Minčių spiečius: kai 1 000 dirbtinio intelekto agentų mąsto geriau nei vienas
Vieno agento riba
Stebėkite, kaip vienas dirbtinio intelekto agentas bando sukurti gamybinę programą. Jis pradeda užtikrintai, kurdamas sistemos architektūrą su įspūdingu sudėtingumu. Tada pereina prie įgyvendinimo kodo rašymo. Kol kas gerai. Tačiau dabar jam reikia stebėti našumo metrikas, kartu derinant ribinius atvejus, optimizuojant gamybai, apsaugant nuo pažeidžiamumų ir dokumentuojant kiekvieną sprendimą. Agentas įstringa. Atsakymo laikas sulėtėja. Kokybė prastėja. Galiausiai jis sukuria kažką pusiau baigto su akivaizdžiais trūkumais.
Tai nėra programinės įrangos klaida, kurią galima pataisyti. Tai kognityvinis mokslas. Joks atskiras agentas, nepaisant parametrų skaičiaus ar mokymo duomenų, negali vienu metu puikiai atlikti strateginio planavimo, taktinio vykdymo, kokybės užtikrinimo, saugumo patikros ir dokumentacijos. Tam reikalingi skaičiavimo ištekliai būtų absurdiški. Konteksto langas sprogtų. Specializacija, reikalinga giliai kompetencijai kiekvienoje srityje, prieštarauja apibendrinimui, reikalingam pereiti tarp jų.
Žmonių civilizacija tai suprato prieš tūkstantmečius. „Siemens“ neturi vieno žmogaus, kuris vadovautų visiems 327 000 darbuotojų 190 šalių. Jie turi strategus, nustatančius kryptį, inžinierius, kuriančius produktus, kokybės kontrolierius, užtikrinančius standartus, saugumo komandas, saugančias turtą, ir dokumentacijos specialistus, kaupiančius žinias. Kiekvienas vaidmuo sutelktas į savo sritį. Kiekvienas prisideda specializuota kompetencija. Jų koordinavimas sukuria organizacinį intelektą, kurio neprilygtų joks individas.
Dirbtinis intelektas pagaliau išmoksta tai, ką žmonės atrado per tūkstančius bandymų ir klaidų metų: specializacija įveikia universalumą, kai sudėtingumas didėja. Daugiaagentės sistemos, kuriose dešimtys specializuotų AI agentų dirba kartu, kiekvienas būdamas savo siauros srities ekspertas, pasiekia rezultatų, kurių monolitiniai modeliai tiesiog negali pasiekti. Europos Sąjungos MAS4AI projektas diegė daugiaagentes architektūras modulinės gamybos aplinkose, kurios įveikė kiekvieną vieno agento metodą. „Siemens“ 2024 m. pristatė pramoninius AI agentus, kurie koordinuoja darbą visose gamybos grandinėse. „Thyssenkrupp Automation Engineering“ pranešė apie išmatuojamą kodo kokybės ir kūrimo spartos pagerėjimą įdiegusi šias sistemas savo Europos gamyklose.
Tai ne akademiniai tyrimai ar ateities spėlionės. Dabar 2025 m. spalis, ir skaičiai kalba patys už save. Daugiaagentės dirbtinio intelekto rinka šiemet pasiekė 7,77 mlrd. eurų (maždaug 7,15 mlrd. eurų) ir, kelių rinkos tyrimų bendrovių duomenimis, kasmet auga 45,8 proc. „Deloitte“ prognozuoja, kad 2025 m. 25 proc. įmonių, naudojančių generatyvųjį dirbtinį intelektą, diegs autonominės agentų sistemas, o iki 2027 m. šis skaičius išaugs iki 50 proc. „CrewAI“ - daugiaagentė sistema, pristatyta 2024 m. pradžioje, - per kelis mėnesius „GitHub“ platformoje surinko 34 000 žvaigždučių ir beveik 1 mln. mėnesinių atsisiuntimų. „LangGraph“, išleistas 2024 m. kovą, iki metų pabaigos pasiekė 43 proc. įmonių, kuriančių agentų sistemas, naudojimo rodiklį.
