ในปัญญาประดิษฐ์ตัวแทนอัจฉริยะคือสิ่งมีชีวิตที่รับรู้สภาพแวดล้อมของตนเองดำเนินการอย่างอิสระเพื่อให้บรรลุเป้าหมาย และอาจพัฒนาประสิทธิภาพของตนเองผ่านการเรียนรู้ของเครื่องจักรหรือโดยการได้รับความรู้ตำราเรียนด้านปัญญาประดิษฐ์นิยามปัญญาประดิษฐ์ว่าเป็นการ "ศึกษาและออกแบบตัวแทนอัจฉริยะ" โดยเน้นว่าพฤติกรรมที่มุ่งสู่เป้าหมายเป็นหัวใจสำคัญของความฉลาด

ปัญญาประดิษฐ์เชิงตัวแทน (หรือที่รู้จักกันในชื่อตัวแทน AI หรือเรียกสั้น ๆ ว่าตัวแทน) เป็นกลุ่มย่อยเฉพาะของตัวแทนอัจฉริยะ ซึ่งขยายแนวคิดนี้โดยการดำเนินการตามเป้าหมาย ตัดสินใจและกระทำการต่าง ๆ อย่างต่อเนื่องในช่วงระยะเวลาที่ยาวนาน

ตัวแทนอัจฉริยะสามารถมีได้ตั้งแต่แบบง่ายไปจนถึงแบบซับซ้อนมากเทอร์โมสตัทหรือระบบควบคุม พื้นฐานถือ ^เป็นตัวแทนอัจฉริยะ เช่นเดียวกับมนุษย์หรือระบบอื่นใดที่ตรงตามเกณฑ์เดียวกัน เช่นบริษัทรัฐหรือระบบนิเวศ^{[ 1} ]

เอเจนต์อัจฉริยะทำงานโดยอาศัยฟังก์ชันวัตถุประสงค์ ซึ่งรวบรวมเป้าหมายของพวกมันไว้ เอเจนต์เหล่านี้ได้รับการออกแบบให้สร้างและดำเนินการตามแผนที่เพิ่มค่าที่คาดหวังของฟังก์ชันนี้ให้สูงสุดเมื่อดำเนินการเสร็จสิ้น^{[ 2 ]}ตัวอย่างเช่น เอเจนต์ การเรียนรู้แบบเสริมแรงมีฟังก์ชันรางวัล ซึ่งช่วยให้โปรแกรมเมอร์สามารถกำหนดพฤติกรรมที่ต้องการได้^{[ 3 ]}ในทำนองเดียวกันพฤติกรรมของอัลกอริธึมวิวัฒนาการ จะถูกชี้นำโดยฟังก์ชันความเหมาะสม ^{[ 4 ]}

ตัวแทนอัจฉริยะในปัญญาประดิษฐ์มีความเกี่ยวข้องอย่างใกล้ชิดกับตัวแทนในทางเศรษฐศาสตร์และมีการศึกษารูปแบบต่างๆ ของแบบจำลอง ตัวแทนอัจฉริยะ ในวิทยาศาสตร์การรู้คิดจริยศาสตร์และปรัชญาแห่งเหตุผลเชิงปฏิบัติตลอดจนใน การสร้างแบบจำลองทาง สังคม และ การรู้คิดแบบสหวิทยาการ และการจำลองทางสังคม ด้วย คอมพิวเตอร์ อีกมากมาย

ตัวแทนอัจฉริยะมักถูกอธิบายในเชิงโครงร่างว่าเป็นระบบการทำงานเชิงนามธรรมที่คล้ายกับโปรแกรมคอมพิวเตอร์^{[ 5 ]}เพื่อแยกแยะแบบจำลองทางทฤษฎีจากการใช้งานจริง คำอธิบายเชิงนามธรรมของตัวแทนอัจฉริยะจึงเรียกว่าตัวแทนอัจฉริยะเชิงนามธรรม ตัวแทนอัจฉริยะยังมีความเกี่ยวข้องอย่างใกล้ชิดกับตัวแทนซอฟต์แวร์ซึ่งเป็นโปรแกรมคอมพิวเตอร์อิสระที่ดำเนินการงานต่างๆ ในนามของผู้ใช้ นอกจากนี้ยังเรียกโดยใช้คำที่ยืมมาจากเศรษฐศาสตร์ว่า " ตัวแทนที่มีเหตุผล " ^{[ 1 ]}

แนวคิดเรื่องตัวแทนอัจฉริยะเป็นกรอบพื้นฐานที่ใช้ในการกำหนดและทำความเข้าใจปัญญาประดิษฐ์ ตัวอย่างเช่น หนังสือเรียนที่มีอิทธิพลเรื่องArtificial Intelligence: A Modern Approach (Russell & Norvig) อธิบายไว้ว่า:

