เอเย่นต์ปัญญาประดิษฐ์ขนานกัน: กฎการปรับขนาดใหม่สำหรับปัญญาเครื่องจักรที่ฉลาดกว่า

นักพัฒนายกมือในความผิดหวังหลังการฝึกอบรมอีกครั้ง การทำงานอย่างหนักหลายเดือนในการปรับแต่งโมเดลภาษาขนาดใหญ่ โมเดลภาษาขนาดใหญ่ ได้รับการขยายเพื่อเพิ่มขีดความสามารถในการประมวลผลข้อมูลและเพิ่มทรัพยากรคอมพิวเตอร์ โครงสร้างพื้นฐานถูกปรับเปลี่ยนซ้ำแล้วซ้ำเล่า แต่ความก้าวหน้าเป็นเพียงเล็กน้อย ผลลัพธ์เป็นการเพิ่มขึ้นของความแม่นยำเพียงเล็กน้อย

ความก้าวหน้านี้มีราคาแพงมาก ต้องใช้เงินหลายล้านเหรียญสหรัฐฯ ในการซื้อฮาร์ดแวร์และใช้พลังงานจำนวนมาก นอกจากนี้ยังสร้างภาระด้านสิ่งแวดล้อมที่สำคัญผ่านการปล่อยก๊าซคาร์บอน ดังนั้นจึงชัดเจนว่าจุดคุ้มทุนได้ถูกถึงแล้ว และทรัพยากรเพิ่มเติมจะไม่นำไปสู่ความก้าวหน้าเท่ากัน

เป็นเวลานานที่ปัญญาประดิษฐ์ (AI) ได้พัฒนาอย่างคาดการณ์ได้ ความก้าวหน้านี้ได้รับการสนับสนุนจาก กฎของมัวร์ ซึ่งทำให้ฮาร์ดแวร์เร็วขึ้นและวางรากฐานสำหรับการปรับปรุงเพิ่มเติม นอกจากนี้ กฎการปรับขนาดของประสาท ที่แนะนำในปี 2020 ได้แสดงให้เห็นว่าโมเดลที่ใหญ่ขึ้นที่ได้รับการฝึกอบรมด้วยข้อมูลและคอมพิวเตอร์มากขึ้นโดยทั่วไปจะทำงานได้ดีกว่า ดังนั้นสูตรสำหรับความก้าวหน้าจึงดูเหมือนชัดเจน คือ การเพิ่มขนาดและผลลัพธ์จะดีขึ้น

อย่างไรก็ตาม ในช่วงไม่กี่ปีที่ผ่านมา สูตรนี้เริ่มล้มเหลว ค่าใช้จ่ายทางการเงินเพิ่มขึ้นอย่างรวดเร็ว ในขณะที่การเพิ่มขึ้นของประสิทธิภาพนั้นน้อยมาก นอกจากนี้ ผลกระทบต่อสิ่งแวดล้อมของการบริโภคพลังงานที่สูงยิ่งขึ้นกำลังเป็นปัญหาที่ไม่สามารถมองข้ามได้ ดังนั้น ผู้วิจัยหลายคนจึงตั้งคำถามว่าการปรับขนาดเพียงอย่างเดียวสามารถชี้นำอนาคตของ AI ได้หรือไม่

จากโมเดลแบบโมโนลิธิกสู่ปัญญาเชิงร่วมมือ

โมเดล เช่น GPT-4 และ Claude 3 Opus แสดงให้เห็นว่าโมเดลขนาดใหญ่สามารถให้ความสามารถที่น่าประทับใจในด้านความเข้าใจภาษา การให้เหตุผล และการเขียนโค้ด อย่างไรก็ตาม ความสำเร็จเหล่านี้มีราคาแพงมาก การฝึกอบรมต้องใช้ GPU หลายหมื่นตัวที่ทำงานเป็นเวลาหลายเดือน ซึ่งเป็นกระบวนการที่เพียงไม่กี่องค์กรทั่วโลกเท่านั้นที่สามารถจ่ายได้ ดังนั้นประโยชน์ของการปรับขนาดจึงจำกัดเฉพาะผู้ที่มีทรัพยากรจำนวนมาก

