AIエージェントはどのようにして真の知性を獲得するのか？

正直なところ、あちこちでAIエージェントのプロジェクトを目にするとき、私はよく思う。これらのいわゆる「インテリジェント」システムは、本当の自律的思考からどの程度離れているのだろうか？最近、私はいくつかの詳細な分析、特にかつて非常に人気を博したManusの事例を読み、この疑問を改めて考えさせられた。真のインテリジェンスとは、どれだけ多くのことができるかではなく、特定のシナリオにおいて継続的に学習し、自己最適化できるかどうか、さらには人間の介入なしに自らのミスを修正できるかどうかにあるのかもしれない。実験室では99%の精度は優れているが、実際の道路では100回ごとに事故が起こる。

インテリジェンスの核心：事後対応から事前計画へ

ほとんどのAIエージェントは、検索エンジンの進化版のように、「あなたが尋ねれば、私が答える」というモードにとどまっている。しかし、真にインテリジェントなエージェントは、指示を理解するだけでなく、人間のアシスタントのように能動的にタスクのステップを計画することができるはずだ。例えば、真にインテリジェントなエージェントに会議の準備を手伝わせる場合、関連情報の自動検索、会議室の予約、参加者の時間調整、さらには会議後に議事録の作成やToDoリストのフォローアップなど、個々のタスクだけでなく、一連のプロセス全体をダイナミックに計画する能力が必要です。を実行する。

データと記憶：知的進化の礎石

最近のAIエージェントは、しばしば同じミスを犯すことにお気づきだろうか。その背景には、実は記憶メカニズムの欠如がある。人間がどんどん賢くなれるのは、過去の経験から学ぶことができるからです。既存のエージェントシステムは、GPT-4のようなトップモデルでさえ、複雑なタスクに対処するとき、しばしば「金魚の記憶」のように振る舞います。真にインテリジェントなエージェントは、同様のシナリオで繰り返される落とし穴を回避するために、各インタラクションの結果を再利用可能な知識に変換するRAGテクノロジーなど、継続的な学習メカニズムを確立する必要があります。

垂直深耕：スマートな土地への真の道

マヌスでのケースは、私たちに重要な教訓を与えてくれる。何でもできると主張する "万能エージェント "は、結局特定の分野に特化することができない。逆に、医学分野のOpenEvidenceは、医学文献の分析にのみ焦点を当てており、引用文献を用いた専門的なアドバイスを与えることができる。この垂直的な分野の深い知性は、むしろ何でも少しは知っている「油」よりも実用的な価値がある。結局のところ、実際の仕事の場面では、何でも知っている素人ではなく、究極の専門家として特定のタスクをこなす必要があるのだ。

評価システム："賢さ "の基準を再定義する

既存のAIエージェントの評価方法は本当に科学的なのだろうか？HALチームの研究結果は衝撃的だった。36のテストケースのうち、驚くべきことに21のテストケースで、推論の努力が高いほど精度が下がるという結果が出たのだ！これは、知能の測定方法を再考する必要があることを示唆している。正確さに加えて、行動の解釈可能性、タスク完了の安定性、さらにはミスを犯した後の自己修正能力も考慮すべきである。結局のところ、実世界での応用においては、時折大きな間違いを犯す「天才」よりも、間違いを認めて修正できるエージェントの方がはるかに信頼できるのである。

結局のところ、AIエージェントが真の知性を獲得するためには、「汎用性」へのこだわりを捨て、代わりに特定の分野における深みと専門性を追求する必要があるのかもしれない。人間の専門家と同じように、真のインテリジェンスとは、すべての質問の答えを知っていることではなく、自分の専門分野で最善の解決策を見つける方法を知り、その過程で改善し続けることができることなのだ。これこそが、マヌスが業界全体に残した最も価値ある教訓なのだろう。