• เอเจนต์:สิ่งใดก็ตามที่รับรู้สภาพแวดล้อม (โดยใช้เซ็นเซอร์) และกระทำการใดๆ ต่อสภาพแวดล้อมนั้น (โดยใช้ตัวกระตุ้น) ตัวอย่างเช่น หุ่นยนต์ที่มีกล้องและล้อ หรือโปรแกรมซอฟต์แวร์ที่อ่านข้อมูลและให้คำแนะนำ
• ตัวแทนที่มีเหตุผล:ตัวแทนที่มุ่งมั่นที่จะบรรลุผลลัพธ์ที่ดีที่สุดเท่าที่จะเป็นไปได้ โดยอาศัยความรู้และประสบการณ์ในอดีต "ดีที่สุด" นั้นถูกกำหนดโดยการวัดผลการปฏิบัติงานซึ่งเป็นวิธีการประเมินว่าตัวแทนนั้นทำได้ดีเพียงใด
• ปัญญาประดิษฐ์ (ในฐานะสาขา):การศึกษาและการสร้างตัวแทนที่มีเหตุผลเหล่านี้

นักวิจัยและคำจำกัดความอื่นๆ ได้ต่อยอดจากพื้นฐานนี้ Padgham และ Winikoff เน้นย้ำว่าตัวแทนอัจฉริยะควรตอบสนองต่อการเปลี่ยนแปลงในสภาพแวดล้อมอย่างทันท่วงที ดำเนินการตามเป้าหมายอย่างกระตือรือร้น และมีความยืดหยุ่นและแข็งแกร่ง (สามารถรับมือกับสถานการณ์ที่ไม่คาดคิดได้) บางคนยังเสนอแนะว่าตัวแทนในอุดมคติควร "มีเหตุผล" ในแง่เศรษฐศาสตร์ (เลือกสิ่งที่ดีที่สุด) และมีความสามารถในการใช้เหตุผลที่ซับซ้อน เช่น มีความเชื่อ ความปรารถนา และเจตนา ( แบบจำลอง BDI ) Kaplan และ Haenlein เสนอคำจำกัดความที่คล้ายกัน โดยเน้นที่ความสามารถของระบบในการทำความเข้าใจข้อมูลภายนอก เรียนรู้จากข้อมูลนั้น และใช้สิ่งที่เรียนรู้เพื่อบรรลุเป้าหมายผ่านการปรับตัวอย่างยืดหยุ่น

การนิยาม AI ในแง่ของตัวแทนอัจฉริยะมีข้อดีที่สำคัญหลายประการ:

• หลีกเลี่ยงการถกเถียงเชิงปรัชญา:มันเลี่ยงข้อโต้แย้งเกี่ยวกับว่า AI นั้น "ฉลาด" หรือมีสติสัมปชัญญะ "อย่างแท้จริง" หรือไม่ เช่นเดียวกับข้อโต้แย้งที่เกิดขึ้นจากแบบทดสอบทัวริงหรือห้องจีน ของเซิร์ล มันมุ่งเน้นไปที่พฤติกรรมและการบรรลุเป้าหมายไม่ใช่การจำลองความคิดของมนุษย์
• การทดสอบเชิงวัตถุวิสัย:วิธีนี้ช่วยให้สามารถประเมินระบบ AI ได้อย่างชัดเจนและเป็นวิทยาศาสตร์ นักวิจัยสามารถเปรียบเทียบวิธีการต่างๆ โดยการวัดว่าวิธีการเหล่านั้นสามารถเพิ่มประสิทธิภาพของ "ฟังก์ชันเป้าหมาย" (หรือฟังก์ชันวัตถุประสงค์) ที่เฉพาะเจาะจงได้ดีเพียงใด ซึ่งช่วยให้สามารถเปรียบเทียบและผสมผสานเทคนิคต่างๆ ได้โดยตรง
• การสื่อสารข้ามสาขาวิชา:สร้างภาษาที่ใช้ร่วมกันเพื่อให้นักวิจัยด้าน AI สามารถทำงานร่วมกับสาขาอื่นๆ เช่นการเพิ่มประสิทธิภาพทางคณิตศาสตร์และเศรษฐศาสตร์ซึ่งใช้แนวคิดต่างๆ เช่น "เป้าหมาย" และ "ตัวแทนที่มีเหตุผล" เช่นกัน

ฟังก์ชันวัตถุประสงค์ (หรือฟังก์ชันเป้าหมาย ) ระบุเป้าหมายของตัวแทนอัจฉริยะ ตัวแทนจะถือว่าฉลาดกว่าหากมันเลือกการกระทำที่ให้ผลลัพธ์ที่สอดคล้องกับฟังก์ชันวัตถุประสงค์ได้ดีกว่าอย่างสม่ำเสมอ กล่าวอีกนัยหนึ่ง ฟังก์ชันวัตถุประสงค์ทำหน้าที่เป็นตัววัดความสำเร็จ

ฟังก์ชันเป้าหมายอาจเป็นดังนี้:

• ง่ายๆ เลยเช่น ในเกมโกะฟังก์ชันเป้าหมายอาจกำหนดค่า 1 สำหรับการชนะ และ 0 สำหรับการแพ้
• ซับซ้อน:อาจจำเป็นต้องให้ตัวแทนประเมินและเรียนรู้จากaการกระทำในอดีต ปรับพฤติกรรมตามรูปแบบที่พิสูจน์แล้วว่ามีประสิทธิภาพ

