ปัญญาประดิษฐ์แบบกระจาย ( DAI ) ^{[ 1 ]} (เรียกอีกอย่างว่า ปัญญาประดิษฐ์แบบกระจายศูนย์^{[ 2 ]} ) คือการผสมผสานระหว่างปัญญาประดิษฐ์กับการประมวลผลแบบกระจายศูนย์ ทฤษฎีและเทคโนโลยีสำหรับการสร้างหรือวิเคราะห์ระบบอัจฉริยะนั้นมาจากปัญญาประดิษฐ์ แต่ในขณะที่ปัญญาประดิษฐ์ใช้จิตวิทยาเป็นแหล่งของแนวคิด แรงบันดาลใจ และอุปมาอุปไมย DAI กลับใช้สังคมวิทยา เศรษฐศาสตร์ และวิทยาการจัดการเป็นแรงบันดาลใจ ในขณะที่ปัญญาประดิษฐ์มุ่งเน้นไปที่ปัจเจกบุคคล DAI กลับมุ่งเน้นไปที่กลุ่ม การประมวลผลแบบกระจายศูนย์เป็นพื้นฐานการคำนวณที่ทำให้การมุ่งเน้นของกลุ่มนี้เกิดขึ้นได้ โดยใช้เทคนิคจากปัญญาประดิษฐ์ ทฤษฎีการสื่อสาร ทฤษฎีการควบคุม และทฤษฎีปฏิสัมพันธ์ ทำให้เกิดวิธีแก้ปัญหาแบบร่วมมือกันโดยกลุ่มของหน่วยงานคำนวณแบบกระจายศูนย์ (เอเจนต์)

DAI มีความเกี่ยวข้องอย่างใกล้ชิดและเป็นต้นกำเนิดของระบบหลายเอเจนต์โดยทั่วไปแล้ว ระบบหลายเอเจนต์จะเป็นระบบเปิด ซึ่งเอเจนต์ต่างๆ อาจเกิดขึ้นจากผลประโยชน์ที่แตกต่างกันและมีเป้าหมายส่วนบุคคล ในขณะที่ระบบปัญญาประดิษฐ์แบบกระจายศูนย์นั้น เอเจนต์ต่างๆ มีเป้าหมายร่วมกัน มีแอปพลิเคชันและเครื่องมือมากมาย

ปัญญาประดิษฐ์แบบกระจาย (Distributed Artificial Intelligence หรือ DAI) เป็นแนวทางในการแก้ปัญหาการเรียนรู้การวางแผนและการตัดสินใจ ที่ซับซ้อน DAI มีลักษณะการประมวลผลแบบ ขนานอย่างง่ายดายทำให้สามารถใช้ประโยชน์จากการคำนวณขนาดใหญ่และการกระจายตัวของทรัพยากรการคำนวณ ในพื้นที่ ได้ คุณสมบัติเหล่านี้ทำให้สามารถแก้ปัญหาที่ต้องการการประมวลผลชุดข้อมูล ขนาดใหญ่มากได้ ระบบ DAI ประกอบด้วยโหนดประมวลผล การเรียนรู้แบบอิสระ ( เอเจนต์ ) ที่กระจายตัวอยู่ทั่วไป โดยมักมีขนาดใหญ่มาก โหนด DAI สามารถทำงานได้อย่างอิสระ และโซลูชันบางส่วนจะถูกรวมเข้าด้วยกันโดยการสื่อสารระหว่างโหนดซึ่งมักเกิดขึ้นแบบอะซิงโครนัส ด้วยขนาดที่ใหญ่ ระบบ DAI จึงมีความแข็งแกร่งและยืดหยุ่น และจำเป็นต้องมีการเชื่อมต่อแบบหลวมๆ นอกจากนี้ ระบบ DAI ยังถูกสร้างขึ้นมาให้ปรับตัวเข้ากับการเปลี่ยนแปลงในคำจำกัดความของปัญหาหรือชุดข้อมูลพื้นฐาน เนื่องจากขนาดและความยากลำบากในการปรับใช้ใหม่