Ankstyvieji diegimo duomenys patvirtina tai, ką prognozavo teorija. „LangChain“ 2024 m. dirbtinio intelekto būklės ataskaitoje nustatyta, kad įmonės, diegiančios daugiaagentės architektūras klientų aptarnavimui, pasiekia 35-45 % didesnį problemų išsprendimo rodiklį, palyginti su vieno agento pokalbių robotais. Kodėl? Nes specializuoti agentai atlieka tai, kam yra išmokyti. Maršrutizavimo agentai nukreipia užklausas. Žinių agentai gauna informaciją. Sprendimų agentai sprendžia problemas. Kokybės agentai tikrina sprendimus. Specializuotų agentų koordinavimas duoda rezultatų, kurių nepasiekia joks universalus agentas, ir tai daroma už mažą dalį skaičiavimo sąnaudų.
Kaip iš tikrųjų veikia spiečiaus intelektas
Terminas „spiečiaus intelektas“ kilęs iš gamtos. Skruzdėlių kolonijos sprendžia sudėtingas maršruto problemas paprastais feromonų pėdsakais. Paukščių būriai koordinuoja skrydžio modelius be centrinės komandos. Bičių kolonijos priima kolektyvinius sprendimus dėl avilio vietų per viklinius šokius. Paprastas individualus elgesys, atsirandantis kolektyvinis intelektas.
Šią koncepciją 1989 m. oficialiai pristatė Gerardo Beni ir Jing Wang ląstelinių robotų sistemoms. Pagrindinė įžvalga: paprastų agentų, sąveikaujančių lokaliai, sistemos gali sukurti protingą globalų elgesį, kurio neturi nė vienas atskiras agentas. Jokios centralizuotos kontrolės. Jokio pagrindinio plano. Tik vietinės sąveikos, lemiančios atsirandančią koordinaciją.
Šiuolaikinės dirbtinio intelekto daugiaagentės sistemos šiuos principus taiko su sudėtingais agentais, o ne paprastais būriais. Vietoj vieno monolitinio DI, bandančio viską aprėpti, diegiate kelis specializuotus agentus:
- Strateginiai agentai: Aukšto lygio planavimas. Tikslų nustatymas. Išteklių paskirstymas. Rizikos prognozavimas. Jie nevykdo, jie koordinuoja. Įsivaizduokite Oracle Dweve Aura sistemoje, analizuojantį projektų trajektorijas ir nustatantį nesėkmės taškus dar jiems neįvykus.
- Operatyviniai agentai: Įgyvendinimas. Vykdymas. Tiesioginis užduočių atlikimas. Codekeeper rašo švarius sprendimus. Architect kuria sistemos struktūrą. Debugger ieško pagrindinių priežasčių.
- Kokybės užtikrinimo agentai: Veikimo optimizavimas. Ribinių atvejų testavimas. Atitikties patikra. Inquisitor randa scenarijus, kurių praleidžia žmogiškieji testuotojai. Guardian užtikrina atitiktį reikalavimams.
- Koordinavimo agentai: Tarpagentinė komunikacija. Konfliktų sprendimas. Užduočių nukreipimas. Diplomat valdo situacijas, kai keli agentai nesutaria dėl metodo. Herald skelbia būsenos atnaujinimus.
- Specializuoti agentai: Srities ekspertizė. Saugumas (Scout, Shield). Dokumentacija (Wordsmith, Chronicler). Atkūrimas (Phoenix). Integracija (Telepath). Kiekvienas agentas giliai išmano vieną sritį, o ne paviršutiniškai daugelį.
Kiekvienas agentas specializuojasi. Spiečius koordinuojasi per pranešimų perdavimą. Kolektyvinis intelektas atsiranda iš struktūruoto bendradarbiavimo. Kai Architect siūlo sistemos dizainą, Reviewer patvirtina, kad jis atitinka standartus, Guardian tikrina atitiktį, Timekeeper įvertina veikimo tikslus, o Testmaster patvirtina testuojamumą. Penkios specializuotos perspektyvos sukuria geresnę architektūrą, nei galėtų pasiekti bet kuris vienas agentas.
Europos diegimai, įrodantys koncepciją
Eidami per DHL sandėlį Roterdame arba Vroclave pamatysite ateitį, kuri jau veikia. Daugiau nei 3 000 „Locus“ autonominių mobiliųjų robotų juda grindimis, ir kiekvienas iš jų yra specializuotas agentas, atliekantis siaurą užduotį. Pikavimo agentai optimizuoja prekių surinkimo maršrutus. Transportavimo agentai perkelia prekes tarp zonų. Atsargų agentai realiuoju laiku stebi atsargų lygį. Koordinavimo agentai organizuoja jų tarpusavio sąveiką. Nė vienas robotas nebando daryti visko. Spiečius kolektyviai pasiekia tai, ko negalėtų pasiekti nė vienas atskiras įrenginys.