เมตริกด้านประสิทธิภาพ เช่น โทเค็นต่อดอลลาร์ต่อวัตต์ ทำให้ปัญหาเป็นที่ชัดเจนยิ่งขึ้น หลังจากขนาดที่แน่นอน ประสิทธิภาพที่เพิ่มขึ้นจะกลายเป็นเพียงเล็กน้อย ในขณะที่ต้นทุนในการฝึกอบรมและใช้งานโมเดลเหล่านี้เพิ่มขึ้นอย่างรวดเร็ว นอกจากนี้ ภาระด้านสิ่งแวดล้อมยังเพิ่มขึ้น เนื่องจากระบบเหล่านี้ใช้ไฟฟ้าจำนวนมากและช่วยให้เกิดการปล่อยก๊าซคาร์บอน ซึ่งหมายความว่าแนวทาง ใหญ่กว่าดีกว่า แบบดั้งเดิมกำลังกลายเป็นไปไม่ได้

นอกจากนี้ ความเครียดไม่ได้มาจากคอมพิวเตอร์เท่านั้น โมเดลขนาดใหญ่ยังต้องการการรวบรวมข้อมูลอย่างกว้างขวาง การทำความสะอาดชุดข้อมูลที่ซับซ้อน และโซลูชันจัดเก็บข้อมูลระยะยาว แต่ละขั้นตอนเหล่านี้เพิ่มต้นทุนและความซับซ้อนมากขึ้น การอนุมานเป็นอีกความท้าทายหนึ่ง เนื่องจากการทำงานของโมเดลเหล่านี้ในระดับใหญ่ต้องใช้โครงสร้างพื้นฐานที่มีราคาแพงและพลังงานที่มีอยู่เสมอ เมื่อรวมกันแล้ว ปัจจัยเหล่านี้บ่งชี้ว่าการพึ่งพาโมเดลขนาดใหญ่และแบบโมโนลิธิกเพียงอย่างเดียวไม่ใช่วิธีการที่ยั่งยืนสำหรับอนาคตของ AI

ข้อจำกัดนี้เน้นย้ำถึงความสำคัญของการตรวจสอบว่าปัญญาเกิดขึ้นได้อย่างไรในระบบอื่น ๆ ปัญญาของมนุษย์ให้บทเรียนที่สำคัญ มันไม่ใช่โปรเซสเซอร์ยักษ์ใหญ่ แต่เป็นชุดของภูมิภาคที่เชี่ยวชาญ การมองเห็น ความจำ และภาษาได้รับการจัดการแยกจากกัน แต่ประสานงานกันเพื่อสร้างพฤติกรรมที่ฉลาด นอกจากนี้ สังคมมนุษย์ยังคงพัฒนาอยู่ไม่ใช่เพราะบุคคลเดียว แต่เพราะกลุ่มคนที่มีความเชี่ยวชาญที่หลากหลายทำงานร่วมกัน ตัวอย่างเหล่านี้แสดงให้เห็นว่าความเชี่ยวชาญและความร่วมมือมักมีประสิทธิภาพมากกว่าการเพิ่มขนาดเพียงอย่างเดียว

AI สามารถก้าวหน้าได้โดยการปฏิบัติตามหลักการนี้ แทนที่จะพึ่งพาโมเดลขนาดใหญ่เพียงอย่างเดียว นักวิจัยกำลังสำรวจระบบของเอเย่นต์ขนานกัน แต่ละเอเย่นต์มุ่งเน้นไปที่ฟังก์ชันเฉพาะ ในขณะที่การประสานงานระหว่างพวกมันทำให้สามารถแก้ปัญหาได้อย่างมีประสิทธิภาพมากขึ้น แนวทางนี้หันเหจากขนาดที่ดิบและไปสู่ความร่วมมือที่ฉลาดกว่า นอกจากนี้ยังนำโอกาสใหม่ ๆ มาสู่ประสิทธิภาพ ความน่าเชื่อถือ และการเติบโต ในที่สุด เอเย่นต์ AI ขนานกันจึงเป็นทิศทางที่เป็นไปได้และยั่งยืนสำหรับขั้นตอนต่อไปของปัญญาเครื่องจักร