ฟังก์ชันเป้าหมายจะรวบรวม เป้าหมาย ทั้งหมดที่ตัวแทนถูกออกแบบมาให้บรรลุ สำหรับตัวแทนที่มีเหตุผล ฟังก์ชันเป้าหมายยังรวมถึงการแลกเปลี่ยนระหว่างเป้าหมายที่อาจขัดแย้งกันด้วย ตัวอย่างเช่น ฟังก์ชันเป้าหมายของรถยนต์ไร้คนขับอาจสร้างสมดุลระหว่างปัจจัยต่างๆ เช่น ความปลอดภัย ความเร็ว และความสะดวกสบายของผู้โดยสาร

มีการใช้คำที่แตกต่างกันเพื่ออธิบายแนวคิดนี้ ขึ้นอยู่กับบริบท ซึ่งได้แก่:

• ฟังก์ชันอรรถประโยชน์: มักใช้ในเศรษฐศาสตร์และทฤษฎีการตัดสินใจ โดยแสดงถึงความน่าปรารถนาของสถานะใดสถานะหนึ่ง
• ฟังก์ชันเป้าหมาย:คำศัพท์ทั่วไปที่ใช้ในการหาค่าเหมาะสมที่สุด
• ฟังก์ชันความสูญเสีย: โดยทั่วไปใช้ในแมชชีนเลิร์นนิง ซึ่งเป้าหมายคือการ ลด ความสูญเสีย (ข้อผิดพลาด) ให้เหลือน้อยที่สุด
• ฟังก์ชันการให้รางวัล:ใช้ในการเรียนรู้แบบเสริมแรง
• ฟังก์ชันความเหมาะสม:ใช้ในระบบวิวัฒนาการ

เป้าหมาย และดังนั้น ฟังก์ชันวัตถุประสงค์ จึงสามารถเป็นได้ดังนี้:

• กำหนดไว้อย่างชัดเจน:ตั้งโปรแกรมไว้ในเอเจนต์โดยตรง
• เกิดจากการเหนี่ยวนำ:เรียนรู้หรือพัฒนาขึ้นตามกาลเวลา
  • ในการเรียนรู้แบบเสริมแรง "ฟังก์ชันรางวัล" จะให้ข้อมูลป้อนกลับ กระตุ้นพฤติกรรมที่พึงประสงค์ และยับยั้งพฤติกรรมที่ไม่พึงประสงค์ ตัวแทนจะเรียนรู้ที่จะเพิ่มรางวัลสะสมให้สูงสุด
  • ในระบบวิวัฒนาการ "ฟังก์ชันความเหมาะสม" จะกำหนดว่าตัวแทนใดมีแนวโน้มที่จะสืบพันธุ์ได้มากกว่า ซึ่งคล้ายคลึงกับการคัดเลือกโดยธรรมชาติ ที่สิ่งมีชีวิตวิวัฒนาการเพื่อเพิ่มโอกาสในการอยู่รอดและการสืบพันธุ์ให้สูงสุด^{[ 6 ]}

ระบบ AI บางระบบ เช่นnearest-neighborใช้เหตุผลโดยการเปรียบเทียบแทนที่จะมีเป้าหมายที่ชัดเจน อย่างไรก็ตาม แม้แต่ระบบเหล่านี้ก็ยังสามารถมีเป้าหมายที่กำหนดไว้โดยปริยายภายในข้อมูลการฝึกอบรมได้^{[ 7 ]}ระบบดังกล่าวยังคงสามารถวัดประสิทธิภาพ ได้ โดยการกำหนดกรอบระบบที่ไม่มีเป้าหมายให้เป็นระบบที่มี "เป้าหมาย" คือการบรรลุภารกิจการจำแนกประเภทที่แคบ^{[ 8 ]}

ระบบที่ไม่ได้รับการพิจารณาว่าเป็นตัวแทนแบบดั้งเดิม เช่นระบบการแสดงความรู้บางครั้งถูกรวมอยู่ในกระบวนทัศน์โดยการกำหนดกรอบให้เป็นตัวแทนที่มีเป้าหมาย เช่น การตอบคำถามอย่างถูกต้อง ในที่นี้ แนวคิดของ "การกระทำ" ถูกขยายให้ครอบคลุม "การกระทำ" ของการให้คำตอบ ในฐานะที่เป็นส่วนขยายเพิ่มเติม ระบบที่ขับเคลื่อนด้วยการเลียนแบบสามารถกำหนดกรอบให้เป็นตัวแทนที่ปรับ "ฟังก์ชันเป้าหมาย" ให้เหมาะสมที่สุดโดยพิจารณาจากความใกล้เคียงที่ตัวแทนเลียนแบบพฤติกรรมที่ต้องการ^{[ 2 ]}ในเครือข่ายปฏิปักษ์เชิงสร้างสรรค์ (GANs) ในช่วงทศวรรษ 2010 ส่วนประกอบ "ตัวเข้ารหัส" / "ตัวสร้าง" พยายามเลียนแบบและปรับปรุงการแต่งข้อความของมนุษย์ ตัวสร้างพยายามเพิ่มฟังก์ชันที่แสดงถึงความสามารถในการหลอกส่วนประกอบ "ตัวทำนาย" / "ตัวแยกแยะ" ที่เป็นปฏิปักษ์ได้ดีเพียงใด^{[ 9 ]}

