AI உலகில் AI ஏஜென்ட்கள் புதுமையின் மைய புள்ளியாக உருவெடுத்துள்ளன. மைக்ரோசாஃப்ட் Github MCP சேவையகத்தை அறிமுகப்படுத்தியது, Google A2A இடை-ஏஜென்ட் தொடர்பு நெறிமுறையை வெளியிட்டது, மேலும் Alipay MCP சேவையகத்தை ஒருங்கிணைத்தது போன்ற சமீபத்திய நிகழ்வுகள் AI ஏஜென்ட்களின் திறனில் பரவலான ஆர்வத்தைத் தூண்டியுள்ளன.
AI ஏஜென்ட்களைப் புரிந்துகொள்ளுதல்: முக்கிய கூறுகள் மற்றும் தற்போதைய நிலை
AI ஏஜென்ட்களின் உலகளாவிய வரையறை இன்னும் கிடைக்கவில்லை என்றாலும், OpenAI ஆராய்ச்சியாளர் லிலியன் வெங் ஒரு பரவலாக அங்கீகரிக்கப்பட்ட முன்னோக்கை வழங்குகிறார். வெங் ‘திட்டமிடல்’, ‘நினைவகம்’ மற்றும் ‘கருவி பயன்பாடு’ ஆகியவை AI ஏஜென்ட்டின் முக்கிய கட்டுமானத் தொகுதிகள் என்று கூறுகிறார்.
AI ஏஜென்ட் மேம்பாட்டின் தற்போதைய நிலை: வரையறுக்கப்பட்ட பணமாக்கல் மற்றும் பயன்படுத்தப்படாத சாத்தியக்கூறுகள்
தற்போது, ஒரு சில AI ஏஜென்ட்கள் மட்டுமே சுயாதீனமாக பணமாக்கப்படுகின்றன, இது ஒப்பீட்டளவில் குறைந்த சந்தை ஊடுருவலைக் குறிக்கிறது. பெரும்பாலான ஏஜென்ட்கள் பெரிய அளவிலான மாதிரிகளின் பரந்த சேவை வழங்கல்களுக்குள் தொகுக்கப்படுகின்றன. மனுஸ் மற்றும் டெவின் போன்ற தனித்த வழங்கல்கள், தன்னாட்சி பணி திட்டமிடல் திறன்களைக் கொண்டவை, பெரும்பாலும் குறிப்பிடத்தக்க வரம்புகளுடன் வருகின்றன. இந்த மேம்பட்ட ஏஜென்ட்களுக்கான பயனர் அனுபவம் கட்டுப்படுத்தப்படலாம், இது அவர்களின் பரவலான தத்தெடுப்பைத் தடுக்கிறது.
இருப்பினும், எதிர்காலம் நம்பிக்கைக்குரியதாகத் தெரிகிறது. பெரிய மாதிரிகளின் பகுத்தறிவு திறன்கள் தொடர்ந்து மேம்படும்போது, AI ஏஜென்ட்கள் பயன்பாட்டு கண்டுபிடிப்புகளின் செல்லப்பிள்ளைகளாக மாற உள்ளன. AI ஏஜென்ட்களின் பரவலான தத்தெடுப்பை எளிதாக்க பல காரணிகள் ஒன்றிணைகின்றன:
- மாடல் பயிற்சி சூழல் சாளரங்களில் அதிவேக வளர்ச்சி: மாதிரிகள் பரந்த அளவிலான தகவல்களைச் செயலாக்கும் திறன் வேகமாக விரிவடைகிறது, மேலும் வலுவூட்டல் கற்றல் நுட்பங்களின் பயன்பாடு அதிகரித்து வருகிறது. இது மிகவும் அதிநவீன மற்றும் வலுவான பகுத்தறிவு மாதிரிகளுக்கு வழிவகுக்கிறது.
- வளர்ந்து வரும் சுற்றுச்சூழல் அமைப்பு: MCP மற்றும் A2A போன்ற நெறிமுறைகள் வேகமாக வளர்ச்சியடைந்து வருகின்றன, இது ஏஜென்ட்கள் பரவலான கருவிகளை அணுகுவதையும் பயன்படுத்துவதையும் எளிதாக்குகிறது. நவம்பர் 2024 இல், Anthropic MCP நெறிமுறையை வெளியிட்டு திறந்த மூலமாக்கியது, வெளிப்புற தரவு மற்றும் கருவிகள் எவ்வாறு மாதிரிகளுக்கு சூழலை வழங்குகின்றன என்பதை தரப்படுத்துவதை நோக்கமாகக் கொண்டுள்ளது.