ระบบ DAI ไม่จำเป็นต้องรวบรวม ข้อมูลที่เกี่ยวข้องทั้งหมดไว้ ในที่เดียว ต่างจาก ระบบปัญญาประดิษฐ์ แบบรวมศูนย์หรือแบบโมโนลิธิกซึ่งมีโหนดประมวลผลที่เชื่อมโยงกันอย่างแน่นหนาและอยู่ใกล้กันในเชิงภูมิศาสตร์ ดังนั้น ระบบ DAI จึงมักทำงานกับตัวอย่างย่อยหรือข้อมูลที่ถูกแฮชจากชุดข้อมูล ขนาดใหญ่มาก นอกจากนี้ ชุดข้อมูลต้นทางอาจเปลี่ยนแปลงหรือได้รับการอัปเดตในระหว่างการทำงานของระบบ DAI

ในปี พ.ศ. 2518 ปัญญาประดิษฐ์แบบกระจาย (Distributed Artificial Intelligence) ได้ถือกำเนิดขึ้นในฐานะสาขาย่อยของปัญญาประดิษฐ์ที่เกี่ยวข้องกับปฏิสัมพันธ์ของตัวแทนอัจฉริยะ ในฐานะสาขาวิชาทางวิทยาศาสตร์ มันได้ก้าวหน้าผ่านการประชุมเชิงปฏิบัติการหลายครั้งในสหรัฐอเมริกา (International Workshop on Distributed Artificial Intelligence ซึ่งจัดขึ้น 13 ครั้ง ตั้งแต่ปี พ.ศ. 2521 - พ.ศ. 2537) ยุโรป (Workshop on Modelling Autonomous Agents in a Multi-Agent World https://link.springer.com/conference/maamaw ) และเอเชีย (Multi-Agent and Cooperative Computation Workshop (MACC) https://sites.google.com/view/sig-macc/macc-workshop?authuser=0 ) ^{[ 3 ]}ระบบปัญญาประดิษฐ์แบบกระจายถูกมองว่าเป็นกลุ่มของเอนทิตีอัจฉริยะที่เรียกว่าตัวแทน ซึ่งมีปฏิสัมพันธ์กันโดยความร่วมมือ การอยู่ร่วมกัน หรือการแข่งขัน DAI ถูกจัดประเภทเป็นระบบหลายตัวแทนและการแก้ปัญหาแบบกระจาย^{[ 4 ​​]}ในระบบหลายตัวแทนจุดสนใจหลักคือวิธีที่ตัวแทนประสานความรู้และกิจกรรมของตน สำหรับการแก้ปัญหาแบบกระจายศูนย์นั้น จุดสนใจหลักอยู่ที่วิธีการแบ่งปัญหาออกเป็นส่วนย่อยๆ และวิธีการสังเคราะห์แนวทางการแก้ปัญหา

เป้าหมายของปัญญาประดิษฐ์แบบกระจาย (Distributed Artificial Intelligence หรือ DAI) คือการแก้ ปัญหา ด้านการให้เหตุผลการวางแผน การเรียนรู้ และการรับรู้ของปัญญาประดิษฐ์โดยเฉพาะอย่างยิ่งในกรณีที่ต้องการข้อมูลจำนวนมาก โดยการกระจายปัญหาไปยังโหนดประมวลผลอิสระ (เอเจนต์) เพื่อให้บรรลุวัตถุประสงค์นี้ DAI ต้องการ:

• ระบบกระจายที่มีความสามารถในการคำนวณที่แข็งแกร่งและยืดหยุ่นบนทรัพยากรที่ไม่น่าเชื่อถือและอาจล้มเหลวได้ ซึ่งมีการเชื่อมโยงกันอย่างหลวมๆ
• การประสานงานการกระทำและการสื่อสารของโหนดต่างๆ
• การสุ่มตัวอย่างย่อยจากชุดข้อมูลขนาดใหญ่และการเรียนรู้ของเครื่องออนไลน์