ในขณะที่ ระบบ AI เชิงสัญลักษณ์มักใช้ฟังก์ชันเป้าหมายที่ชัดเจน รูปแบบนี้ยังใช้ได้กับเครือข่ายประสาทและการคำนวณเชิงวิวัฒนาการการเรียนรู้แบบเสริมแรงสามารถสร้างตัวแทนอัจฉริยะที่ดูเหมือนจะกระทำการในลักษณะที่ตั้งใจจะเพิ่ม "ฟังก์ชันรางวัล" ให้สูงสุด^{[ 10 ]}บางครั้ง แทนที่จะตั้งค่าฟังก์ชันรางวัลให้เท่ากับฟังก์ชันการประเมินมาตรฐานที่ต้องการโดยตรง โปรแกรมเมอร์การเรียนรู้ของเครื่องจะใช้การปรับแต่งรางวัลเพื่อให้เครื่องได้รับรางวัลสำหรับความก้าวหน้าทีละน้อยในตอนเริ่มต้น^{[ 11 ]} Yann LeCunกล่าวในปี 2018 ว่า "อัลกอริธึมการเรียนรู้ส่วนใหญ่ที่ผู้คนคิดค้นขึ้นมานั้นโดยพื้นฐานแล้วประกอบด้วยการลดฟังก์ชันวัตถุประสงค์บางอย่างให้เหลือน้อยที่สุด" ^{[ 12 ]} หมากรุก AlphaZeroมีฟังก์ชันวัตถุประสงค์ที่เรียบง่าย: +1 คะแนนสำหรับการชนะแต่ละครั้ง และ -1 คะแนนสำหรับการแพ้แต่ละครั้ง ฟังก์ชันวัตถุประสงค์ของรถยนต์ขับเคลื่อนอัตโนมัติจะซับซ้อนกว่า^{[ 13 ]}การคำนวณเชิงวิวัฒนาการสามารถพัฒนาตัวแทนอัจฉริยะที่ดูเหมือนจะกระทำการในลักษณะที่ตั้งใจจะเพิ่ม "ฟังก์ชันความเหมาะสม" ให้สูงสุด ซึ่งมีอิทธิพลต่อจำนวนลูกหลานที่ตัวแทนแต่ละตัวได้รับอนุญาตให้มี^{[ 4 ]}

รูปแบบทางคณิตศาสตร์ของAIXIได้รับการเสนอให้เป็นตัวแทนอัจฉริยะสูงสุดในกระบวนทัศน์นี้^{[ 14 ]}อย่างไรก็ตาม AIXI ไม่สามารถคำนวณได้ในโลกแห่งความเป็นจริง ตัวแทนอัจฉริยะถูกจำกัดด้วยเวลาและทรัพยากรฮาร์ดแวร์ที่จำกัด และนักวิทยาศาสตร์ต่างแข่งขันกันเพื่อสร้างอัลกอริทึมที่ได้คะแนนสูงขึ้นเรื่อยๆ ในการทดสอบมาตรฐานด้วยฮาร์ดแวร์ที่มีอยู่^{[ 15 ]}

พฤติกรรมของเอเจน ต์ อัจฉริยะสามารถอธิบายได้ทางคณิตศาสตร์ด้วยฟังก์ชันเอเจนต์ฟังก์ชันนี้จะกำหนดว่าเอเจนต์จะทำ อะไร โดยพิจารณาจากสิ่งที่มันได้เห็น

การรับรู้ (percept)หมายถึงข้อมูลทางประสาทสัมผัสของตัวแทน ณ จุดเวลาใดจุดหนึ่ง ตัวอย่างเช่น การรับรู้ของรถยนต์ไร้คนขับอาจรวมถึงภาพจากกล้อง ข้อมูลจากไลดาร์ พิกัด GPS และความเร็ว ณ ช่วงเวลาใดเวลาหนึ่ง ตัวแทนจะใช้การรับรู้เหล่านี้ และอาจรวมถึงประวัติการรับรู้ในอดีต เพื่อตัดสินใจเกี่ยวกับการกระทำต่อไป (เช่น เร่งความเร็ว เบรก เลี้ยว)

ฟังก์ชันตัวแทน ซึ่งมักจะใช้สัญลักษณ์fจะแมปประวัติการรับรู้ทั้งหมดของตัวแทนไปยังการกระทำ^{[ 16 ]}

ในทางคณิตศาสตร์ สามารถแสดงได้ดังนี้

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

ที่ไหน:

• ${\displaystyle {\boldสัญลักษณ์ {P^{*}}}}$แสดงถึงเซตของลำดับการรับรู้ ที่เป็นไปได้ทั้งหมด (ประวัติการรับรู้ทั้งหมดของตัวแทน) เครื่องหมายดอกจัน (*) แสดงถึงลำดับที่มีการรับรู้ศูนย์ครั้งขึ้นไป
• ${\displaystyle {\boldสัญลักษณ์ {A}}}$แสดงถึงชุดของการกระทำ ที่เป็นไปได้ทั้งหมด ที่เอเจนต์สามารถทำได้
• ${\displaystyle {\boldสัญลักษณ์ {f}}}$คือฟังก์ชันตัวแทนที่แปลงลำดับการรับรู้ไปเป็นการกระทำ