2024 m. spalį DHL Supply Chain žengė dar toliau ir kartu su Boston Consulting Group sukūrė generatyvaus dirbtinio intelekto sistemas, kurias įdiegė visame savo Europos logistikos tinkle. Architektūra skirtingoms funkcijoms naudoja specializuotus agentus. Duomenų valymo agentai parengia klientų pateiktis, šalindami neatitikimus ir formatavimo klaidas. Pasiūlymų agentai analizuoja reikalavimus ir generuoja pradines rekomendacijas. Orkestravimo agentai koordinuoja sandėlių operacijas įvairiuose objektuose. Kokybės agentai patikrina rezultatus, prieš jiems pasiekiant žmones. Šis daugiaagentis metodas įveikia sudėtingumą tokiu mastu, kokio neįveikia nė vienas DHL išbandytas monolitinis modelis.
Ekonominis poveikis nėra teorinis. „McKinsey“ praneša, kad įmonės, anksti pradėjusios taikyti dirbtinį intelektą tiekimo grandinės valdyme, pastebi 15 % mažesnes logistikos išlaidas, 35 % geresnį atsargų optimizavimą ir 65 % aukštesnį aptarnavimo lygį, palyginti su įmonėmis, naudojančiomis tradicinius metodus. Dirbtinio intelekto tiekimo grandinėje rinka kasmet auga 38,8 % ir iki 2030 m. prognozuojama, kad pasaulyje pasieks 37 mlrd. eurų. Europos logistikos lyderės, įskaitant DHL, DSV ir DB Schenker, diegia šias kelių agentų sistemas Amsterdame, Roterdame, Hamburge ir Antverpene, skatinamos išmatuojamos investicijų grąžos.
Gamyba pasakoja tą pačią istoriją tik su kitais skaičiais. „Siemens“ kartu su „Microsoft“ sukūrė „Industrial Copilot“ - dirbtinio intelekto sistemą, pagrįstą kelių agentų architektūra, o ne vienu monolitiniu modeliu. Planavimo agentai optimizuoja gamybos grafikus. Kokybės agentai realiuoju laiku stebi defektus ir pastebi problemas, kol jos dar neišplito. Priežiūros agentai numato įrangos gedimus likus kelioms dienoms ar savaitėms iki jų. Energijos agentai mažina suvartojimą koordinuodami veiksmus visose sistemose. Specializuotų agentų tarpusavio koordinacija pasiekia rezultatų, kurių nepasiekia joks bendros paskirties dirbtinis intelektas.
„Thyssenkrupp Automation Engineering“ tapo pirmuoju pasauliniu klientu, diegiančiu „Siemens Industrial Copilot“ savo gamybos įmonėse. Inžinieriai dabar valdymo skydelių vizualizacijas sukuria per 30 sekundžių, o anksčiau tam prireikdavo valandų. Sistema generuoja kodą, kurį reikia koreguoti tik 20 % rankiniu būdu, palyginti su 60-80 % bendrosioms dirbtinio intelekto priemonėms. Kodo kokybė pagerėjo išmatuojamai. Kūrimo sparta paspartėjo. 2025 m. įmonė planuoja pasaulinį diegimą visose gamybos vietose.
Europa sudaro 29,9 % pasaulinės gamybos automatizavimo rinkos. Daugiaagentės architektūros tampa standartu, o ne eksperimentu, nes ekonomika aiškiai rodo, kad specializacija yra pranašesnė už generalizaciją. Kai specialistų koordinavimas kainuoja mažiau ir veikia geriau nei generalistų diegimas, rinka kiekvieną kartą pasirenka koordinavimą.
ES MAS4AI projektas (daugiaagentės sistemos visuotinei dirbtiniam intelektui) įrodė šį principą modulinės gamybos aplinkose keliose pramonės įmonėse. Vietoj bandymo sukurti vieną sistemą, kuri išspręstų viską, projektas diegė specializuotus dirbtinio intelekto agentus ir taip optimizavo gamybos sąnaudas, dinamiškai pritaikydamas gamybos maršrutus, įrankių pasirinkimą ir veikimo parametrus pagal realaus laiko sąlygas. Koordinuotas agentų spiečius susidorojo su gamybos sudėtingumu, kuriam nebuvo pajėgi nė viena tyrėjų komandos išbandyta vieno agento architektūra.