การปรับขนาด AI ผ่านระบบหลายเอเย่นต์

ระบบหลายเอเย่นต์ (MAS) ประกอบด้วยเอเย่นต์ AI ที่เป็นอิสระหลายตัวที่ทำงานทั้งแบบอิสระและแบบร่วมมือภายในสภาพแวดล้อมที่ใช้ร่วมกัน แต่ละเอเย่นต์อาจมุ่งเน้นไปที่งานของตนเอง แต่ก็โต้ตอบกับคนอื่น ๆ เพื่อบรรลุเป้าหมายร่วมกันหรือเกี่ยวข้องกัน ในแง่นี้ ระบบหลายเอเย่นต์คล้ายกับแนวคิดที่ทราบในคอมพิวเตอร์วิทยาศาสตร์ ตัวอย่างเช่น เช่นเดียวกับโปรเซสเซอร์หลายคอร์ที่จัดการงานในแบบขนานภายในหน่วยความจำที่ใช้ร่วมกัน และระบบกระจายที่เชื่อมต่อคอมพิวเตอร์ที่แยกจากกันเพื่อแก้ปัญหาที่ใหญ่ขึ้น ระบบหลายเอเย่นต์รวมความพยายามของเอเย่นต์หลายตัวที่เชี่ยวชาญเพื่อทำงานร่วมกัน

นอกจากนี้ แต่ละเอเย่นต์ทำงานเป็นหน่วยความฉลาดที่แตกต่างกัน บางตัวได้รับการออกแบบมาเพื่อวิเคราะห์ข้อความ บางตัวสำหรับการดำเนินโค้ด และบางตัวสำหรับการค้นหาข้อมูล แต่จุดแข็งจริงของพวกมันไม่ได้มาจากการทำงานเพียงอย่างเดียว แต่มาจากการทำงานร่วมกันอย่างแข็งขัน โดยที่เอเย่นต์แลกเปลี่ยนผลลัพธ์ แบ่งปันบริบท และปรับแต่งโซลูชันร่วมกัน ดังนั้น ประสิทธิภาพรวมของระบบดังกล่าวจึงมากกว่าของโมเดลใดๆ

ปัจจุบัน การพัฒนานี้ได้รับการสนับสนุนจากเฟรมเวิร์กใหม่ที่ทำให้เอเย่นต์หลายตัวสามารถทำงานร่วมกัน ตัวอย่างเช่น AutoGen อนุญาตให้เอเย่นต์หลายตัวสนทนา แบ่งปันบริบท และแก้ปัญหาผ่านการโต้ตอบที่มีโครงสร้าง ในทำนองเดียวกัน CrewAI ช่วยให้นักพัฒนาสามารถกำหนดทีมเอเย่นต์ที่มีบทบาท ความรับผิดชอบ และการทำงานที่ชัดเจน นอกจากนี้ LangChain และ LangGraph ยังมีไลบรารีและเครื่องมือที่ใช้กราฟสำหรับการออกแบบกระบวนการที่มีสถานะ โดยที่เอเย่นต์สามารถส่งงานในรอบและรักษาความจำเพื่อปรับปรุงผลลัพธ์อย่างต่อเนื่อง

ผ่านเฟรมเวิร์กเหล่านี้ นักพัฒนาจะไม่ถูกจำกัดโดยแนวทางโมเดลแบบโมโนลิธิกอีกต่อไป แต่สามารถออกแบบระบบนิเวศของเอเย่นต์ฉลาดที่ประสานงานได้อย่างมีพลวัต ซึ่งหมายถึงการเปลี่ยนแปลงที่สำคัญสำหรับการปรับขนาด AI อย่างชาญฉลาด โดยเน้นไปที่ประสิทธิภาพและความเชี่ยวชาญมากกว่าการเพิ่มขนาดเพียงอย่างเดียว

Fan Out และ Fan In สำหรับเอเย่นต์ AI ขนานกัน

การทำความเข้าใจว่าเอเย่นต์ขนานกันทำงานร่วมกันอย่างไรต้องดูที่สถาปัตยกรรมพื้นฐาน รูปแบบหนึ่งที่มีประสิทธิภาพคือการออกแบบแฟนเอาท์/แฟนอิน ซึ่งแสดงให้เห็นว่าปัญหาที่สำคัญสามารถถูกแบ่งออกเป็นส่วนเล็กๆ ได้ และแก้ไขในแบบขนาน จากนั้นจึงรวมเข้าด้วยกันเป็นเอาต์พุตเดียว วิธีนี้ปรับปรุงทั้งประสิทธิภาพและคุณภาพ