สิ่งสำคัญคือต้องแยกแยะความแตกต่างระหว่างฟังก์ชันของเอเจนต์ (ซึ่งเป็นแนวคิดทางคณิตศาสตร์เชิงนามธรรม) และโปรแกรมของเอเจนต์ (ซึ่งเป็นการนำฟังก์ชันนั้นไปใช้ในทางปฏิบัติ)

• หน้าที่ของเอเจนต์เป็นคำอธิบายเชิงทฤษฎี
• โปรแกรมเอเจนต์คือโค้ดจริงที่ทำงานบนเอเจนต์ โปรแกรมเอเจนต์จะรับ ข้อมูลที่รับรู้ ในปัจจุบันเป็นอินพุต และสร้างการกระทำเป็นเอาต์พุต

ฟังก์ชันตัวแทนสามารถรวมวิธีการตัดสินใจที่หลากหลาย รวมถึง: ^{[ 17 ]}

• การคำนวณประโยชน์ (ความน่าปรารถนา) ของการกระทำต่างๆ
• โดยใช้กฎตรรกะและการอนุมาน
• โดยใช้ตรรกะคลุมเครือ (Fuzzy Logic)
• วิธีการอื่นๆ

Russell & Norvig (2003)จัดกลุ่มตัวแทนออกเป็นห้ากลุ่มตามระดับสติปัญญาและความสามารถที่รับรู้ได้: ^{[ 18 ]}

ตัวแทนปฏิกิริยาตอบสนองแบบง่ายจะทำงานบนพื้นฐานของการรับรู้ ในปัจจุบันเท่านั้น โดยไม่สนใจประวัติการรับรู้ในอดีต ฟังก์ชันของตัวแทนนั้นอิงตามกฎเงื่อนไข-การกระทำ : "ถ้าเงื่อนไขเป็นจริง การกระทำนั้นก็จะเกิดขึ้น"

ฟังก์ชันเอเจนต์นี้จะทำงานได้ก็ต่อเมื่อสามารถสังเกตสภาพแวดล้อมได้อย่างสมบูรณ์เท่านั้น เอเจนต์รีเฟล็กซ์บางตัวอาจมีข้อมูลเกี่ยวกับสถานะปัจจุบันของตนเอง ซึ่งช่วยให้พวกมันสามารถละเลยเงื่อนไขที่ตัวกระตุ้นถูกเรียกใช้งานไปแล้วได้

วงวนไม่รู้จบมักหลีกเลี่ยงไม่ได้สำหรับเอเจนต์ปฏิกิริยาตอบสนองแบบง่ายๆ ที่ทำงานในสภาพแวดล้อมที่สังเกตได้เพียงบางส่วน หากเอเจนต์สามารถสุ่มการกระทำของตนได้ ก็อาจเป็นไปได้ที่จะหลุดพ้นจากวงวนไม่รู้จบ

เทอร์โมสตัทในบ้านซึ่งเปิดหรือปิดเมื่ออุณหภูมิลดลงต่ำกว่าจุดที่กำหนด เป็นตัวอย่างของตัวแทนรีเฟล็กซ์แบบง่าย^{[ 19 ] [ 20 ]}

เอเจนต์แบบจำลองสามารถจัดการกับสภาพแวดล้อมที่สังเกตได้บางส่วน สถานะปัจจุบันของมันจะถูกจัดเก็บไว้ภายในเอเจนต์ โดยรักษาโครงสร้างที่อธิบายส่วนของโลกที่ไม่สามารถมองเห็นได้ ความรู้เกี่ยวกับ "วิธีการทำงานของโลก" นี้เรียกว่าแบบจำลองของโลก จึงเป็นที่มาของชื่อ "เอเจนต์แบบจำลอง"

ตัวแทนปฏิกิริยาตอบสนองแบบจำลองควรเก็บรักษาแบบจำลองภายใน บางอย่าง ที่ขึ้นอยู่กับประวัติการรับรู้ และสะท้อนให้เห็นถึงแง่มุมที่ไม่สามารถสังเกตได้บางส่วนของสถานะปัจจุบัน ประวัติการรับรู้และผลกระทบของการกระทำต่อสิ่งแวดล้อมสามารถกำหนดได้โดยใช้แบบจำลองภายใน จากนั้นจึงเลือกการกระทำในลักษณะเดียวกับตัวแทนปฏิกิริยาตอบสนองทั่วไป

ตัวแทนอาจใช้แบบจำลองเพื่ออธิบายและทำนายพฤติกรรมของตัวแทนอื่น ๆ ในสภาพแวดล้อมได้เช่นกัน^{[ 21 ]}

เอเจนต์แบบกำหนดเป้าหมายขยายขีดความสามารถของเอเจนต์แบบใช้โมเดลเพิ่มเติม โดยใช้ข้อมูล "เป้าหมาย" ข้อมูลเป้าหมายอธิบายสถานการณ์ที่พึงปรารถนา ซึ่งช่วยให้เอเจนต์สามารถเลือกจากความเป็นไปได้หลายอย่าง โดยเลือกอันที่นำไปสู่สถานะเป้าหมาย การค้นหาและการวางแผนเป็นสาขาย่อยของปัญญาประดิษฐ์ที่มุ่งเน้นการค้นหาลำดับการกระทำที่บรรลุเป้าหมายของเอเจนต์

