエージェントの種類 | IBM」www.ibm.com 2025年3月17日2025年4月24日閲覧。
  20. ^ ステファノ・アルブレヒト、ピーター・ストーン (2018). 「自律エージェントによる他エージェントのモデリング：包括的な調査と未解決問題」人工知能誌、第258巻、66-95頁。https://doi.org/10.1016/j.artint.2018.01.002
  21. ^ 「AIエージェントとは何か？ コンピュータ科学者が人工知能ツールの次世代を解説」Inverse 2024年12月24日2025年4月24日閲覧。
  22. ^ Box, Geeks out of the (2019年12月4日). 「知能のための普遍的な公式」. Geeks out of the box . 2022年10月11日閲覧。
  23. ^ Wissner-Gross, AD; Freer, CE (2013-04-19). 「因果的エントロピー力」. Physical Review Letters . 110 (16) 168702. Bibcode :2013PhRvL.110p8702W. doi : 10.1103/PhysRevLett.110.168702 . hdl : 1721.1/79750 . PMID  23679649.
  24. ^ Poole, David; Mackworth, Alan. 「1.3 環境内に配置されたエージェント‣ 第2章 エージェントアーキテクチャと階層的制御‣ 人工知能：計算エージェントの基礎、第2版」artint.info . 2018年11月28日閲覧。
  25. ^ フィンガー、ピーター (2018). 「インテリジェントエージェントとの未来をめぐる競争…そして告白」. Forbes Sites . 2020年6月18日閲覧。
  26. ^ Burgin, Mark; Dodig-Crnkovic, Gordana (2009). 「人工エージェントへの体系的アプローチ」arXiv : 0902.3513 [cs.AI].
  27. ^ カサボフ 1998.
  28. ^ パーディ、マーク (2024年12月12日). 「エージェントAIとは何か、そしてそれは仕事にどのような変化をもたらすのか？」ハーバード・ビジネス・レビュー. ISSN  0017-8012 . 2025年4月24日閲覧。
  29. ^ abc Kapoor, Sayash; Stroebl, Benedikt; Siegel, Zachary S.; Nadgir, Nitya; Narayanan, Arvind (2024). 「AIエージェントの重要性」arXiv : 2407.01502 [cs.LG].
  30. ^ abc Holmes, Aaron (2025年7月7日). 「7種類のAIエージェント」. The Information . 2025年7月20日時点のオリジナルよりアーカイブ。2025年11月9日閲覧。
  31. ^ Zeff, Maxwell; Wiggers, Kyle (2025年3月14日). 「AIエージェントとは何か誰も知らない」TechCrunch . 2025年3月18日時点のオリジナルよりアーカイブ。 2025年5月15日閲覧。
  32. ^ Varanasi, Lakshmi. 「AIエージェントは大流行。しかし、その機能については誰も同意できない」Business Insider . 2025年4月11日時点のオリジナルよりアーカイブ。 2025年5月15日閲覧。
  33. ^ Bort, Julie (2025年5月12日). 「a16zのVCでさえ、AIエージェントとは何かを本当に理解している人はいないと言っている」TechCrunch . オリジナルから2025年5月12日時点のアーカイブ。 2025年5月15日閲覧。
  34. ^ Field, Hayden (2025年8月31日). 「AIエージェントはSF映画であり、まだゴールデンタイムには間に合わない」The Verge . 2025年9月15日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  35. ^ abcdefgh 「AIエージェント：次世代の人工知能」The National Law Review、2024年12月30日。2025年1月11日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  36. ^ abc 「『AIエージェント』のリスクとメリットとは？」世界経済フォーラム2024年12月16日。2024年12月28日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  37. ^ ab Knight, Will (2024年3月14日). 「チャットボットは忘れろ。AIエージェントこそが未来だ」Wired . ISSN  1059-1028. 2025年1月5日時点のオリジナルよりアーカイブ。2025年1月14日閲覧。