MCP மற்றும் A2A: AI ஏஜென்ட்களுக்கான தடையற்ற இணைப்பை இயக்குதல்
MCP நெறிமுறை AI ஏஜென்ட்களை வெளிப்புற தரவு மற்றும் கருவிகளுடன் எளிதாக இணைக்க உதவுகிறது, அதே நேரத்தில் A2A ஏஜென்ட்களுக்கு இடையே தொடர்பை எளிதாக்குகிறது. MCP ஏஜென்ட்களை வெளிப்புற ஆதாரங்களுடன் இணைப்பதில் கவனம் செலுத்துகிறது மற்றும் A2A ஏஜென்ட்-க்கு-ஏஜென்ட் தகவல்தொடர்புகளில் கவனம் செலுத்துகிறது, கருவிகளை ஏஜென்ட்களாக மாற்றக்கூடிய ஒரு சிக்கலான சூழலில் இரண்டு செயல்பாடுகளும் ஒன்றுடன் ஒன்று சேரலாம். பெரிய மாதிரிகள் வெளிப்புற கருவிகளை அணுகுவதற்கான செலவைக் குறைப்பதற்கும் தகவல்தொடர்புகளை எளிதாக்குவதற்கும் இந்த ஆரோக்கியமான போட்டி அவசியம்.
AI ஏஜென்ட்களின் எதிர்காலத்தை கற்பனை செய்தல்: முக்கிய வளர்ச்சி பாதைகள்
AI ஏஜென்ட்களின் பரிணாமம் பல்வேறு துறைகளில் புதிய சாத்தியங்களைத் திறக்க உறுதியளிக்கிறது. சில சாத்தியமான வளர்ச்சி பாதைகள் இங்கே:
1. இறுதி முதல் இறுதி வரை செயல்பாடு: மனிதனால் வரையறுக்கப்பட்ட பணிப்பாய்வுகளின் தேவையை நீக்குதல்
தற்போது கிடைக்கும் பல AI ஏஜென்ட்கள் Coze மற்றும் Dify போன்ற தளங்களில் கட்டப்பட்டுள்ளன, பயனர்கள் பணிப்பாய்வுகளை முன் வரையறுக்க வேண்டும். இவை ஆரம்பகால ஏஜென்ட்கள், மேம்பட்ட prompt engineering வடிவங்களுக்கு ஒத்தவை. மிகவும் மேம்பட்ட ஏஜென்ட்கள் ‘இறுதி முதல் இறுதி வரை’ இருக்கும், பயனரின் உள்ளீட்டின் அடிப்படையில் தொடக்கத்திலிருந்து இறுதி வரை பணிகளைத் தன்னிச்சையாக முடிக்கும் திறன் கொண்டவை. இந்த மேம்பட்ட ஏஜென்ட்கள் மிகவும் விரும்பத்தக்கவை மற்றும் அடுத்த திருப்புமுனை AI பயன்பாடுகளாக இருக்கும்.
2. ரோபாட்டிக்ஸ் மற்றும் தன்னாட்சி ஓட்டுநரை மேம்படுத்துதல்
உடலமைப்புக் கூற்றுகளுக்கு AI ஏஜென்ட்களின் கருத்தைப் பயன்படுத்தும்போது, பெரிய மாதிரிகளால் கட்டுப்படுத்தப்படும் ரோபோக்கள் மற்றும் வாகனங்களும் ஏஜென்ட்கள் என்பதைக் காண்கிறோம். ரோபாட்டிக்ஸில், உடல் செயல்களுக்குப் பொறுப்பான ‘சிறுமூளை’ அல்ல, மாறாக எந்த நடவடிக்கைகளை எடுக்க வேண்டும் என்பதைத் தீர்மானிக்கும் ‘மூளை’ தான் முக்கியத் தடையாக உள்ளது. இந்த இடத்தில் AI ஏஜென்ட்கள் ஒரு முக்கியமான பங்கைக் கொண்டிருக்கலாம்.