ChatGPTและ เครื่องดูดฝุ่น Roombaเป็นตัวอย่างของเอเจนต์ตามเป้าหมาย^{[ 22 ]}

เอเจนต์ที่กำหนดเป้าหมายจะแยกแยะเฉพาะระหว่างสถานะเป้าหมายและสถานะที่ไม่ใช่เป้าหมายเท่านั้น นอกจากนี้ยังสามารถกำหนดมาตรวัดความน่าปรารถนาของสถานะใดสถานะหนึ่งได้ มาตรวัดนี้สามารถหาได้โดยใช้ฟังก์ชันอรรถประโยชน์ซึ่งแปลงสถานะไปเป็นมาตรวัดอรรถประโยชน์ของสถานะนั้น มาตรวัดประสิทธิภาพที่ครอบคลุมมากขึ้นควรอนุญาตให้เปรียบเทียบสถานะต่างๆ ในโลกตามความสามารถในการตอบสนองเป้าหมายของเอเจนต์ได้ดียิ่งขึ้น คำว่าอรรถประโยชน์สามารถใช้เพื่ออธิบายว่าเอเจนต์ "มีความสุข" มากน้อยเพียงใด

ตัวแทนเชิงเหตุผลที่ใช้หลักอรรถประโยชน์จะเลือกการกระทำที่เพิ่มอรรถประโยชน์ที่คาดหวังของผลลัพธ์ของการกระทำนั้นให้สูงสุด นั่นคือสิ่งที่ตัวแทนคาดว่าจะได้รับโดยเฉลี่ย โดยพิจารณาจากความน่าจะเป็นและอรรถประโยชน์ของแต่ละผลลัพธ์ ตัวแทนที่ใช้หลักอรรถประโยชน์ต้องสร้างแบบจำลองและติดตามสภาพแวดล้อมของตน ซึ่งเป็นงานที่เกี่ยวข้องกับการวิจัยมากมายในด้านการรับรู้ การแสดงผล การให้เหตุผล และการเรียนรู้

การเรียนรู้ช่วยให้เอージェนต์เริ่มต้นในสภาพแวดล้อมที่ไม่คุ้นเคยและค่อยๆ ก้าวข้ามขอบเขตความรู้เริ่มต้นของตนไปได้ ข้อแตกต่างที่สำคัญในเอージェนต์ดังกล่าวคือการแยกส่วนระหว่าง "องค์ประกอบการเรียนรู้" ซึ่งรับผิดชอบในการปรับปรุงประสิทธิภาพ และ "องค์ประกอบประสิทธิภาพ" ซึ่งรับผิดชอบในการเลือกการกระทำภายนอก

องค์ประกอบการเรียนรู้จะรวบรวมข้อเสนอแนะจาก "นักวิจารณ์" เพื่อประเมินประสิทธิภาพของตัวแทน และตัดสินใจว่าองค์ประกอบด้านประสิทธิภาพ—หรือที่เรียกว่า "ผู้แสดง"—สามารถปรับเปลี่ยนอย่างไรเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น องค์ประกอบด้านประสิทธิภาพ เมื่อพิจารณาว่าเป็นตัวแทนทั้งหมดแล้ว จะตีความสิ่งที่รับรู้และลงมือทำ

ส่วนประกอบสุดท้ายคือ "ตัวสร้างปัญหา" ซึ่งจะเสนอประสบการณ์ใหม่ๆ ที่ให้ข้อมูลและกระตุ้นให้เกิดการสำรวจและพัฒนาต่อไป

ตามที่ไวส์ (2013) กล่าวไว้ ตัวแทนสามารถแบ่งออกได้เป็นสี่ประเภท:

• เอージェนต์ที่ใช้ตรรกะ ซึ่งการตัดสินใจเกี่ยวกับการกระทำต่างๆ นั้นได้มาจากการอนุมานเชิงตรรกะ
• เอเจนต์เชิงตอบสนอง ซึ่งการตัดสินใจเกิดขึ้นจากการเชื่อมโยงโดยตรงจากสถานการณ์ไปสู่การกระทำ
• ตัวแทนที่อิงตามความเชื่อ ความปรารถนา และเจตนา โดยการตัดสินใจขึ้นอยู่กับการจัดการโครงสร้างข้อมูลที่แสดงถึงความเชื่อ ความปรารถนา และเจตนาของตัวแทนนั้น
• สถาปัตยกรรมแบบหลายชั้น ซึ่งการตัดสินใจเกิดขึ้นข้ามชั้นซอฟต์แวร์หลายชั้น โดยแต่ละชั้นจะวิเคราะห์สภาพแวดล้อมในระดับนามธรรมที่แตกต่างกัน

ในปี 2013 Alexander Wissner-Gross ได้ตีพิมพ์ทฤษฎีที่สำรวจความสัมพันธ์ระหว่างเสรีภาพและสติปัญญาในตัวแทนอัจฉริยะ^{[ 23 ] [ 24 ]}

ตัวแทนอัจฉริยะสามารถจัดระเบียบเป็นลำดับชั้นได้เป็น "ตัวแทนย่อย" หลายตัว ตัวแทนย่อยเหล่านี้ทำหน้าที่ในระดับล่าง และเมื่อรวมกับตัวแทนหลักแล้ว จะก่อให้เกิดระบบที่สมบูรณ์ซึ่งสามารถดำเนินการงานที่ซับซ้อนและบรรลุเป้าหมายที่ท้าทายได้