  38. ^ ab Marshall, Matt (2025年2月22日). 「ブラウザ利用エージェントの台頭：ConvergenceのProxyがOpenAIのOperatorに勝る理由」VentureBeat . 2025年2月22日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  39. ^ Milmo, Dan (2025年2月3日). 「OpenAI、リサーチアナリストに匹敵する『ディープリサーチ』ツールを発表」. The Guardian . ISSN  0261-3077. 2025年2月3日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  40. ^ Chen, Caiwei (2025年3月11日). 「AI業界では誰もがマヌスについて語っている。我々はそれをテストした」MIT Technology Review . 2025年3月12日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  41. ^ abc 「中国はAIエージェント開発における世界的な競争で優位に立っている」Rest of World . 2025年6月2日. オリジナルより2025年6月2日時点のアーカイブ。 2025年6月12日閲覧。
  42. ^ David, Emilia (2024年12月30日). 「なぜ2025年はAIオーケストレーションの年になるのか」VentureBeat . オリジナルより2024年12月30日アーカイブ。 2025年1月14日閲覧。
  43. ^ 「CAMEL: エージェントのスケーリング則を見つける。最初で最良のマルチエージェントフレームワーク」。GitHub。
  44. ^ Li, Guohao (2023). 「Camel：大規模言語モデル社会における「心」の探究のためのコミュニケーションエージェント」（PDF） .神経情報処理システムの進歩. 36 : 51991–52008 . arXiv : 2303.17760 . S2CID  257900712.
  45. ^ Dickson, Ben (2023年10月3日). 「MicrosoftのAutoGenフレームワークにより、複数のAIエージェントが相互に通信してタスクを完了することが可能に」VentureBeat . オリジナルより2024年12月27日アーカイブ。 2025年1月14日閲覧。
  46. ^ 「次なるAIの波、つまりエージェントには警告ラベルが付くべきだ」Computerworld . 2025年1月13日. 2025年1月14日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  47. ^ David, Emilia (2025年4月15日). 「MoveworksがAIエージェントライブラリブームに参入」VentureBeat . オリジナルより2025年4月15日アーカイブ。 2025年5月14日閲覧。
  48. ^ David, Emilia (2025年3月6日). 「Cisco、LangChain、GalileoがAIエージェント構築のための標準オープンフレームワークを開発」VentureBeat . 2025年3月9日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  49. ^ Zeff, Maxwell (2025年3月5日). 「GibberLinkはAIエージェントがロボット言語で通話できるようにする」TechCrunch . オリジナルより2025年3月5日アーカイブ。 2025年4月2日閲覧。
  50. ^ Cooney, Michael (2025年1月30日). 「シスコ、AIエージェントの安全な連携を実現する『エージェントのインターネット』を推奨」. Network World . 2025年1月31日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  51. ^ Clark, Lindsay (2025年4月10日). 「Googleが突如現れ、AIエージェントについて誰かが言ったのか？」The Register . 2025年4月10日時点のオリジナルよりアーカイブ。 2025年5月14日閲覧。
  52. ^ ab Stokel-Walker, Chris (2025年6月11日). 「AIエージェントによるインターネット支配を大手テック企業が阻止できるか？」New Scientist . 2025年6月11日時点のオリジナルよりアーカイブ。 2025年6月12日閲覧。
  53. ^ David, Emilia (2025年3月28日). 「エージェントの信頼性に対する新たなアプローチ、AgentSpecは、エージェントにルール遵守を強制する」VentureBeat . オリジナルより2025年4月12日アーカイブ。 2025年5月14日閲覧。
  54. ^ Edwards, Benj (2025年2月5日). 「Hugging FaceがOpenAIのDeep Researchを24時間でクローン」Ars Technica . 2025年2月6日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  55. ^ Wiggers, Kyle (2025年5月6日). 「Hugging Face、Operatorのようなエージェント型AIツールを無料リリース」TechCrunch . オリジナルより2025年5月6日アーカイブ。 2025年5月14日閲覧。
  56. ^ Ortiz, Sabrina (2025年2月14日). 「どのAIエージェントが最強か？この新しいリーダーボードでわかる」ZDNET . オリジナルより2025年3月30日アーカイブ。 2025年4月2日閲覧。