3. இடை-ஏஜென்ட் தொடர்பு மற்றும் DID மற்றும் பிற தொழில்நுட்பங்களுடன் AI-நேடிவ் நெட்வொர்க்குகளை வளர்ப்பது
எதிர்காலத்தில், AI ஏஜென்ட்கள் ஒருவருக்கொருவர் தொடர்பு கொள்ளவும், சுய-ஒழுங்கமைக்கவும், பேச்சுவார்த்தை நடத்தவும், தற்போதைய இணையத்தை விட மிகவும் திறமையான மற்றும் செலவு குறைந்த ஒத்துழைப்பு நெட்வொர்க்கை உருவாக்கவும் முடியும். சீன டெவலப்பர் சமூகம் ANP போன்ற நெறிமுறைகளை உருவாக்கி வருகிறது, இது ஏஜென்ட் இணைய யுகத்திற்கான HTTP நெறிமுறையாகும். பரவலாக்கப்பட்ட அடையாளம் (DID) போன்ற தொழில்நுட்பங்கள் ஏஜென்ட் அங்கீகாரத்திற்குப் பயன்படுத்தப்படலாம்.
முதலீட்டு வாய்ப்புகள்: பகுத்தறிவு சக்திக்கான அதிகரித்து வரும் தேவை
வரையறுக்கப்பட்ட பயிற்சி தரவு மற்றும் முன் பயிற்சி செய்யப்பட்ட Scaling Law வரம்புகளை நெருங்குவதால், AI கணினி சக்தி தேவையின் நிலைத்தன்மை குறித்து சந்தை கவலை தெரிவித்துள்ளது. இருப்பினும், AI ஏஜென்ட்கள் அதிக பகுத்தறிவு சக்திக்கான தேவையைத் திறக்கும். பல்வேறு நிறுவனங்கள் தீவிரமாக ஏஜென்ட்களை உருவாக்கி வருகின்றன, மேலும் போட்டி நிலப்பரப்பு இன்னும் உருவாகி வருகிறது. ஒரு ஏஜென்ட் பணிகளை முடிக்கத் தேவையான கணினி சக்தி, அதன் நீண்ட சூழல் சாளரம் மற்றும் சுற்றுச்சூழல் மாற்றங்களின் அடிப்படையில் தொடர்ச்சியான தழுவல் ஆகியவை எளிய பெரிய மாதிரி உரை பதில்களுக்குத் தேவையானதை விட அதிகமாகும்.
AI ஏஜென்ட்களின் விரைவான வளர்ச்சி பகுத்தறிவு கணினி சக்திக்கான தேவையில் அதிகரிப்பை உருவாக்க உள்ளது. பின்வருவனவற்றில் குறிப்பிடத்தக்க வாய்ப்புகளை நாங்கள் காண்கிறோம்:
- கணினி சிப் உற்பத்தியாளர்கள்: NVIDIA, Inphi, Accton, New Era, and Cambrian.
- அடிப்படை நெறிமுறை மேம்பாட்டு நிறுவனங்கள்: Google (A2A நெறிமுறை).
- கணினி கிளவுட் சேவை வழங்குநர்கள்: Alibaba and Tencent.
- பெரிய மாடல் உற்பத்தியாளர்கள்: Alibaba and ByteDance.
சாத்தியமான அபாயங்கள்
- வலுவான MCP விநியோக தளத்தின் இல்லாமை: MCP சுற்றுச்சூழல் அமைப்பில் தற்போது மையப்படுத்தப்பட்ட விநியோக தளம் இல்லை. கிளவுட் தளங்கள் மற்றும் பிற விற்பனையாளர்கள் இந்த இடைவெளியை நிரப்ப சந்தைக்குத் தேவை.
- பெரிய மாதிரி தொழில்நுட்பத்தின் எதிர்பார்த்ததை விட மெதுவான வளர்ச்சி: பெரிய மாதிரிகள் சூழல் சாளரங்கள் மற்றும் மாயைகளில் குறிப்பிடத்தக்க சவால்களை எதிர்கொள்கின்றன.
