AIエージェントの時代はどこまできているのか

（写真はイメージです）　julien Tromeur-Unsplash

＜AIエージェントがどの程度パソコンを操作できるかを探る「OSWorld」論文が注目を集めている＞

＊エクサウィザーズ AI新聞から転載

今年のAI業界のホットなテーマの１つはAIエージェント。そんな中、エージェントに関する１つの論文が話題になっている。

「OSWorld」というタイトルの論文で、現段階のAIエージェントはどの程度優秀なのかを計測しているもの。著者は香港大学のTao Yu氏を初めとする研究者の国際チーム。

AIエージェントの定義はいろいろあるが、この論文の中では「置かれた環境をセンサーなどで把握し、論理的に行動するAI」のように定義されている。つまり人間のようにパソコンを自在に操作できるAIということだ。

確かに最近のAIは、いろいろなパソコン操作が既に可能だ。もちろんパソコン上のボタンを押すことも、文字、数字を入力できる。アプリやソフトウェアのマニュアルを読んで理解し、アプリやソフトを操作することも可能。プログラミングもある程度できるし、検索、文書生成もできる。テキストを音声に変換し、音声ボットとして電話もできる。営業トークもできる。顧客との電話のやり取りで得た情報を表計算ソフトに入力することもできる。

つまりこの方向でAIが進化すれば、人間がパソコンを使って行う仕事のほとんどは、AIでもできるようになる。AIにできない仕事を探すほうが難しくなるのではないだろうか。そうなればAIエージェントは世界経済に非常に大きな影響を与えることが予測される。今われわれはそうした時代の入り口に立っていると言えそうだ。

ではそうした時代に向けて、今後AIはどのように進化していかなけらばならないだろうか。一般的には３つの技術の進化の方向が挙げられている。

一番大きく進化しなければならないのはReason（論理的思考能力）だろう。人間から与えられた仕事をこなすために、何をどう実行すべきかを考える力だ。１つの大きな仕事をこなすために、その仕事をいくつかのタスクに分解することも必要になってくる。

もうまもなくリリースされると噂されているOpenAIの次期LLM（大規模言語モデル）GPT-5では、論理的思考が大きく進化すると言われている。またOpenAI以外の有力AI企業も同様の能力を持つLLMを開発しているとみられている。

２つ目はVision、つまりコンピューターの画面を見て意味を理解する能力だ。どのボタンをクリックすれば、前のページに戻れるのか、どのボタンを押せば注文を確定できるのかなど、画面上の画像の意味を理解する能力だ。

AppleもこのVisionに関する論文を発表して話題になっている。Appleが発表したのはスマホの画面を理解して操作できるFerret-UIという技術。