Specializacijos ekonomika
Štai kodėl specializuoti agentų spiečiai nuosekliai pranoksta monolitines AI sistemas, remiantis faktiniais diegimo duomenimis:
Gili ekspertizė visada pranoksta paviršutinišką aprėptį. Specializuotas maršrutų parinkimo agentas, apmokytas tik Europos kelių tinkluose, eismo modeliuose ir pristatymo apribojimuose, logistikos optimizavimo srityje pranoksta GPT-4. Ne todėl, kad maršrutų parinkimo agentas turi daugiau parametrų (jų turi gerokai mažiau), o todėl, kad kiekvienas parametras skirtas vienai konkrečiai problemai. Bendrosios paskirties modelis savo pajėgumus paskirsto maršrutų optimizavimui, poezijos kūrimui, teisinei analizei, kodų generavimui ir tūkstančiams kitų užduočių. Specialistas viską sutelkia į maršrutų parinkimą. Gilumas pranoksta plotį, kai problemai spręsti reikia ekspertinių žinių.
Skaičiai tai įrodo. Domenui skirti agentai nuosekliai pasiekia išmatuojamai didesnį tikslumą už mažą dalį skaičiavimo sąnaudų, palyginti su bendrosios paskirties pagrindiniais modeliais. Kai visą jūsų mokymo duomenų rinkinį sudaro milijonai Europos pristatymo maršrutų, o ne visas internetas, išmokstate tai, kas iš tikrųjų svarbu Europos logistikai. Kai jūsų architektūra optimizuojama maršrutų parinkimui, o ne bendram kalbos modeliavimui, maršrutų problemas sprendžiate geriau. Tai ne teorija. Tai patvirtinti diegimo duomenys iš įmonių, kurios šias sistemas naudoja gamyboje visoje Europoje.
Lygiagretus vykdymas keičia laiko juostas. Trisdešimt du specializuoti agentai, dirbdami vienu metu, sudėtingas užduotis atlieka greičiau nei vienas galingas agentas, jas atliekantis nuosekliai, net jei tas vienas agentas techniškai turi geresnius individualius gebėjimus. Apsvarstykite klientų aptarnavimą. Vienas generalistas agentas gauna užklausą, nukreipia ją tinkamai komandai, suranda reikiamą dokumentaciją, suformuluoja sprendimą, patvirtina pataisą ir atsako klientui. Penki nuoseklūs žingsniai, kurių kiekvienas laukia, kol baigsis ankstesnis.
Dabar dislokuokite penkis specializuotus agentus. Maršruto parinkimo agentas iškart nustato problemos tipą. Žinių agentas gauna dokumentaciją, kol vyksta maršruto parinkimas. Sprendimo agentas suformuluoja pataisymą, kol žinių agentas ieško. Tikrinimo agentas patikrina sprendimą, kol jis generuojamas. Atsakymo agentas kuria komunikaciją, kol vyksta tikrinimas. Visi penki veikia lygiagrečiai. „LangChain“ 2024 m. dirbtinio intelekto būklės ataskaitoje nustatyta, kad įmonės, diegiančios kelių agentų architektūras klientų aptarnavime, pasiekia 35-45 % didesnį problemų išsprendimo rodiklį, palyginti su vieno agento sistemomis. Lygiagretus vykdymas pašalina laukimo laiką. Rezultatai gaunami greičiau ir kokybiškiau.
Laipsniškas veikimo pablogėjimas prieš katastrofišką gedimą. Vienas agentas iš 32 agentų spiečiaus sugenda. Likę 31 kompensuoja. Veikimas pablogėja maždaug 3%. Jūsų monolitinė AI sistema sugenda. Visa jūsų paslauga žlunga. Veikimas pablogėja 100%. Tai nėra hipotetinis rizikos valdymas. Europos finansinių paslaugų įmonės, diegiančios kelių agentų architektūras, praneša apie išmatuojamai didesnį patikimumą būtent todėl, kad atskiro agento gedimas neperauga į sistemos gedimą. Atsparumas atsiranda iš paskirstymo. Monolitinės sistemos sukuria vieno gedimo taškus. Spiečiaus architektūros paskirsto riziką.