ขั้นตอนที่ 1: การจัดวงจรและแยกงาน

กระบวนการเริ่มต้นด้วยการจัดวงจร ซึ่งรับคำสั่งจากผู้ใช้และแบ่งออกเป็นงานย่อยที่กำหนดไว้อย่างดี ซึ่งรับประกันว่าแต่ละเอเย่นต์จะมีความรับผิดชอบที่ชัดเจน

ขั้นตอนที่ 2: แฟนเอาท์ไปยังเอเย่นต์ขนานกัน

งานย่อยถูกแจกจ่ายไปยังเอเย่นต์หลายตัว แต่ละเอเย่นต์ทำงานในแบบขนาน ตัวอย่างเช่น เอเย่นต์หนึ่งอาจวิเคราะห์ AutoGen อีกตัวหนึ่งอาจตรวจสอบ CrewAI repositories ในขณะที่อีกตัวหนึ่งอาจศึกษาคุณสมบัติของ LangGraph การแบ่งงานนี้ลดเวลาและเพิ่มความเชี่ยวชาญ

ขั้นตอนที่ 3: การดำเนินการขนานโดยเอเย่นต์ที่เชี่ยวชาญ

แต่ละเอเย่นต์ทำงานที่ได้รับมอบหมายโดยอิสระ พวกมันทำงานแบบไม่ส่งผลกระทบต่อประสิทธิภาพและเพิ่มการผลิตเมื่อเทียบกับการประมวลผลแบบลำดับ

ขั้นตอนที่ 4: แฟนอินและการรวบรวมผลลัพธ์

หลังจากที่เอเย่นต์เสร็จสิ้นงาน การจัดวงจรจะรวบรวมเอาต์พุตของพวกมัน ในขั้นตอนนี้ ผลการค้นพบและข้อมูลเชิงลึกที่ไม่ได้ประมวลผลจากเอเย่นต์ต่างๆ จะถูกรวบรวมเข้าด้วยกัน

ขั้นตอนที่ 5: การสังเคราะห์และเอาต์พุตสุดท้าย

สุดท้าย การจัดวงจรจะสังเคราะห์ผลลัพธ์ที่รวบรวมไว้ให้เป็นคำตอบที่มีโครงสร้างเดียว ขั้นตอนนี้เกี่ยวข้องกับการลบการซ้ำ การแก้ไขข้อขัดแย้ง และการรักษาความสอดคล้อง

การออกแบบแฟนเอาท์/แฟนอินนี้คล้ายกับทีมวิจัยที่ผู้เชี่ยวชาญทำงานแยกจากกัน แต่ผลการวิจัยของพวกเขาถูกนำมารวมกันเพื่อสร้างโซลูชันที่สมบูรณ์ ดังนั้นจึงแสดงให้เห็นว่าความขนานสามารถปรับปรุงความแม่นยำและประสิทธิภาพในระบบ AI ได้อย่างไร

เมตริกประสิทธิภาพ AI สำหรับการปรับขนาดที่ฉลาดกว่า

ในอดีต การปรับขนาดวัดได้หลักจากขนาดของโมเดล โดยสมมติว่าโมเดลที่มีพารามิเตอร์มากขึ้นจะให้ผลลัพธ์ที่ดีกว่า อย่างไรก็ตาม ในยุคของ AI แบบเอเย่นต์ ต้องใช้มาตรการใหม่ๆ ที่เน้นไปที่การทำงานร่วมกันและประสิทธิภาพ ไม่ใช่แค่ขนาด

ประสิทธิภาพการประสานงาน

เมตริกนี้ประเมินประสิทธิภาพของเอเย่นต์ในการสื่อสารและจัดซิงค์ การหน่วงเวลาที่สูงหรือการทำงานซ้ำจะลดประสิทธิภาพ ในทางกลับกัน การประสานงานที่ราบรื่นจะเพิ่มความสามารถในการปรับขนาดโดยรวม

การคำนวณเวลาทดสอบ (เวลา思考)

สิ่งนี้หมายถึงทรัพยากรการคำนวณที่ใช้ระหว่างการอนุมาน มันจำเป็นสำหรับการควบคุมต้นทุนและความสามารถในการตอบสนองแบบเรียลไทม์ ระบบที่ใช้ทรัพยากรน้อยกว่าในขณะที่รักษาความแม่นยำไว้จะใช้ได้จริงมากกว่า