  57. ^ ウィル・ナイト (2025年5月22日). 「アラブ首長国連邦の研究所が最先端AIプロジェクトを発表、シリコンバレーに新たな拠点も」. Wired . ISSN  1059-1028. 2025年5月22日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  58. ^ Orland, Kyle (2024年12月6日). 「GoogleのGenie 2「世界モデル」の公開は、答えよりも多くの疑問を残す」Ars Technica . 2024年12月7日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  59. ^ Zeff, Maxwell (2025年9月21日). 「シリコンバレー、AIエージェントの訓練に『環境』に巨額投資」TechCrunch . 2025年9月16日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  60. ^ Colback, Lucy (2025年5月7日). 「AIエージェント：副操縦士から自動操縦士へ」. Financial Times . 2025年5月7日時点のオリジナルよりアーカイブ。 2025年5月14日閲覧。
  61. ^ Knight, Will (2024年9月25日). 「これまでで最も有能なオープンソースAIモデルはAIエージェントをスーパーチャージできる」. Wired . ISSN  1059-1028. 2025年3月28日時点のオリジナルよりアーカイブ。 2025年6月12日閲覧。
  62. ^ Takahashi, Dean (2024年11月4日). 「NVIDIA AI Blueprintにより、あらゆる開発者がビデオを分析する自動エージェントを簡単に構築可能」VentureBeat . オリジナルより2024年12月5日アーカイブ。 2025年6月12日閲覧。
  63. ^ Takahashi, Dean (2025年1月7日). 「Nvidia、動画分析可能なAIエージェントのブループリントを発表」VentureBeat . オリジナルより2025年4月4日アーカイブ。 2025年6月12日閲覧。
  64. ^ Edwards, Benj (2025年2月20日). 「Microsoftの新しいAIエージェントはソフトウェアとロボットを制御できる」Ars Technica . 2025年5月20日時点のオリジナルよりアーカイブ。 2025年6月12日閲覧。
  65. ^ 「Visa、人工知能「エージェント」によるクレジットカード発行を検討」AP通信2025年4月30日。2025年5月1日時点のオリジナルよりアーカイブ。 2025年5月14日閲覧。
  66. ^ ab Goldman, Sharon (2025年6月11日). 「Microsoft Copilotの欠陥は、AIエージェントを導入する企業にとって緊急の課題を提起する」Fortune . 2025年6月11日時点のオリジナルよりアーカイブ。 2025年6月12日閲覧。
  67. ^ Haskins, Caroline (2025年5月2日). 「DOGEリクルーターが米国政府全体にAIエージェントを展開するプロジェクトにスタッフを配置」Wired . ISSN  1059-1028. 2025年5月3日時点のオリジナルよりアーカイブ。 2025年5月14日閲覧。
  68. ^ Kachwala, Zaheer (2025年8月18日). 「Googleの調査によると、ビデオゲーム開発者の約90%がAIエージェントを使用している」ロイター. 2025年8月18日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  69. ^ ab Knibbs, Kate (2025年9月2日). 「AIギャンブルエージェントに大金を賭ける男たち」Wired . ISSN  1059-1028. 2025年9月2日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  70. ^ ab Kharif, Olga (2025年7月29日). 「コーネル工科大学教授、AIエージェントと暗号通貨が問題を引き起こすと警告」ブルームバーグニュース. 2025年7月29日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  71. ^ ab Herrman, John (2025年8月22日). 「なぜ今、すべてがAI『エージェント』なのか」ニューヨーク. 2025年8月22日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  72. ^ ab Holmes, Aaron (2025年10月21日). 「エージェントの現実検証」. The Information . 2025年10月22日時点のオリジナルよりアーカイブ。2025年11月9日閲覧。
  73. ^ abcdef Piper, Kelsey (2024年3月29日). 「AI『エージェント』は現実世界で実際の仕事をこなせるかもしれない。それは必ずしも良いことではないかもしれない」Vox . 2024年12月19日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  74. ^ ab Purdy, Mark (2024年12月12日). 「エージェント型AIとは何か、そしてそれは仕事にどのような変化をもたらすのか？」ハーバード・ビジネス・レビュー. ISSN  0017-8012. 2024年12月30日時点のオリジナルよりアーカイブ。 2025年1月20日閲覧。