- ஏஜென்ட்களின் எதிர்பார்த்ததை விட மெதுவான வணிகமயமாக்கல்: AI ஏஜென்ட்கள் கட்டணங்களை அறிவித்திருந்தாலும், அவர்களின் கட்டணம் வசூலிக்கும் நிலைமை பொதுவில் இல்லை, மேலும் அவர்களின் வணிக மாதிரியின் நிலைத்தன்மை கேள்விக்குறியாக உள்ளது.
AI ஏஜென்ட்களில் ஆழமான டைவ்: MCP மற்றும் A2A நெறிமுறைகளின் திறனை அவிழ்த்தல்
AI ஏஜென்ட்களின் எழுச்சி நாம் தொழில்நுட்பத்துடன் எவ்வாறு தொடர்பு கொள்கிறோம் என்பதில் ஒரு பாராம்பரிய மாற்றத்தைக் குறிக்கிறது. இந்த அறிவார்ந்த நிறுவனங்கள் பணிகளைத் தன்னிச்சையாகச் செய்யவும், அவற்றின் அனுபவங்களிலிருந்து கற்றுக்கொள்ளவும், மாறும் சூழல்களுக்கு ஏற்பவும் வடிவமைக்கப்பட்டுள்ளன. MCP (Model-Context-Protocol) மற்றும் A2A (Agent-to-Agent) போன்ற நெறிமுறைகளின் தோற்றம் AI ஏஜென்ட்களின் வளர்ச்சி மற்றும் வரிசைப்படுத்தலை மேலும் துரிதப்படுத்துகிறது. இந்த கருத்துகளில் ஆழமாக மூழ்கி அவற்றின் தாக்கங்களை ஆராய்வோம்.
AI ஏஜென்ட்டின் சாரம்: எளிய சாட்போட்களுக்கு அப்பால்
ChatGPT போன்ற சாட்போட்கள் பொதுமக்களின் கற்பனையைப் பிடித்திருந்தாலும், AI ஏஜென்ட்கள் AI இன் மிகவும் மேம்பட்ட வடிவத்தை பிரதிபலிக்கின்றன. பயனர்கள் இந்த ஏஜென்ட்கள் வெளிப்படையான கோரிக்கைகளுக்கு பதிலளிப்பது மட்டுமல்லாமல், அவர்களின் தேவைகளைப் புரிந்து கொள்ளவும், சிக்கலான பணிகளைச் சிறிய, நிர்வகிக்கக்கூடிய படிகளாகப் பிரிக்கவும், மேலும் முடிக்கப்பட்ட திட்டங்களை வழங்கவும் எதிர்பார்க்கிறார்கள். இதற்கு அதிக அளவு தன்னாட்சி மற்றும் நுண்ணறிவு தேவைப்படுகிறது.
AI ஏஜென்ட்டின் முக்கிய கூறுகள்: திட்டமிடல், நினைவகம் மற்றும் கருவி பயன்பாடு
லிலியன் வெங் கூறியது போல், AI ஏஜென்ட்டின் முக்கிய கூறுகள் திட்டமிடல், நினைவகம் மற்றும் கருவி பயன்பாடு ஆகும்.
- திட்டமிடல்: சிக்கலான பணிகளை சிறிய, நிர்வகிக்கக்கூடிய படிகளாகப் பிரிக்கும் திறனையும், விரும்பிய விளைவை அடைவதற்கான முன்னேற்றத்தைப் பற்றி சிந்திக்கும் திறனையும் இது உள்ளடக்கியது.
- நினைவகம்: கடந்த கால தொடர்புகள் பற்றிய தகவல்களைத் தக்கவைத்துக்கொள்வதற்கும், அவற்றின் அனுபவங்களிலிருந்து கற்றுக்கொள்வதற்கும், மாறும் சூழ்நிலைகளுக்கு ஏற்பவும் AI ஏஜென்ட்களுக்கு குறுகிய கால மற்றும் நீண்ட கால நினைவகம் இரண்டும் தேவை.
- கருவி பயன்பாடு: தேடுபொறிகள் மற்றும் APIகள் போன்ற வெளிப்புற கருவிகளை அணுகுவதற்கும் பயன்படுத்துவதற்கும் உள்ள திறன், AI ஏஜென்ட்கள் தகவல்களைச் சேகரிக்கவும், செயல்களைச் செய்யவும், நிஜ உலகத்துடன் தொடர்பு கொள்ளவும் முக்கியமானது.