Horizontalus mastelio keitimas be perkvalifikavimo košmaro. Reikia daugiau pajėgumo? Įdiekite papildomų agentų. Daugiaagentės sistemos horizontaliai keičia mastelį lygiai kaip mikropaslaugos. Monolitiniai modeliai pasiekia architektūros ribas, kai pajėgumo didinimas reikalauja visiško perkvalifikavimo didesniuose klasteriuose, ilgesnių terminų ir didžiulių skaičiavimo išlaidų. Kai DHL sandėlio operacijos Roterdame viršija pajėgumą piko sezono metu, jie įdiegia papildomus koordinavimo agentus, kad susidorotų su apkrova. Jokio modelio perkvalifikavimo. Jokios sistemos prastovos. Jokių mėnesius trunkančių ML inžinerijos projektų. Tik papildomas specializuotas pajėgumas ten, kur jo reikia, tada, kai jo reikia.
Nuolatinis tobulėjimas be trikdžių. Mokymosi agentai analizuoja modelius ir tobulina strategijas, o veiklos agentai toliau tvarko gamybos darbo krūvius. Monolitinėms sistemoms paprastai reikia perkvalifikavimo, kuris sustabdo paslaugą arba reikalauja sudėtingų versijų valdymo strategijų. Spiečius mokosi dirbdamas. Foniniai agentai analizuoja gamybos duomenis, nustato tobulėjimo galimybes, išbando patobulintus metodus izoliuotose aplinkose ir diegia patvirtintus patobulinimus nepertraukdami pirmosios linijos operacijų. Sistema kiekvieną savaitę tampa protingesnė, niekada nesustodama. Pabandykite tai padaryti su monolitiniu modeliu, kuriam reikia kelių dienų perkvalifikavimo GPU klasteriuose.
Dweve daugiaagentė architektūra
Daugiaagentėms sistemoms reikia daugiau nei tik kelių dirbtinio intelekto modelių. Reikia koordinavimo infrastruktūros, žinių valdymo, efektyvaus vykdymo ir saugumo garantijų. Čia Dweve integruota platforma sudaro pagrindą gamybinio lygio spiečiaus intelektui.
Dweve Aura užtikrina autonominę programinės įrangos kūrimą per 32 specializuotus agentus, suskirstytus į 6 orkestravimo režimus. Strateginė vadovybė (Oracle, Diplomat, Chronicler) planavimui ir koordinavimui. Operatyvinis laukas (Architect, Codekeeper, Testmaster, Debugger, Reviewer) pagrindinei kūrybai. Inžinerijos korpusas (Polyglot, Surgeon, Alchemist, Custodian) specializuotoms transformacijoms. Kokybės užtikrinimas (Inquisitor, Timekeeper, Guardian) patikrai. Foninis intelektas (Scout, Sentinel, Humanist, Wordsmith) stebėsenai. Specializuotos operacijos (Herald, Shield, Phoenix, Sage, Telepath ir kiti) srities žinioms. Visas autonominės kūrybos ciklas nuo reikalavimų iki diegimo.
Dweve Nexus užtikrina daugiaagentį intelekto pagrindą. Trisdešimt vienas suvokimo išgaviklis, veikiantis su tekstu, garsu, vaizdu ir struktūruotais duomenimis. Aštuoni samprotavimo režimai (dedukcinis, indukcinis, abdukcinis, analoginis, priežastinis, kontrafaktinis, metakognityvinis, sprendimų teorinis) sudėtingam agentų koordinavimui. Hibridinė neuroninė-simbolinė architektūra, įgalinanti tiek skaitmeninį, tiek simbolinį bendravimą. A2A (Google) ir MCP (Anthropic) protokolai standartiniam agentų tarpusavio susižinojimui. Šešių lygių saugumo architektūra, užtikrinanti, kad agentai veiktų nustatytose ribose.
Dweve Spindle valdo žinių kokybę daugiaagentėse sistemose. Septynių etapų epistemologinis apdorojimas tikslumui patikrinti. Trisdešimt du specializuoti valdymo agentai, aptinkantys neatitikimus, tikrinantys šaltinius, sprendžiantys konfliktus. Pilnas DMBOK (Data Management Body of Knowledge) diegimas įmonės žinių valdymui.