  75. ^ abc Wright, Webb (2024年12月12日). 「チャットボットよりも自律性の高いAIエージェントが登場。一部の安全専門家は懸念」. Scientific American . 2024年12月23日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  76. ^ Olson, Parmy (2025年1月27日). 「誇大広告はやめよう。AI『エージェント』が本当に役立つ方法とは？」ブルームバーグニュース. 2025年1月27日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  77. ^ 鄧、翔;ぐ、ゆ。鄭、博源。チェン、シジエ。スティーブンス、サミュエル。王、保志。サン、フアン。す、ゆ（2023）。 「Mind2Web: Web のジェネラリスト エージェントを目指して」。arXiv : 2306.06070 [cs.CL]。
  78. ^ Woodall, Tatyana (2024年1月9日). 「インターネットをよりアクセスしやすくするためにAIを開発する研究者」オハイオ州立大学ニュース. 2025年3月28日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  79. ^ abcd Mitchell, Margaret ; Ghosh, Avijit ; Luccioni, Sasha ; Pistilli, Giada (2025-03-24). 「AIエージェントに完全な制御を委ねるのはなぜ大きな間違いなのか」MIT Technology Review . 2025年3月24日時点のオリジナルよりアーカイブ。2025年4月2日閲覧。
  80. ^ abcd 「AIエージェント：その可能性と問題点を探る」BBCオンライン. 2025年5月30日. 2025年6月10日時点のオリジナルよりアーカイブ。 2025年6月12日閲覧。
  81. ^ ポーター、エドゥアルド (2025年10月23日). 「AIバブルがはじけたら、私たち全員が苦しむことになる。AIバブルが勢いを失わずに成長し続けるより、それが良いことなのだろうか？」ガーディアン紙. ISSN  0261-3077. 2025年10月23日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  82. ^ ab O'Neill, Brian (2024年12月18日). 「AIエージェントとは何か？ コンピュータ科学者が人工知能ツールの次の波を解説」The Conversation . 2025年1月4日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  83. ^ ab Huckins, Grace (2025年6月12日). 「AIエージェントに鍵を渡す準備はできているか？」MIT Technology Review . 2025年6月12日時点のオリジナルよりアーカイブ。 2025年6月15日閲覧。
  84. ^ abc Lin, Belle (2025年1月6日). 「企業はAIエージェントをどのように活用しているのか？ボットの初期ユーザー5社を紹介」.ウォール・ストリート・ジャーナル. ISSN  0099-9660. 2025年1月6日時点のオリジナルよりアーカイブ。 2025年1月20日閲覧。
  85. ^ ab Zittrain, Jonathan L. (2024年7月2日). 「AIエージェントを今すぐ制御する必要がある」. The Atlantic . 2024年12月31日時点のオリジナルよりアーカイブ。 2025年1月20日閲覧。
  86. ^ Kerner, Sean Michael (2025年1月16日). 「Nvidia、新しいNeMo Guardrails NIMでエージェントAIの安全性とセキュリティに取り組む」VentureBeat . オリジナルより2025年1月16日アーカイブ。 2025年1月20日閲覧。
  87. ^ 「AIエージェントがあなたのプライバシーを狙っているとメレディス・ウィテカーが警告」エコノミスト誌、2025年9月9日。ISSN 0013-0613  。2025年9月16日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  88. ^ Silva, Daswin de (2025年7月27日). 「AIエージェントが登場。AIエージェントができること、そしてAIエージェントがどのような間違いを犯す可能性があるのか​​、知っておくべきこと」The Conversation . 2025年7月28日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  89. ^ Crawford, Kate (2024年12月23日). 「AIエージェントは操作エンジンになる」. Wired . ISSN  1059-1028. 2025年1月3日時点のオリジナルよりアーカイブ。 2025年1月14日閲覧。