முதிர்ச்சியடைந்த AI ஏஜென்ட் நிலப்பரப்பு: ஆராய்ச்சி திட்டங்களிலிருந்து பணமாக்கப்பட்ட சேவைகள் வரை
ஆரம்பத்தில், AI ஏஜென்ட் திட்டங்கள் முக்கியமாக ஆராய்ச்சி சார்ந்தவையாக இருந்தன, AI இன் திறனை பல்வேறு துறைகளில் ஆராய்வதே இதன் நோக்கம். இருப்பினும், தொழில்நுட்பம் முதிர்ச்சியடையும்போது, வணிகமயமாக்கலை நோக்கி ஒரு மாற்றத்தை நாம் காண்கிறோம்.
பணமாக்கப்பட்ட AI ஏஜென்ட் சேவைகளின் தோற்றம்
பல நிறுவனங்கள் இப்போது AI ஏஜென்ட்களை அவர்களின் ஏற்கனவே உள்ள சேவை வழங்கல்களில் ஒருங்கிணைக்கின்றன, பெரும்பாலும் பிரீமியம் சந்தா தொகுப்புகளின் ஒரு பகுதியாக. உதாரணமாக, Google இன் ஜெமினி மாதிரி கட்டண பயனர்களுக்கான ஆழ்ந்த ஆராய்ச்சி அம்சத்தை வழங்குகிறது, இது AI இன் சக்தியை ஆழமான ஆராய்ச்சியை நடத்தவும் அறிக்கைகளை உருவாக்கவும் அனுமதிக்கிறது.
வரம்புகள் மற்றும் மேம்பாட்டு வாய்ப்புகள்
முன்னேற்றம் இருந்தபோதிலும், AI ஏஜென்ட்கள் இன்னும் வரம்புகளை எதிர்கொள்கின்றன. தற்போதைய வழங்கல்கள் பல பயன்பாடு மற்றும் செயல்பாடு ஆகியவற்றின் அடிப்படையில் கட்டுப்படுத்தப்பட்டுள்ளன, இது பரந்த பார்வையாளர்களுக்கு அவர்களின் வேண்டுகோளை கட்டுப்படுத்துகிறது. இருப்பினும், இந்த வரம்புகள் மேலும் புதுமை மற்றும் வளர்ச்சிக்கான வாய்ப்புகளையும் குறிக்கின்றன.
சூழல் சாளரங்கள், வலுவூட்டல் கற்றல் மற்றும் பகுத்தறிவு மாதிரிகளின் பங்கு
AI ஏஜென்ட் தொழில்நுட்பத்தில் சமீபத்திய முன்னேற்றங்களுக்கு பல காரணிகள் பங்களித்துள்ளன.
பெரிய சூழல் சாளரங்களின் சக்தி
AI ஏஜென்ட்கள் தகவல்களைச் சேமித்து செயலாக்க நினைவகத்தை பெரிதும் நம்பியுள்ளன. பெரிய மாதிரிகளில் சூழல் சாளரங்களின் அளவு அதிகரிப்பது ஏஜென்ட்கள் அதிக தகவல்களைத் தக்கவைக்கவும், மேலும் சிக்கலான பணிகளைச் செய்யவும் உதவியுள்ளது.
வலுவூட்டல் கற்றல்: உகந்த முடிவுகளை எடுக்க ஏஜென்ட்களைப் பயிற்றுவித்தல்
குறியீடு உருவாக்கம் மற்றும் கணித சிக்கல் தீர்க்கும் போன்ற புறநிலையாக மதிப்பிடக்கூடிய பணிகளைச் செய்ய AI ஏஜென்ட்களைப் பயிற்றுவிப்பதில் வலுவூட்டல் கற்றல் நுட்பங்கள் குறிப்பாக பயனுள்ளதாக நிரூபிக்கப்பட்டுள்ளன.
பகுத்தறிவு மாதிரிகளின் முன்னேற்றம்
AI ஏஜென்ட்கள் அடிப்படையில் பகுத்தறிவு மாதிரிகளின் பயன்பாடுகள். OpenAI இன் Chain of Thought (CoT) போன்ற மிகவும் அதிநவீன பகுத்தறிவு மாதிரிகளின் வளர்ச்சி, அதிக திறன் மற்றும் அறிவார்ந்த ஏஜென்ட்களுக்கு வழி வகுத்துள்ளது.