Dweve Core užtikrina algoritminį pagrindą. Efektyvumas, dėl kurio 32 vienu metu veikiančių agentų diegimas tampa praktiškas esamoje infrastruktūroje.
Dweve Loom įgalina selektyvų intelekto aktyvavimą. 528 srities specialistų sistemos, iš kurių kiekvienai užduočiai aktyvuojamos tik 4-8. Vietoj to, kad paleistų kiekvieną modelį, Loom nukreipia užklausas atitinkamiems specialistams. Plėtros klausimus - kodo srities specialistams. Saugumo rūpesčius - saugumo specialistams. Matematikos uždavinius - matematikos srities specialistams. Giluminė ekspertizė be skaičiavimo išlaidų.
Kartu šie komponentai sudaro architektūrą gamybinio lygio daugiaagentėms sistemoms: autonominiam agentų koordinavimui (Aura), daugiaagentėms sistemoms (Nexus), žinių valdymui (Spindle), efektyviems algoritmams (Core) ir specializuotiems domenų ekspertams (Loom). Integruota spiečiaus intelekto platforma, veikianti standartinėje infrastruktūroje su visišku skaidrumu.
Europos dirbtinio intelekto diegimo kreivė
Štai kaip Europa iš tikrųjų atrodo daugiaagentės dirbtinio intelekto diegimo srityje 2025 m. spalį. Remiantis šiais metais paskelbtais „Eurostato“ duomenimis, 13,5 % ES įmonių, kuriose dirba 10 ir daugiau darbuotojų, jau naudoja dirbtinio intelekto technologijas. Tai 8 % daugiau nei 2023 m., t. y. per vienerius metus augimas siekia 5,5 procentinio punkto. Tarp didžiausių Europos įmonių diegimo lygis siekia 41 %.
Danija pirmauja su 27,6 %, po jos seka Švedija su 25,1 % ir Belgija su 24,7 %. Nyderlanduose, kur įsikūrusi „Dweve“, įmonės sparčiai diegia dirbtinį intelektą, o tam ypač prisideda logistikos bendrovės, tokios kaip DHL ir DSV, taikančios DI visose savo operacijose.
Daugelio agentų sistemos (multi-agent sistemos) skatina didžiąją dalį šio augimo. „CrewAI“ pasirodė 2024 m. pradžioje ir per kelis mėnesius surinko 34 000 „GitHub“ žvaigždučių bei beveik 1 mln. mėnesinių atsisiuntimų, parodydamas didžiulį kūrėjų apetitą daugelio agentų orkestravimui. „LangGraph“, išleistas 2024 m. kovą, iki metų pabaigos pasiekė 43 % diegimo lygį tarp organizacijų, kuriančių agentų sistemas. Kai tokios naujos sistemos taip greitai įgyja populiarumą, stebite architektūrinį perėjimą realiuoju laiku, o ne laipsnišką evoliuciją.
Specializuotos spiečiaus intelekto rinkos prognozės rodo, kad ji iš maždaug 34,9 mln. eurų (32,1 mln. eurų) 2023 m. išaugs iki daugiau nei 725 mln. eurų (667 mln. eurų) iki 2032 m., teigia „Allied Market Research“, o tai reiškia 38,6 proc. sudėtinį metinį augimo tempą. Platesnė daugiaagentės dirbtinio intelekto rinka 2024 m. pasiekė 7,77 mlrd. eurų (apie 7,15 mlrd. eurų) ir kasmet auga 45,8 proc., teigia „Grand View Research“. Tai ne ambicingos prognozės ar rinkodaros skaičiavimai. Tai diegimo statistika iš Europos ir pasaulio įmonių, kurios sprendžia realias gamybos problemas naudodamos koordinuotus specializuotus agentus, o ne monolitinius universalius sprendimus.