  90. ^ abc 「AIエージェントと不必要な自動化に対する反論」The Register . 2025年1月27日. 2025年1月27日時点のオリジナルよりアーカイブ。 2025年1月30日閲覧。
  91. ^ Blackman, Reid (2025年6月13日). 「組織はエージェント型AIのリスクにまだ備えていない」. Harvard Business Review . ISSN  0017-8012. 2025年6月13日時点のオリジナルよりアーカイブ。 2025年6月15日閲覧。
  92. ^ 「AIのエネルギーフットプリントを計算してみた。これまで聞いたことのない話がある」MITテクノロジーレビュー。2025年5月20日。2025年5月20日時点のオリジナルよりアーカイブ。 2025年6月12日閲覧。私たちは小規模から始めました。なぜなら、1つのクエリにどれくらいのコストがかかるかという問題は、全体像を理解する上で極めて重要だからです。なぜなら、これらのクエリは、スタンドアロンのチャットボットを超えて、検索からエージェント、フィットネスの記録、オンラインショッピング、航空券の予約などに使うありふれた日常的なアプリに至るまで、ますます多くのアプリケーションに組み込まれているからです。この人工知能革命を推進するために必要なエネルギー資源は膨大であり、世界最大のテクノロジー企業は、そのエネルギーをさらに活用することを最優先事項とし、その過程でエネルギー網の再構築を目指しています。
  93. ^ 「AIのエネルギー消費量を集計する取り組みの内幕」MITテクノロジーレビュー。2025年6月3日。オリジナルから2025年6月3日にアーカイブ。 2025年6月12日閲覧。多くのAI企業が、より長時間「思考」し、より多くのエネルギーを消費する推論モデルを構築しています。ジョニー・アイブ氏が開発しているようなハードウェアデバイス（OpenAIが65億ドルで買収したばかり）のように、私たちの会話のバックグラウンドでAIが常にブーンと音を立てるデバイスを開発しています。また、私たちに代わって行動するエージェントやデジタルクローンも設計しています。こうした傾向はすべて、よりエネルギー集約的な未来を示唆しています（これもまた、OpenAIなどがエネルギーに途方もない金額を費やしている理由を説明するものです）。
  94. ^ Levy, Steven (2025年6月20日). 「ビッグテックの幹部たちが陸軍で何をするのか」. Wired . ISSN  1059-1028. 2025年6月20日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  95. ^ Wong, Matteo (2025-03-14). 「サム・アルトマンは雇用市場について正しかったのか？」. The Atlantic . 2025-03-17にオリジナルからアーカイブ。2025-04-02に閲覧。言い換えれば、欠陥のある製品がテクノロジー企業によるあらゆるものの自動化への取り組みを止めることはできない。AIが溢れる未来はせいぜい不完全なものになるだろうが、いずれにせよ到来するのだ。
  96. ^ ab Agarwal, Shubham. 「カーネギーメロン大学は偽の企業にAIエージェントを配置した。それは完全な失敗だった」Business Insider . 2025年4月28日時点のオリジナルよりアーカイブ。 2025年5月15日閲覧。
  97. ^ Sabin, Sam (2025年4月22日). 「独占記事：Anthropic、AI従業員の完全解放は1年後と警告」Axios . 2025年4月23日時点のオリジナルよりアーカイブ。 2025年5月15日閲覧。
  98. ^ 徐、フランク F.ソン、ユファン。リー・ボクセン。唐玉軒。ジャイナ教、クリタンジャリ語。包、孟雪。ワン、ゾラ Z。周、徐輝。郭志通。曹操、慕容。ヤン、ミンヤン。ハオ・ヤン・ルー;マーティン、アマド。スー、ゼー。メイベン、リアンダー。メータ、ラージ。チー、ウェイン。チャン、ローレンス。謝、宜清。周、シューヤン。ノイビッヒ、グレアム (2024)。 「TheAgentCompany: 現実世界の重大なタスクに関する LLM エージェントのベンチマーク」。arXiv : 2412.14161 [cs.CL]。
  99. ^ Claburn, Thomas (2025年1月23日). 「『初のAIソフトウェアエンジニア』と謳われたツールは仕事が下手だとテスターが主張」The Register . 2025年3月30日時点のオリジナルよりアーカイブ。 2025年6月15日閲覧。
  100. ^ Clark, Lindsay (2025年6月16日). 「Salesforceの調査で、LLMエージェントがCRMテストと機密保持テストで不合格だったことが判明」The Register . 2025年6月16日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  101. ^ Huang, Kung-Hsiang; Prabhakar, Akshara; Thorat, Onkar; Agarwal, Divyansh; Choubey, Prafulla Kumar; Mao, Yixin; Savarese, Silvio; Xiong, Caiming; Wu, Chien-Sheng (2025-05-24), CRMArena-Pro: Holistic Assessment of LLM Agents Across Diverse Business Scenarios and Interactions, arXiv, doi :10.48550/arXiv.2505.18878, arXiv:2505.18878, 2025-06-13にオリジナルからアーカイブ、 2025-11-09に取得