มีเหตุผลมากมายที่ทำให้เราต้องการกระจายปัญญาประดิษฐ์หรือรับมือกับระบบที่มีเอเจนต์หลายตัว ปัญหาหลักๆ ในการวิจัย DAI ได้แก่:

• การแก้ปัญหาแบบขนาน: ส่วนใหญ่เกี่ยวข้องกับการปรับเปลี่ยนแนวคิดปัญญาประดิษฐ์แบบดั้งเดิม เพื่อให้สามารถใช้ระบบมัลติโปรเซสเซอร์ และคลัสเตอร์คอมพิวเตอร์ในการเร่งความเร็วการคำนวณได้
• การแก้ปัญหา แบบกระจาย ( Distributed Problem Solving : DPS): แนวคิดของเอเจนต์ซึ่งเป็นหน่วยงานอิสระที่สามารถสื่อสารกันได้ ถูกพัฒนาขึ้นเพื่อใช้เป็นนามธรรมในการพัฒนาระบบ DPS ดูรายละเอียดเพิ่มเติมด้านล่าง
• การจำลองแบบหลายเอเจนต์ (Multi-Agent Based Simulation: MABS): สาขาหนึ่งของ DAI ที่สร้างรากฐานสำหรับการจำลองที่จำเป็นต้องวิเคราะห์ปรากฏการณ์ไม่เพียงแต่ใน ระดับ มหภาค เท่านั้น แต่ยังรวมถึง ระดับ จุลภาค ด้วย ดังเช่นในสถานการณ์ จำลองทางสังคมหลายๆสถานการณ์

DAI มีสองประเภทที่เกิดขึ้น:

• ในระบบหลายเอเจนต์เอเจนต์จะประสานความรู้และกิจกรรมของตนเอง และให้เหตุผลเกี่ยวกับกระบวนการประสานงาน เอเจนต์เป็นเอนทิตีทางกายภาพหรือเสมือนที่สามารถกระทำการ รับรู้สภาพแวดล้อม และสื่อสารกับเอเจนต์อื่น ๆ ได้ เอเจนต์มีความเป็นอิสระและมีทักษะในการบรรลุเป้าหมาย เอเจนต์เปลี่ยนแปลงสถานะของสภาพแวดล้อมด้วยการกระทำของตนเอง มีเทคนิคการประสานงานที่แตกต่างกันอยู่หลายประการ^{[ 5 ]}
• ในการแก้ปัญหาแบบกระจายศูนย์ งานจะถูกแบ่งออกไปตามโหนดต่างๆ และความรู้จะถูกแบ่งปัน ประเด็นหลักคือการแบ่งงานออกเป็นส่วนย่อยและการสังเคราะห์ความรู้และวิธีการแก้ปัญหา

DAI สามารถนำแนวทางจากล่างขึ้นบนมาใช้กับ AI ได้ คล้ายกับสถาปัตยกรรมแบบครอบคลุม (subsumption architecture)และแนวทางจากบนลงล่างแบบดั้งเดิมของ AI นอกจากนี้ DAI ยังสามารถเป็นเครื่องมือสำหรับการเกิดใหม่ได้ อีกด้วย

ความท้าทายในปัญญาประดิษฐ์แบบกระจายศูนย์ ได้แก่:

1. วิธีการสื่อสารและปฏิสัมพันธ์ระหว่างเจ้าหน้าที่ และควรใช้ภาษาหรือโปรโตคอลการสื่อสารใด
2. จะมั่นใจได้อย่างไรว่าตัวแทนต่างๆ ทำงานสอดคล้องกัน
3. วิธีการสังเคราะห์ผลลัพธ์ในกลุ่ม 'ตัวแทนอัจฉริยะ' โดยใช้การกำหนดรูปแบบ คำอธิบาย การแยกย่อย และการจัดสรร

พื้นที่ที่มีการนำ DAI ไปประยุกต์ใช้ ได้แก่:

• ตัวอย่างเช่น ในด้านกลยุทธ์การซื้อขายระบบ DAI เรียนรู้กฎการซื้อขายทางการเงินจากกลุ่มตัวอย่างย่อยของข้อมูลทางการเงินขนาดใหญ่มาก
• เครือข่ายเช่น ในด้านโทรคมนาคมระบบ DAI จะควบคุมทรัพยากรความร่วมมือในเครือข่ายWLAN ^{[ 6 ]}
• การกำหนดเส้นทางเช่น การจำลองการไหลของยานพาหนะในเครือข่ายการขนส่ง
• การจัดตารางเวลาเช่นการจัดตารางเวลาการผลิตแบบต่อเนื่องซึ่ง หน่วยงาน บริหารจัดการทรัพยากรจะรับประกันการเพิ่มประสิทธิภาพในระดับท้องถิ่นและความร่วมมือเพื่อให้เกิดความสอดคล้องทั้งในระดับโลกและระดับท้องถิ่น
• เครื่องมือค้นหาเช่น ในการค้นหาแบบรวมศูนย์ LLM เช่น Ithy ซึ่งการดึงข้อมูลและการวิเคราะห์เอกสารจะถูกกระจายไปยังตัวแทน DAI ก่อนการรวม^{[ 7 ]}
• ระบบหลายเอเจนต์ เช่นชีวิตเทียมการศึกษาเกี่ยวกับชีวิตจำลอง
• ระบบพลังงานไฟฟ้า เช่น ระบบตรวจสอบสภาพแบบหลายตัวแทน (COMMAS) ที่ใช้ในการตรวจสอบสภาพหม้อแปลง และระบบฟื้นฟูอัตโนมัติ IntelliTEAM II ^{[ 8 ]}

การบูรณาการ DAI เข้ากับเครื่องมือต่างๆ ได้แก่:

• ECStar เป็นระบบการเรียนรู้แบบกระจายตามกฎ^{[ 9 ]}

แนวคิดเกี่ยวกับเอเจนต์: เอเจนต์สามารถอธิบายได้ว่าเป็นเอนทิตีที่แยกจากกัน โดยมีขอบเขตและอินเทอร์เฟซมาตรฐานที่ออกแบบมาเพื่อการแก้ปัญหา

แนวคิดเรื่องระบบหลายเอเจนต์: ระบบหลายเอเจนต์ถูกนิยามว่าเป็นเครือข่ายของเอเจนต์ที่เชื่อมโยงกันอย่างหลวมๆ โดยทำงานร่วมกันเป็นหน่วยเดียว เช่น สังคม เพื่อแก้ปัญหาที่เอเจนต์เพียงตัวเดียวไม่สามารถแก้ไขได้

แนวคิดหลักที่ใช้ใน DPS และ MABS คือนามธรรมที่เรียกว่าซอฟต์แวร์เอเจนต์ เอเจนต์คือเอนทิตีอิสระเสมือน (หรือทางกายภาพ) ที่มีความเข้าใจในสภาพแวดล้อมและกระทำการต่างๆ ในสภาพแวดล้อมนั้น โดยปกติแล้วเอเจนต์จะสามารถสื่อสารกับเอเจนต์อื่นๆ ในระบบเดียวกันเพื่อให้บรรลุเป้าหมายร่วมกัน ซึ่งเอเจนต์เพียงตัวเดียวไม่สามารถทำได้ ระบบการสื่อสารนี้ใช้ภาษาการสื่อสารของเอเจนต์

การจำแนกประเภทแรกที่มีประโยชน์คือการแบ่งตัวแทนออกเป็น:

• เอเจนต์เชิงปฏิกิริยา – เอเจนต์เชิงปฏิกิริยาเป็นเพียงเครื่องจักรอัตโนมัติที่รับข้อมูลเข้า ประมวลผล และสร้างข้อมูลออก
• ตัวแทนที่ใช้การไตร่ตรอง – ในทางตรงกันข้าม ตัวแทนที่ใช้การไตร่ตรองควรมีมุมมองภายในเกี่ยวกับสภาพแวดล้อมของตนเอง และสามารถปฏิบัติตามแผนของตนเองได้
• เอเจนต์แบบไฮบริด – เอเจนต์แบบไฮบริดคือส่วนผสมระหว่างการตอบสนองแบบฉับพลันและการไตร่ตรอง โดยจะปฏิบัติตามแผนของตนเอง แต่บางครั้งก็ตอบสนองต่อเหตุการณ์ภายนอกโดยตรงโดยไม่ไตร่ตรอง