MCP மற்றும் A2A நெறிமுறைகளின் முக்கியத்துவம்
தரப்படுத்தப்பட்ட தொடர்பு நெறிமுறைகளின் தோற்றம் AI ஏஜென்ட்களின் வளர்ச்சி மற்றும் வரிசைப்படுத்தலை எளிதாக்குவதற்கு முக்கியமானது.
MCP: வெளிப்புற தரவு மற்றும் கருவிகளுடன் ஒருங்கிணைப்பை எளிதாக்குதல்
AI மாதிரிகள் வெளிப்புற தரவு மற்றும் கருவிகளை எவ்வாறு அணுகி பயன்படுத்துகின்றன என்பதை தரப்படுத்துவதை MCP நெறிமுறை நோக்கமாகக் கொண்டுள்ளது. இது பல்வேறு சேவைகளுடன் ஏஜென்ட்களை ஒருங்கிணைப்பதன் சிக்கலையும் செலவையும் குறைக்கிறது.
A2A: AI ஏஜென்ட்களுக்கு இடையே தொடர்பை இயக்குதல்
A2A நெறிமுறை AI ஏஜென்ட்களுக்கு இடையே தொடர்பு மற்றும் ஒத்துழைப்பை எளிதாக்குகிறது. இது சிக்கலான, விநியோகிக்கப்பட்ட AI அமைப்புகளை உருவாக்குவதற்கான புதிய சாத்தியங்களைத் திறக்கிறது.
AI ஏஜென்ட்களின் எதிர்காலம்: அறிவார்ந்த உதவியாளர்களின் உலகம்
AI ஏஜென்ட்களின் வளர்ச்சி இன்னும் அதன் ஆரம்ப கட்டத்தில் உள்ளது, ஆனால் சாத்தியம் மிகப்பெரியது. எதிர்காலத்தில், தன்னிச்சையாக பரவலான பணிகளைச் செய்யக்கூடிய, அவர்களின் அனுபவங்களிலிருந்து கற்றுக்கொள்ளக்கூடிய மற்றும் மாறும் சூழ்நிலைகளுக்கு ஏற்ப மாறக்கூடிய AI ஏஜென்ட்களை நாம் எதிர்பார்க்கலாம். இந்த அறிவார்ந்த உதவியாளர்கள் நாம் தொழில்நுட்பத்துடன் தொடர்பு கொள்ளும் விதத்தில் புரட்சியை ஏற்படுத்துவார்கள் மற்றும் நமது வாழ்க்கையின் பல்வேறு அம்சங்களை மாற்றுவார்கள்.
சவால்கள் மற்றும் பரிசீலனைகள்
AI ஏஜென்ட்கள் மிகவும் பரவலாகும்போது, சாத்தியமான சவால்கள் மற்றும் கவலைகளை நிவர்த்தி செய்வது முக்கியம்.
- நெறிமுறை பரிசீலனைகள்: AI ஏஜென்ட்கள் பொறுப்பான மற்றும் நெறிமுறை முறையில் உருவாக்கப்பட்டு வரிசைப்படுத்தப்பட வேண்டும், அவை சார்புகளை நிலைநிறுத்தவோ அல்லது சில குழுக்களுக்கு எதிராக பாகுபாடு காட்டவோ இல்லை என்பதை உறுதிசெய்கின்றன.
- பாதுகாப்பு அபாயங்கள்: AI ஏஜென்ட்கள் ஹேக்கிங் மற்றும் தரவு மீறல்கள் போன்ற பாதுகாப்பு அச்சுறுத்தல்களுக்கு ஆளாக நேரிடும். இந்த அமைப்புகளைப் பாதுகாக்க வலுவான பாதுகாப்பு நடவடிக்கைகளை செயல்படுத்துவது முக்கியம்.
- வேலை இழப்பு: AI ஏஜென்ட்களின் ஆட்டோமேஷன் திறன்கள் சில தொழில்களில் வேலை இழப்புக்கு வழிவகுக்கும். இந்த மாற்றங்களுக்குத் தயாராகி, பாதிக்கப்பட்ட தொழிலாளர்களுக்கு ஆதரவை வழங்குவது முக்கியம்.