เอเย่นต์ต่อการทำงาน

การเลือกจำนวนเอเย่นต์ที่เหมาะสมก็มีความสำคัญเช่นกัน เอเย่นต์ที่มากเกินไปอาจสร้างความสับสนและภาระเพิ่มเติม ในขณะที่เอเย่นต์ที่น้อยเกินไปอาจจำกัดความเชี่ยวชาญ ดังนั้นความสมดุลจึงจำเป็นเพื่อให้ได้ผลลัพธ์ที่มีประสิทธิภาพ

เมื่อรวมกันแล้ว เมตริกเหล่านี้แสดงถึงวิธีการใหม่ในการวัดความก้าวหน้าใน AI โดยที่การเน้นย้ายจากขนาดที่ดิบไปสู่การทำงานร่วมกันอย่างชาญฉลาด การดำเนินการขนาน และการแก้ปัญหาร่วมกัน

ข้อดีแบบเปลี่ยนแปลงของเอเย่นต์ AI ขนานกัน

เอเย่นต์ AI ขนานกันนำเสนอแนวทางใหม่สำหรับปัญญาเครื่องจักร โดยรวมความเร็ว ความแม่นยำ และความแข็งแกร่งในลักษณะที่ระบบโมโนลิธิกเดี่ยวไม่สามารถทำได้ ประโยชน์เชิงปฏิบัติของมันกำลังปรากฏอย่างชัดเจนในอุตสาหกรรมต่างๆ และผลกระทบของมันคาดว่าจะเพิ่มขึ้นเมื่อมีการนำไปใช้มากขึ้น

ประสิทธิภาพผ่านการดำเนินการงานขนาน

เอเย่นต์ขนานกันปรับปรุงประสิทธิภาพโดยการทำงานหลายอย่างพร้อมๆ กัน ตัวอย่างเช่น ในการสนับสนุนลูกค้า เอเย่นต์หนึ่งสามารถค้นหาฐานความรู้ อีกตัวหนึ่งสามารถดึงข้อมูล CRM และอีกตัวหนึ่งสามารถประมวลผลข้อมูลผู้ใช้แบบเรียลไทม์พร้อมๆ กัน การทำงานขนานนี้ให้คำตอบที่เร็วขึ้นและครอบคลุมมากขึ้น เฟรมเวิร์ก เช่น SuperAGI แสดงให้เห็นว่าการทำงานขนานสามารถลดเวลาในการทำงานและเพิ่มผลผลิตได้อย่างไร

ความแม่นยำผ่านการตรวจสอบข้ามร่วมกัน

เอเย่นต์ขนานกันทำงานร่วมกันเพื่อเพิ่มความแม่นยำ เอเย่นต์หลายตัวที่วิเคราะห์ข้อมูลเดียวกันสามารถตรวจสอบผลลัพธ์ข้ามกัน ท้าทายสมมติฐาน และปรับแต่งการให้เหตุผล ในด้านการดูแลสุขภาพ เอเย่นต์อาจวิเคราะห์ภาพถ่าย ดูประวัติผู้ป่วย และปรึกษาวิจัย ซึ่งนำไปสู่การวินิจฉัยที่ครอบคลุมและเชื่อถือได้มากขึ้น

ความแข็งแกร่งผ่านความทนทานแบบกระจาย

การออกแบบแบบกระจายทำให้แน่ใจว่าการล้มเหลวของเอเย่นต์หนึ่งตัวจะไม่นำระบบทั้งหมดไปสู่จุดล้มเหลว หากส่วนประกอบหนึ่งล้มเหลวหรือชะลอความเร็ว เอเย่นต์อื่นๆ จะยังคงทำงานต่อไป ความทนทานนี้มีความสำคัญอย่างยิ่งในด้านการเงิน การขนส่ง และการดูแลสุขภาพ ซึ่งความต่อเนื่องและความน่าเชื่อถือเป็นสิ่งจำเป็น

อนาคตที่ฉลาดกว่าด้วยความขนาน

โดยการรวมประสิทธิภาพ ความแม่นยำ และความแข็งแกร่ง เอเย่นต์ AI ขนานกันทำให้สามารถใช้งานได้จริงในระดับองค์กรตั้งแต่การทำงานอัตโนมัติไปจนถึงการวิจัยทางวิทยาศาสตร์ แนวทางนี้แสดงถึงการเปลี่ยนแปลงพื้นฐานในด้านการออกแบบ AI โดยทำให้ระบบสามารถทำงานได้เร็วขึ้น มีความน่าเชื่อถือมากขึ้น และมีความเข้าใจที่ลึกซึ้งยิ่งขึ้น