Kodėl Europos įmonės to negali išvengti
ES Dirbtinio intelekto aktas įsigaliojo 2024 m. rugpjūčio 1 d. Atitikties reikalavimai įvedami laipsniškai iki 2027 m., o svarbiausi įsipareigojimai įsigalioja 2025 m. vasario 2 d. 2025 m. rugpjūčio 2 d. įsigaliojo reikalavimai bendrosios paskirties dirbtinio intelekto modeliams. Europos Komisija 2025 m. liepos 10 d. paskelbė Bendrosios paskirties dirbtinio intelekto elgesio kodeksą - sistemą, padedančią teikėjams laikytis skaidrumo, autorių teisių ir saugos įsipareigojimų. „Dweve“ pasirašė šį elgesio kodeksą ir prisijungė prie pirmaujančių dirbtinio intelekto teikėjų, įsipareigojusių atsakingai plėtrai. Mūsų kelių agentų architektūra, nuo pat pradžių sukurta remiantis skaidrumu ir paaiškinamumu, natūraliai atitinka šiuos reikalavimus. 13 straipsnis įpareigoja didelės rizikos dirbtinio intelekto sistemas užtikrinti skaidrumą ir paaiškinamumą. Turite parodyti, kaip jūsų dirbtinis intelektas priima sprendimus. Turite pateikti aiškias instrukcijas apie galimybes ir apribojimus. Turite sudaryti sąlygas diegėjams interpretuoti sistemos rezultatus ir tinkamai juos naudoti.
Dabar pabandykite paaiškinti, kodėl 175 milijardų parametrų kalbos modelis rekomendavo atleisti darbuotoją, atmesti paskolos paraišką ar diagnozuoti medicininę būklę. Negalite. Tie modeliai yra juodosios dėžės net tyrėjams, kurie juos išmokė. Sprendimas kyla iš milijardų nepermatomų parametrų, atliekančių matricų daugybą per šimtus sluoksnių. Paaiškinti samprotavimą reikia atvirkštinės inžinerijos būdu iššifruoti statistinius modelius daugiamatėje erdvėje. Europos reguliavimo institucijos nepriims „neuroninis tinklas taip pasakė“ kaip teisinio pagrindimo priimant reikšmingus sprendimus, darančius įtaką žmonių gyvenimams.
Daugelio agentų architektūros šią problemą sprendžia architektūriniu lygmeniu, o ne bando „prisukti“ paaiškinamumą prie sistemų, sukurtų būti nepermatomoms. Kai specializuotų agentų spiečius rekomenduoja veiksmą, sprendimo kelią atsekate per aiškų agentų koordinavimą. „Oracle“ išanalizavo istorinius modelius ir pažymėjo nenormalius rizikos rodiklius. „Architect“ pasiūlė sistemos projektą pagal žinių bazėje užfiksuotus nusistovėjusius architektūros modelius. „Guardian“ patikrino atitiktį BDAR, įvertinęs duomenų tvarkymą pagal reguliavimo reikalavimus. „Reviewer“ patvirtino kodą pagal organizacijos standartus. „Testmaster“ patvirtino, kad testų aprėptis kritiniuose keliuose yra pakankama.
Turite sprendimų kelią. Kiekviename žingsnyje turite agentui būdingą argumentavimą. Turite paaiškinamumą, kuris atitinka reguliavimo reikalavimus, nes sistema nuo pat pradžių buvo sukurta skaidrumui užtikrinti. Tai ne atitikties langelis, kurį pažymite pabaigoje. Tai architektūrinis pagrindas.
Europos įmonės susiduria su aiškiu pasirinkimu: diegti dirbtinį intelektą, kurį gali paaiškinti, arba visai jo nediegti. Daugiaagentės sistemos su skaidriais koordinavimo protokolais ir specializuotomis agentų atsakomybėmis rodo kelią į priekį. Spiečiaus intelektas yra ne tik techniškai pranašesnis ir ekonomiškai naudingas. Tai vienintelė architektūra, kuri iš tikrųjų veikia pagal Europos teisę.
Kas laukia toliau (ir kas jau yra)
Eksperimentų fazė baigta. Daugiaagentės sistemos nėra mokslinių tyrimų projektai ar ateities galimybės. Jos yra gamybinė architektūra, šiuo metu veikianti didžiausiose Europos įmonėse. „Siemens“ koordinuoja pramonės operacijas 190 šalių. DHL orkestruoja logistikos tinklus, kasdien tvarkančius milijonus siuntų. „Thyssenkrupp“ gamybos valdymo kodą generuoja per sekundes, o ne per valandas. Tai ne bandomieji projektai. Tai veikiančios sistemos, tvarkančios realias užduotis ir duodančios pamatuojamą investicijų grąžą.
