Agent
Agent to po prostu coś, co działa (agent pochodzi z łaciny, to robić). Oczywiście wszystkie programy komputerowe coś robią, ale od agentów komputerowych oczekuje się więcej: działają autonomicznie, postrzegają swoje otoczenie, trwają przez dłuższy czas, dostosowują się do zmian oraz tworzą i dążą do celów. Racjonalny czynnik to taki, który działa tak, aby osiągnąć najlepszy wynik lub, w przypadku niepewności, najlepszy oczekiwany rezultat.
Racjonalny agent
W podejściu do sztucznej inteligencji „praw myśli” położono nacisk na prawidłowe wnioskowanie. Dokonywanie poprawnych wniosków jest czasami częścią bycia racjonalnym podmiotem, ponieważ jednym ze sposobów racjonalnego działania jest wywnioskowanie, że dane działanie jest najlepsze, a następnie działanie zgodnie z tym wnioskiem. Z drugiej strony istnieją sposoby racjonalnego działania, o których nie można powiedzieć, że wymagają wnioskowania. Na przykład odskakiwanie z gorącego pieca jest odruchową czynnością, która jest zwykle bardziej skuteczna niż wolniejsze działanie podjęte po dokładnym rozważeniu. Wszystkie umiejętności potrzebne do testu Turinga pozwalają również agentowi działać racjonalnie. Reprezentacja wiedzy i rozumowanie umożliwiają agentom podejmowanie dobrych decyzji. Musimy być w stanie tworzyć zrozumiałe zdania w języku naturalnym, aby radzić sobie w złożonym społeczeństwie. Potrzebujemy nauki nie tylko dla erudycji, ale także dlatego, że poprawia to naszą zdolność do generowania efektywnych zachowań, szczególnie w nowych okolicznościach. Podejście racjonalnego agenta do sztucznej inteligencji ma dwie zalety w porównaniu z innymi podejściami. Po pierwsze, jest bardziej ogólne niż podejście oparte na „prawach myśli”, ponieważ prawidłowe wnioskowanie jest tylko jednym z kilku możliwych mechanizmów osiągnięcia racjonalności. Po drugie, jest bardziej podatny na rozwój naukowy. Standard racjonalności jest dobrze zdefiniowany matematycznie i całkowicie ogólny. Często możemy cofnąć się do tej specyfikacji, aby wyprowadzić projekty agentów, które dałyby się udowodnić – coś, co jest w dużej mierze niemożliwe, jeśli celem jest naśladowanie ludzkich zachowań lub procesów myślowych. Z tych powodów podejście racjonalnego agenta do sztucznej inteligencji dominowało przez większość historii tej dziedziny. Na początku przez dziesięciolecia racjonalni agenci byli budowani na logicznych podstawach i tworzyli określone plany osiągnięcia określonych celów. Później metody oparte na teorii prawdopodobieństwa i uczeniu maszynowym pozwoliły na stworzenie agentów, którzy mogliby podejmować decyzje w warunkach niepewności, aby osiągnąć jak najlepszy oczekiwany wynik. Krótko mówiąc, sztuczna inteligencja skupiła się na badaniu i konstruowaniu agentów, którzy postępują właściwie. To, co liczy się jako właściwe, jest określone przez cel, który zapewniamy agentowi. Ten ogólny paradygmat jest tak wszechobecny, że możemy go nazwać modelem standardowym. Dominuje nie tylko w sztucznej inteligencji, ale także w teorii sterowania, gdzie kontroler minimalizuje funkcję kosztu; w badaniach operacyjnych, gdzie polityka maksymalizuje sumę nagród; w statystyce, gdzie reguła decyzyjna minimalizuje funkcję straty; oraz w ekonomii, gdzie decydent maksymalizuje użyteczność lub jakąś miarę dobrobytu społecznego. Musimy dokonać jednego ważnego udoskonalenia standardowego modelu, aby uwzględnić fakt, że doskonała racjonalność – zawsze podejmowanie dokładnie optymalnych działań – nie jest wykonalna w złożonych środowiskach. Wymagania obliczeniowe są po prostu zbyt wysokie. Jednak doskonała racjonalność często pozostaje dobrym punkt wyjścia do analizy teoretycznej.