  102. ^ ウィル・ナイト (2025年10月29日). 「AIエージェントはひどいフリーランス労働者だ」. Wired . ISSN  1059-1028. 2025年11月2日時点のオリジナルよりアーカイブ。2025年11月9日閲覧。
  103. ^ Morrow, Allison (2025年6月18日). 「AIによる警告は、CEOが従業員に職を失う恐怖を抱かせ続けるための、流行の最新手法」CNN . オリジナルより2025年6月18日アーカイブ。 2025年11月9日閲覧。
  104. ^ ハート、ジョーダン。「Coinbase CEOは『反逆者』となり、AI導入を指示されたにもかかわらず導入しなかった従業員を解雇した」。Business Insider。2025年8月21日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  105. ^ ラングレー、ヒュー. 「Google社員にとって、あらゆることにAIを使うか、さもなくば取り残されるかというプレッシャーがかかっている」Business Insider . 2025年8月21日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  106. ^ Landymore, Frank (2025年10月22日). 「AWSのインターネット停止は、AmazonがAI導入を優先して多数の従業員を解雇した後に起きた」Futurism . 2025年10月24日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  107. ^ ケイティ・バレヴィック「Signal社長、期待のエージェント型AIボットがユーザーのプライバシーを脅かすと警告」Business Insider 2025年3月12日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  108. ^ ホーンスタイン、ジュリア。「AIエージェントが軍隊に導入される。ベンチャーキャピタルは歓迎するが、研究者は少し警戒している」。Business Insider。2025年3月12日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  109. ^ Regalbuto, Gabriele (2025年7月28日). 「元陸軍将校が軍事利用のためのオフラインAIを開発、ペンタゴンがテック大手企業に資金提供」Fox Business . 2025年7月28日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  110. ^ Tangermann, Victor (2025年3月6日). 「ペンタゴン、軍事利用のためのAIエージェント配備契約に署名」Futurism . 2025年3月8日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  111. ^ Jensen, Benjamin (2025年3月4日). 「危機におけるAIエージェントの行動に関する厄介な真実」Foreign Policy . 2025年3月4日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  112. ^ Nuñez, Michael (2025年2月25日). 「OpenAIがPlusユーザーへのDeep Researchアクセスを拡大、DeepSeekとClaudeとのAIエージェント戦争が激化」VentureBeat . オリジナルより2025年3月11日アーカイブ。 2025年4月2日閲覧。
  113. ^ Herrman, John (2025年1月25日). 「AI『エージェント』の目的とは？」Intelligencer . 2025年1月25日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  114. ^ Caramela, Sammi (2025年2月1日). 「『Dead Internet Theory』がAIの汚点のおかげで復活」VICE . 2025年2月1日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  115. ^ Metz, Cade; Weise, Karen (2023年10月16日). 「インターネットを徘徊する『AIエージェント』が、いつか労働者に取って代わる可能性」ニューヨーク・タイムズ. ISSN  0362-4331. 2023年12月19日時点のオリジナルよりアーカイブ。 2025年4月2日閲覧。