สถาปัตยกรรมเอเจนต์ที่เป็นที่รู้จักกันดี ซึ่งอธิบายถึงโครงสร้างภายในของเอเจนต์ ได้แก่:

• ASMO (การเกิดขึ้นของโมดูลแบบกระจาย)
• BDI (Believe Desire Intention, สถาปัตยกรรมทั่วไปที่อธิบายถึงวิธีการวางแผน)
• InterRAP (สถาปัตยกรรมสามชั้น ประกอบด้วยชั้นตอบสนอง ชั้นไตร่ตรอง และชั้นปฏิสัมพันธ์ทางสังคม)
• PECS (ฟิสิกส์ อารมณ์ การรับรู้ และสังคม อธิบายว่าองค์ประกอบทั้งสี่นี้มีอิทธิพลต่อพฤติกรรมของตัวแทนอย่างไร)
• โซร์ (แนวทางที่อิงตามกฎเกณฑ์)

• ปัญญารวมหมู่  – ปัญญาของกลุ่มที่เกิดขึ้นจากความพยายามร่วมกัน
• การเรียนรู้แบบรวมศูนย์  – การเรียนรู้ของเครื่องจักรแบบกระจายศูนย์
• ความเป็นจริงจำลอง  – แนวคิดเกี่ยวกับความเป็นจริงที่ไม่สมจริง
• ปัญญาแบบฝูง  – พฤติกรรมโดยรวมของระบบที่ไม่รวมศูนย์และจัดระเบียบตนเองหน้าเว็บที่แสดงคำอธิบายสั้น ๆ ของเป้าหมายการเปลี่ยนเส้นทาง

• ฮิววิตต์, คาร์ล และ เจฟฟ์ อินแมน (พฤศจิกายน/ธันวาคม 1991) "DAI ระหว่างกลาง: จาก 'ตัวแทนอัจฉริยะ' สู่ศาสตร์ระบบเปิด" วารสารIEEE Transactions on Systems, Man, and Cyberneticsเล่มที่ 21 ฉบับที่ 6 หน้า 1409–1419 ISSN 0018-9472
• เกรซ, เดวิด; จาง, หงกัง (สิงหาคม 2555). การสื่อสารเชิงปัญญา: ปัญญาประดิษฐ์แบบกระจาย (DAI), นโยบายและเศรษฐศาสตร์ด้านกฎระเบียบ, การนำไปใช้ . สำนักพิมพ์จอห์น ไวลีย์ แอนด์ ซันส์. ISBN 978-1-119-95150-6
• Shoham, Yoav; Leyton-Brown, Kevin (2009). ระบบหลายเอเจนต์: รากฐานเชิงอัลกอริทึม ทฤษฎีเกม และตรรกะนิวยอร์ก: สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์ISBN 978-0-521-89943-7.
• ซัน, รอน, (2005). การรับรู้และการปฏิสัมพันธ์ของตัวแทนหลายตัว . นิวยอร์ก: สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์. ISBN 978-0-521-83964-8
• Trentesaux, Damien; Philippe, Pesin; Tahon, Christian (2000). "ปัญญาประดิษฐ์แบบกระจายสำหรับการจัดตารางเวลา การควบคุม และการสนับสนุนการออกแบบ FMS" วารสารการผลิตอัจฉริยะ 11 ( 6): 573– 589. doi : 10.1023/A:1026556507109 . S2CID  36570655 .
• วลาสซิส, นิคอส (2007). บทนำโดยสังเขปเกี่ยวกับระบบหลายเอเจนต์และปัญญาประดิษฐ์แบบกระจาย . ซานราฟาเอล, แคลิฟอร์เนีย: สำนักพิมพ์มอร์แกน แอนด์ เคลย์พูล. ISBN 978-1-59829-526-9.