ความท้าทายใน AI หลายเอเย่นต์

ในขณะที่ระบบ AI หลายเอเย่นต์ให้ความสามารถในการปรับขนาดและปรับเปลี่ยนได้ แต่ก็มีความท้าทายที่สำคัญด้วย ในด้านเทคนิค การจัดวงจรหลายเอเย่นต์จำเป็นต้องมีการจัดวงจรที่ซับซ้อน เมื่อจำนวนเอเย่นต์เพิ่มขึ้น ภาระในการสื่อสารอาจกลายเป็นปัญหาออกตัว

นอกจากนี้ พฤติกรรมที่เกิดขึ้นโดยไม่คาดคิดมักยากต่อการคาดการณ์หรือการทำซ้ำ ซึ่งทำให้การแก้ปัญหาและประเมินผลยากขึ้น การวิจัยเน้นย้ำถึงความกังวล เช่น การจัดสรรทรัพยากร ความซับซ้อนของสถาปัตยกรรม และความเสี่ยงในการที่เอเย่นต์จะเพิ่มความผิดพลาดของกันและกัน

นอกจากประเด็นด้านเทคนิคแล้ว ยังมีความเสี่ยงด้านจริยธรรมและธรรมาภิบาลด้วย ความรับผิดชอบในระบบหลายเอเย่นต์กระจายออกไป เมื่อผลลัพธ์ที่เป็นอันตรายหรือไม่ถูกต้องเกิดขึ้น มักไม่ชัดเจนว่าความผิดพลาดนั้นอยู่ที่ตัวจัดวงจร เอเย่นต์รายบุคคล หรือการโต้ตอบระหว่างกัน

ความปลอดภัยเป็นอีกประเด็นที่ต้องกังวล หากเอเย่นต์หนึ่งถูกบุกรุก ระบบทั้งหมดจะถูกตั้งค่าให้อยู่ในความเสี่ยง ผู้กำกับดูแลกำลังตอบสนอง ตัวอย่างเช่น พระราชบัญญัติ AI ของสหภาพยุโรปคาดว่าจะขยายเพื่อจัดการกับสถาปัตยกรรมแบบเอเย่นต์ ในขณะที่สหรัฐอเมริกากำลังดำเนินแนวทางที่ขับเคลื่อนด้วยตลาด

สรุป

AI มักพึ่งพาการปรับขนาดโมเดลขนาดใหญ่ แต่วิธีการนี้มีค่าใช้จ่ายสูงและไม่ยั่งยืน เอเย่นต์ AI ขนานกันให้ทางเลือกโดยการปรับปรุงประสิทธิภาพ ความแม่นยำ และความแข็งแกร่งผ่านการทำงานร่วมกัน แทนที่จะพึ่งพาโมเดลเดี่ยว งานจะถูกแจกจ่ายไปที่เอเย่นต์ที่เชี่ยวชาญซึ่งประสานงานกันเพื่อให้ผลลัพธ์ที่ดีกว่า การออกแบบนี้ลดความล่าช้า ปรับปรุงความน่าเชื่อถือ และทำให้สามารถใช้งานได้จริงในสถานการณ์จริง

แม้ว่าระบบหลายเอเย่นต์จะมีศักยภาพ แต่ก็เผชิญกับความท้าทายหลายประการ การจัดวงจรหลายเอเย่นต์นำความซับซ้อนมา และการกำหนดความรับผิดชอบต่อข้อผิดพลาดอาจเป็นเรื่องที่ท้าทาย ความเสี่ยงด้านความปลอดภัยยังเพิ่มขึ้นเมื่อความล้มเหลวของเอเย่นต์หนึ่งตัวสามารถส่งผลต่อคนอื่นๆ ได้ ความกังวลเหล่านี้เน้นย้ำถึงความจำเป็นในการกำกับดูแลที่เข้มงวดและความเกิดขึ้นของบทบาทวิชาชีพใหม่ๆ เช่น วิศวกรเอเย่นต์ ด้วยการวิจัยและการสนับสนุนจากอุตสาหกรรมที่ดำเนินต่อไป ระบบหลายเอเย่นต์มีแนวโน้มที่จะกลายเป็นทิศทางหลักสำหรับการพัฒนาอันชาญฉลาดในอนาคต