Pavieniai dirbtinio intelekto agentai sprendė aiškiai apibrėžtas problemas su nustatytais parametrais ir nuspėjamais sprendimais. Išversk šį dokumentą. Suklasifikuok šį paveikslėlį. Sugeneruok šį kodo fragmentą. Tokioms užduotims monolitiniai modeliai puikiai tiko. Tačiau sudėtingi, dinamiški ir daugiatiksliai uždaviniai negailestingai atskleidžia jų ribas. Optimizuok Europos tiekimo grandinę, kartu mažindamas sąnaudas, didindamas pristatymo patikimumą, užtikrindamas BDAR atitiktį, palaikydamas vairuotojų pasitenkinimą, mažindamas anglies dvideginio emisijas ir prisitaikydamas prie realaus eismo situacijų. Nė vienas pavienis agentas to nepadarys. Tokiai užduočiai reikia specialistų, kurie koordinuotų veiksmus.
Šis architektūros pokytis atkartoja tai, ką programinės įrangos inžinerija atrado su mikroservisais. Monolitinės programos iš pradžių atrodė paprastesnės. Viena kodų bazė. Vienas diegimas. Viena sistema, kurią reikia suprasti. Paskui sudėtingumas išaugo, ir monolitai žlugo po savo pačių svoriu. Mikroservisai atsirado ne todėl, kad jie madingi, o todėl, kad tai vienintelė architektūra, veikianti tada, kai sistemos tampa tokios sudėtingos, jog nė vienas komponentas nebegali aprėpti visumos.
Dirbtinis intelektas tą pačią pamoką mokosi po dešimtmečio. Monolitiniai modeliai atrodo paprastesni. Viena mokymo sesija. Vienas diegimas. Viena sistema. Paskui reikalavimai išauga, ir monolitas atsitrenkia į ribas. Daugiaagentės architektūros atsiranda dėl tų pačių esminių priežasčių, dėl kurių mikroservisai užkariavo backend inžineriją: specializacija įveikia generalizaciją, kai svarbus gylis; koordinacija įgalina sudėtingumą, kurio integracija pasiekti negali; atsparumas reikalauja paskirstymo, o ne centralizavimo; o tvarus mastelio keitimas reikalauja moduliškumo, o ne monolitų.
Intelektas niekada nebuvo individualus. Žmogaus pažinimas kyla iš milijardų specializuotų neuronų, koordinuojančių veiksmus per sudėtingus tinklus. Organizacinis pajėgumas kyla iš tūkstančių specialistų, bendradarbiaujančių struktūruotose komandose. Spiečiaus intelektas kyla iš dešimčių susitelkusių agentų, dirbančių kartu pagal aiškius protokolus. Dirbtinio intelekto ateitis nėra 10 trilijonų parametrų monolitiniai modeliai, bandantys žinoti viską. Tai protingesnis specializuotų agentų, kurių kiekvienas giliai išmano savo sritį, koordinavimas.
Europa pirmauja įmonių dirbtinio intelekto diegime pagal kelis rodiklius, rodo 2025 m. spalio „Eurostat“ duomenys: Danija 27,6 proc., Švedija 25,1 proc., Belgija 24,7 proc. Nyderlandai demonstruoja stiprų augimą, kurį skatina logistikos įmonės, diegiančios daugiaagentes sistemas Europos objektuose. Šie skaičiai atspindi ekonominę realybę, o ne rinkodaros triukšmą. Europos įmonės, diegiančios daugiaagentes architektūras, matuoja rezultatus: didesnį tikslumą, mažesnes sąnaudas, geresnį paaiškinamumą, didesnį atsparumą ir realią reguliavimo atitiktį. Kai duomenys įrodo, kad specializuotas koordinavimas pranoksta monolitinį apibendrinimą, rinkos renkasi koordinavimą.
Spiečius neateina. Jis jau čia. 2025 m. spalis. Veikia gamyboje Europos sandėliuose, gamyklose ir paskirstymo centruose. Klausimas ne tas, ar daugiaagentės sistemos pakeis monolitinį dirbtinį intelektą. Tai jau vyksta. Klausimas, ar jūsų organizacija perims architektūrą, kurią Europos įmonės įrodo esant veiksmingą, ar stebės, kaip konkurentai įgyja pranašumų, kurie kaupiasi kiekvieną atidėjimo ketvirtį.