โดยทั่วไป ตัวแทนจะถูกจัดโครงสร้างโดยการแบ่งออกเป็นเซ็นเซอร์และแอคทูเอเตอร์ ระบบการรับรู้จะรวบรวมข้อมูลจากสภาพแวดล้อมผ่านทางเซ็นเซอร์และส่งข้อมูลนี้ไปยังตัวควบคุมส่วนกลาง ซึ่งจะออกคำสั่งไปยังแอคทูเอเตอร์ บ่อยครั้งที่จำเป็นต้องมีลำดับชั้นของตัวควบคุมหลายชั้นเพื่อสร้างสมดุลระหว่างการตอบสนองที่รวดเร็วซึ่งจำเป็นสำหรับงานระดับต่ำกับการใช้เหตุผลอย่างรอบคอบมากขึ้นซึ่งจำเป็นสำหรับวัตถุประสงค์ระดับสูง^{[ 25 ]}

"เอเจนต์อัจฉริยะ" มักถูกใช้เป็นคำที่คลุมเครือ บางครั้งมีความหมายเหมือนกับ " ผู้ช่วยส่วนตัวเสมือน " ^{[ 26 ]}คำจำกัดความบางส่วนในศตวรรษที่ 20 ระบุว่าเอเจนต์คือโปรแกรมที่ช่วยเหลือผู้ใช้หรือทำหน้าที่แทนผู้ใช้^{[ 27 ]}ตัวอย่างเหล่านี้เรียกว่าเอเจนต์ซอฟต์แวร์และบางครั้ง "เอเจนต์ซอฟต์แวร์อัจฉริยะ" (นั่นคือเอเจนต์ซอฟต์แวร์ที่มีสติปัญญา) ก็ถูกเรียกว่า "เอเจนต์อัจฉริยะ"

ตามที่Nikola Kasabov กล่าวไว้ ในปี 1998 ระบบตัวแทนอัจฉริยะควรแสดงคุณลักษณะดังต่อไปนี้: ^{[ 28 ]}

• ปรับใช้ กฎการแก้ปัญหาใหม่ ทีละน้อย
• ปรับตัวทางออนไลน์และแบบเรียลไทม์
• สามารถวิเคราะห์ตนเองได้ในแง่ของพฤติกรรม ข้อผิดพลาด และความสำเร็จ
• เรียนรู้และพัฒนาตนเองผ่านการมีปฏิสัมพันธ์กับสิ่งแวดล้อม ( การลงมือปฏิบัติจริง )
• เรียนรู้ได้อย่างรวดเร็วจาก ข้อมูลจำนวนมหาศาล
• มีขีดความสามารถ ในการจัดเก็บและเรียกค้นตัวอย่างโดยใช้หน่วยความจำ
• มีพารามิเตอร์เพื่อใช้แทนความจำระยะสั้นและระยะยาว อายุ การลืม ฯลฯ

ในบริบทของปัญญาประดิษฐ์เชิงสร้างสรรค์ตัวแทนAI (เรียกอีกอย่างว่าระบบ AI แบบผสม ) เป็นกลุ่มของตัวแทนอัจฉริยะที่โดดเด่นด้วยความสามารถในการทำงานอย่างอิสระในสภาพแวดล้อมที่ซับซ้อน เครื่องมือ AI ตัวแทนจะให้ความสำคัญกับการตัดสินใจมากกว่าการสร้างเนื้อหา และไม่ต้องการคำแนะนำจากมนุษย์หรือการกำกับดูแลอย่างต่อเนื่อง^{[ 29 ]}

พวกมันมีคุณลักษณะสำคัญหลายประการ รวมถึงโครงสร้างเป้าหมายที่ซับซ้อน อินเทอร์เฟซภาษาธรรมชาติ ความสามารถในการทำงานอย่างอิสระจากการกำกับดูแลของผู้ใช้ และการบูรณาการเครื่องมือซอฟต์แวร์หรือระบบการวางแผน การควบคุมการไหลของพวกมันมักจะถูกขับเคลื่อนด้วยแบบจำลองภาษาขนาดใหญ่ (LLM) ^{[ 30 ]}เอเจนต์ยังรวมถึงระบบหน่วยความจำสำหรับจดจำปฏิสัมพันธ์ระหว่างผู้ใช้กับเอเจนต์ก่อนหน้านี้ และซอฟต์แวร์การจัดการเพื่อจัดระเบียบส่วนประกอบของเอเจนต์^{[ 31 ]}

นักวิจัยและผู้แสดงความคิดเห็นตั้งข้อสังเกตว่าเอเจนต์ AI ไม่มีคำจำกัดความมาตรฐาน^{[ 30 ] [ 32 ] [ 33 ] [ 34 ]}แนวคิดของ AI ที่เป็นเอเจนต์ได้รับการเปรียบเทียบกับตัวละครสมมติJARVIS ^{[ 35 ]}