  116. ^ ミン、リー・チョン。「ReplitのCEO、AIエージェントがテスト実行中に会社のコードベースを消去し、それについて嘘をついたとして謝罪」Business Insider。2025年10月7日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  117. ^ Edwards, Benj (2025年7月24日). 「2つの大手AIコーディングツールが連鎖的なミスを起こし、ユーザーデータを消去」Ars Technica . 2025年7月25日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  118. ^ Williams, Tom (2025年7月24日). 「新しいChatGPTエージェントは本当に兵器リスクなのか？」[[[Australian Computer Society|Information Age]] . 2025年7月29日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  119. ^ Franzen, Carl (2025年7月31日). 「AIの『ディープリサーチ』ツールについて聞いたことがあるでしょう…Manus社が100以上のエージェントを投入してウェブをくまなく調査する『ワイドリサーチ』を発表」VentureBeat . オリジナルより2025年8月22日アーカイブ。 2025年11月9日閲覧。
  120. ^ ウィル・ナイト (2025年4月9日). 「AIエージェント時代に求められる新たなゲーム理論」Wired . ISSN  1059-1028. 2025年4月9日時点のオリジナルよりアーカイブ。 2025年5月15日閲覧。
  121. ^ Varanasi, Lakshmi. 「AIエージェントにまだ興奮しすぎないで。彼らは多くの間違いを犯します」Business Insider . 2025年4月18日時点のオリジナルよりアーカイブ。 2025年5月15日閲覧。
  122. ^ Shah, Agam (2025年7月21日). 「AIエージェントが主流になるにつれ、企業はデータセキュリティのために機密コンピューティングに傾倒する」Computerworld . オリジナルから2025年7月22日時点のアーカイブ。 2025年11月9日閲覧。
  123. ^ Belcak, Peter; Heinrich, Greg; Diao, Shizhe; Fu, Yonggan; Dong, Xin; Muralidharan, Saurav; Lin, Yingyan Celine; Molchanov, Pavlo (2025-09-15), Small Language Models are the Future of Agentic AI, arXiv, doi :10.48550/arXiv.2506.02153, arXiv:2506.02153, 2025-10-04にオリジナルからアーカイブ, 2025-11-09取得
  124. ^ Blum, Sam (2025年8月12日). 「サム・アルトマンはAIバブルの到来をうっかり認めてしまったのか？」Inc. 2025年8月30日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  125. ^ 「AIシステムが安全ではない理由と、それに対する対策」エコノミスト誌、2025年9月22日。ISSN 0013-0613  。2025年10月11日時点のオリジナルよりアーカイブ。 2025年11月9日閲覧。
  126. ^ Yang, Guoqing; Wu, Zhaohui; Li, Xiumei; Chen, Wei (2003). 「SVE：組み込みエージェントベーススマート車両環境」. 2003 IEEE 国際インテリジェント交通システム会議論文集. 第2巻. pp.  1745– 1749. doi :10.1109/ITSC.2003.1252782. ISBN 0-7803-8125-4. S2CID  110177067。
  127. ^ Hallerbach, S.; Xia, Y.; Eberle, U.; Koester, F. (2018). 「協調型自動運転車両におけるクリティカルシナリオのシミュレーションベース識別」SAE International Journal of Connected and Automated Vehicles . 1 (2). SAE International: 93. doi :10.4271/2018-01-1066.
  128. ^ マドリガル、アレクシス・C.による記事「ウェイモの自動運転車トレーニングのための秘密の世界」アトランティック誌。 2020年8月14日閲覧。
  129. ^ Connors, J.; Graham, S.; Mailloux, L. (2018). 「車両対車両アプリケーションのためのサイバー合成モデリング」.国際サイバー戦争とセキュリティ会議. Academic Conferences International Limited: 594-XI.
  130. ^ Nuñez, Michael (2025年3月5日). 「SalesforceがAgentforce 2dxをリリース、企業システム全体でAIを自律的に実行可能に」VentureBeat . 2025年4月24日閲覧。
  131. ^ 「Salesforce、自律型AIボットの開発を支援するAgentforceを発表」CIO 2025年4月24日閲覧。
  132. ^ 「TSA、生体認証AIを活用した空港入国審査セキュリティを披露」techinformed.com 2025年1月23日2025年4月24日閲覧。

出典