I sistemi di intelligenza artificiale 'Agentic AI' sono già in grado di supportare la scoperta scientifica, lo sviluppo del software e la ricerca clinica, ma ancora lottano con problemi di utilizzo degli strumenti, pianificazione a lungo termine debole e scarsa generalizzazione. Un recente articolo di ricerca di Stanford, Harvard, UC Berkeley e Caltech propone una visione unificata di come questi sistemi dovrebbero adattarsi e mappa i metodi esistenti in un framework compatto e definito matematicamente.
L'articolo modella un sistema di intelligenza artificiale 'Agentic AI' come un modello di base con 3 componenti chiave: un modulo di pianificazione, un modulo di utilizzo degli strumenti e un modulo di memoria. Il modulo di pianificazione decomposa gli obiettivi in sequenze di azioni, utilizzando procedure statiche come Chain-of-Thought e Tree-of-Thought, o procedure dinamiche come ReAct e Reflexion che reagiscono al feedback. Il modulo di utilizzo degli strumenti collega l'agente a motori di ricerca web, API, ambienti di esecuzione del codice, Protocolli di contesto del modello e automazione del browser. Il modulo di memoria archivia il contesto a breve termine e la conoscenza a lungo termine, accessibili attraverso la generazione assistita dal recupero.
Quattro paradigmi di adattamento
Il framework definisce 4 paradigmi di adattamento combinando 2 scelte binarie. La prima dimensione è l'obiettivo, adattamento dell'agente versus adattamento degli strumenti. La seconda dimensione è il segnale di supervisione, esecuzione degli strumenti versus output dell'agente. Ciò produce A1 e A2 per l'adattamento dell'agente, e T1 e T2 per l'adattamento degli strumenti.
A1, adattamento dell'agente segnalato dall'esecuzione degli strumenti, ottimizza l'agente utilizzando il feedback derivato dall'esecuzione degli strumenti. A2, adattamento dell'agente segnalato dall'output dell'agente, ottimizza l'agente utilizzando un segnale definito solo sui suoi output finali. T1, adattamento degli strumenti agnostico dell'agente, ottimizza gli strumenti senza fare riferimento a un agente particolare. T2, adattamento degli strumenti supervisionato dall'agente, ottimizza gli strumenti sotto la supervisione di un agente fisso.
Limitazioni attuali dei sistemi 'Agentic AI'
I sistemi di intelligenza artificiale 'Agentic AI' attuali lottano con diverse limitazioni, tra cui:
- utilizzo degli strumenti non affidabile
- pianificazione a lungo termine debole
- scarso adattamento a nuovi ambienti e situazioni
- limitata capacità di generalizzare a nuovi compiti e ambienti
Queste limitazioni rendono difficile utilizzare i sistemi 'Agentic AI' in scenari reali, dove sono necessarie prestazioni affidabili e adattabili.
Conclusione
In conclusione, l'articolo di ricerca di Stanford e Harvard propone una visione unificata di come i sistemi di intelligenza artificiale 'Agentic AI' dovrebbero adattarsi e mappa i metodi esistenti in un framework compatto e definito matematicamente. Il framework definisce 4 paradigmi di adattamento e identifica le limitazioni attuali dei sistemi 'Agentic AI'. Questo lavoro rappresenta un importante passo avanti nella ricerca sull'intelligenza artificiale e potrebbe avere un impatto significativo sulla capacità di utilizzare i sistemi 'Agentic AI' in scenari reali.
Il futuro della ricerca sull'intelligenza artificiale sarà probabilmente caratterizzato da un aumento dell'attenzione verso l'adattamento e la generalizzazione, con l'obiettivo di creare sistemi in grado di apprendere e adattarsi in modo più efficace e efficiente. Ciò richiederà il desarrollo di nuovi algoritmi e framework, nonché la collaborazione tra ricercatori e sviluppatori per creare sistemi di intelligenza artificiale più avanzati e affidabili.
Infine, è importante notare che l'intelligenza artificiale è un campo in continua evoluzione, e nuove scoperte e innovazioni saranno probabilmente annunciate nei prossimi anni. Pertanto, è essenziale rimanere aggiornati sulle ultime ricerche e sviluppi nel campo dell'intelligenza artificiale per poter sfruttare appieno le sue potenzialità e affrontare le sfide che essa pone.