การประยุกต์ใช้เอเจนต์ AI ทั่วไปอย่างหนึ่งคือการทำงานอัตโนมัติของงานต่างๆ เช่น การจองแผนการเดินทางตามคำขอของผู้ใช้^{[ 36 ] [ 37 ] ตัวอย่างที่โดดเด่น ได้แก่ Devin AI, AutoGPT และ SIMA [ 38 ]}ตัวอย่างเพิ่มเติม^{ของเอเจนต์ที่เปิด}ตัวตั้งแต่ปี2025ได้แก่OpenAI ^{Operator [} 39 ] ^ChatGPT Deep Research ^{[ 40} ] Manus ^{[ 41 ]} Quark ( ^{อิงตาม} Qwen ) [ ^{42 ] AutoGLM} Rumination [ ^{42 ] Coze} (โดยByteDance ) ^{[ 42 ]} nexos.ai ^{[ 43 ]}และOpenClawเฟรมเวิร์กสำหรับการสร้างเอเจนต์ AI ได้แก่^{LangChain [} 44 ] ^{รวมถึง}เครื่องมือต่างๆ เช่น CAMEL ^{[ 45 ] [ 46 ]} Microsoft AutoGen ^{[ 47 ]}และ OpenAI Swarm ^{[ 48 ]}

แนวคิดของการสร้างแบบจำลองโดยใช้เอเจนต์สำหรับรถยนต์ขับเคลื่อนอัตโนมัติได้รับการกล่าวถึงตั้งแต่ปี 2003 ^{[ 49 ]} Hallerbach และคณะได้สำรวจการใช้แนวทางแบบเอเจนต์ในการพัฒนาและตรวจสอบระบบขับขี่อัตโนมัติ วิธีการของพวกเขาเกี่ยวข้องกับแบบจำลองดิจิทัลของยานพาหนะที่กำลังทดสอบและการจำลองการจราจรแบบจุลภาคโดยใช้เอเจนต์อิสระ^{[ 50 ]} Waymoได้พัฒนาสภาพแวดล้อมการจำลองแบบหลายเอเจนต์ที่เรียกว่า Carcraft เพื่อทดสอบอัลกอริทึมสำหรับรถยนต์ขับเคลื่อนอัตโนมัติ [ ^{51 ] [ 52 ] ระบบ}นี้จำลองปฏิสัมพันธ์ระหว่างผู้ขับขี่ที่เป็นมนุษย์ คนเดินเท้า และยานพาหนะอัตโนมัติ เอเจนต์ปัญญาประดิษฐ์จำลองพฤติกรรมของมนุษย์โดยใช้ข้อมูลจากโลกแห่งความเป็นจริง

Agentforce ของ Salesforceเป็นแพลตฟอร์ม AI แบบเอเจนต์ที่ช่วยให้สามารถสร้างเอเจนต์อัตโนมัติเพื่อปฏิบัติงานได้^{[ 53 ] [ 54 ]}

หน่วยงานบริหารความปลอดภัยด้านการขนส่งกำลังบูรณาการ AI ตัวแทนเข้ากับเทคโนโลยีใหม่ ๆ รวมถึงเครื่องจักรเพื่อตรวจสอบตัวตนของผู้โดยสารโดยใช้ไบโอเมตริกและรูปถ่าย และยังใช้สำหรับการตอบสนองต่อเหตุการณ์อีกด้วย^{[ 55 ]}

ในเดือนมีนาคม พ.ศ. 2569 Amazon Web Servicesได้เปิดตัว Amazon Connect Health ซึ่ง เป็นแพลตฟอร์มตัวแทน AI ที่มีคุณสมบัติเหมาะสมตาม มาตรฐาน HIPAA แห่งแรก สำหรับการดูแลสุขภาพ โดยออกแบบมาเพื่อทำให้เวิร์กโฟลว์การบริหารเป็นไปโดยอัตโนมัติ รวมถึงการนัดหมาย การจัดทำเอกสารทางคลินิก และการตรวจสอบผู้ป่วยสำหรับผู้ให้บริการด้านการดูแลสุขภาพ^{[ 56 ]}

• โดมิงโกส, เปโดร (22 กันยายน 2015). อัลกอริทึมหลัก: การแสวงหาเครื่องจักรการเรียนรู้ขั้นสูงสุดจะเปลี่ยนแปลงโลกของเราอย่างไร . สำนักพิมพ์เบสิกส์บุ๊คส์ . ISBN 978-0-465-06570-7.
• รัสเซลล์, สจวร์ต เจ. ; นอร์วิก, ปีเตอร์ (2003). ปัญญาประดิษฐ์: แนวทางสมัยใหม่ (ฉบับที่ 2). อัปเปอร์ แซดเดิล ริเวอร์, นิวเจอร์ซีย์: เพรนทิส ฮอลล์. บทที่ 2. ISBN 0-13-790395-2.
• Kasabov, N. (1998). "บทนำ: ระบบปรับตัวอัจฉริยะแบบไฮบริด"วารสารระบบอัจฉริยะนานาชาติ13 (6): 453– 454. doi : 10.1002/(SICI)1098-111X(199806)13:6<453::AID-INT1>3.0.CO;2-K . S2CID  120318478 .
• ไวส์, จี. (2013). ระบบหลายเอเจนต์ (ฉบับที่ 2). เคมบริดจ์, แมสซาชูเซตส์: สำนักพิมพ์ MIT. ISBN 978-0-262-01889-0.