論文の概要: Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions
- arxiv url: http://arxiv.org/abs/2510.25445v1
- Date: Wed, 29 Oct 2025 12:11:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.49836
- Title: Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions
- Title（参考訳）: Agentic AI: アーキテクチャ、アプリケーション、今後の方向性に関する総合的な調査
- Authors: Mohamad Abou Ali, Fadi Dornaika,
- Abstract要約: エージェントAIは、人工知能の変革的な変化を表している。
その急速な進歩は断片的な理解をもたらし、しばしば時代遅れの記号モデルと現代の神経システムを融合させた。
この調査では、エージェントシステムを2つの異なる系統に分類する、新しいデュアルパラダイムフレームワークを紹介した。
- 参考スコア（独自算出の注目度）: 10.453339156813852
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agentic AI represents a transformative shift in artificial intelligence, but its rapid advancement has led to a fragmented understanding, often conflating modern neural systems with outdated symbolic models -- a practice known as conceptual retrofitting. This survey cuts through this confusion by introducing a novel dual-paradigm framework that categorizes agentic systems into two distinct lineages: the Symbolic/Classical (relying on algorithmic planning and persistent state) and the Neural/Generative (leveraging stochastic generation and prompt-driven orchestration). Through a systematic PRISMA-based review of 90 studies (2018--2025), we provide a comprehensive analysis structured around this framework across three dimensions: (1) the theoretical foundations and architectural principles defining each paradigm; (2) domain-specific implementations in healthcare, finance, and robotics, demonstrating how application constraints dictate paradigm selection; and (3) paradigm-specific ethical and governance challenges, revealing divergent risks and mitigation strategies. Our analysis reveals that the choice of paradigm is strategic: symbolic systems dominate safety-critical domains (e.g., healthcare), while neural systems prevail in adaptive, data-rich environments (e.g., finance). Furthermore, we identify critical research gaps, including a significant deficit in governance models for symbolic systems and a pressing need for hybrid neuro-symbolic architectures. The findings culminate in a strategic roadmap arguing that the future of Agentic AI lies not in the dominance of one paradigm, but in their intentional integration to create systems that are both adaptable and reliable. This work provides the essential conceptual toolkit to guide future research, development, and policy toward robust and trustworthy hybrid intelligent systems.
- Abstract（参考訳）: エージェントAIは、人工知能の変革的な変化を表しているが、その急速な進歩は、断片化された理解をもたらし、しばしば時代遅れのシンボルモデルと現代のニューラルネットワークを融合させ、概念的再適合(conceptual retrofitting)として知られるプラクティスとなった。
この調査は、エージェントシステムをシンボリック/古典的(アルゴリズム計画と永続状態に基づく)とニューラル/生成(確率生成と即時駆動オーケストレーションを平均化する)という2つの異なる系統に分類する新しいデュアルパラダイムフレームワークを導入することで、この混乱を解消する。
PRISMAによる90の研究(2018年-2025年)の体系的レビューを通じて、我々は、(1)各パラダイムを定義する理論的基礎とアーキテクチャ原則、(2)医療、金融、ロボティクスにおけるドメイン固有の実装、(2)アプリケーションによる制約がパラダイム選択を規定する方法の実証、(3)パラダイム固有の倫理的・ガバナンス上の課題、そして、ばらばらなリスクと緩和戦略を明らかにする3つの次元にわたって、この枠組みを包括的に分析した。
シンボリックシステムは安全クリティカルな領域(医療など)を支配し、ニューラルシステムは適応的でデータ豊富な環境(財務など)で優位である。
さらに、シンボリックシステムのガバナンスモデルに重大な欠陥や、ハイブリッド型ニューロシンボリックアーキテクチャの必要性など、重要な研究ギャップを識別する。
この調査結果は、エージェントAIの将来は一つのパラダイムの優位にあるのではなく、適応性と信頼性の両方を備えたシステムを構築するための意図的な統合にある、という戦略的なロードマップにまとめられている。
この研究は、堅牢で信頼性の高いハイブリッドインテリジェントシステムに向けた将来の研究、開発、政策を導くための基本的な概念的ツールキットを提供する。
関連論文リスト
- PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。
PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。
既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
論文 参考訳（メタデータ） (2025-10-12T10:34:35Z) - A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。
近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。
この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-08-10T16:07:32Z) - Reasoning RAG via System 1 or System 2: A Survey on Reasoning Agentic Retrieval-Augmented Generation for Industry Challenges [6.615766570234612]
Retrieval-Augmented Generation (RAG) は、大規模言語モデルの知識制限を克服する強力なフレームワークとして登場した。
これらの課題に対処するため、フィールドは推論エージェントRAG(Reasoning Agentic RAG)へと移行した。
論文 参考訳（メタデータ） (2025-06-12T07:01:56Z) - Distinguishing Autonomous AI Agents from Collaborative Agentic Systems: A Comprehensive Framework for Understanding Modern Intelligent Architectures [0.0]
大規模言語モデルの出現は、人工知能の2つの異なる相互接続パラダイム、すなわちスタンドアロンAIエージェントと協調エージェントAIエコシステムを触媒した。
本研究は, 運用原則, 構造構成, 配置方法論の体系的解析を通じて, これらのアーキテクチャを識別するための決定的な枠組みを確立する。
論文 参考訳（メタデータ） (2025-06-02T08:52:23Z) - Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。
我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
論文 参考訳（メタデータ） (2025-05-28T15:20:09Z) - Continuum-Interaction-Driven Intelligence: Human-Aligned Neural Architecture via Crystallized Reasoning and Fluid Generation [1.5800607910450124]
現在のAIシステムは、幻覚、予測不能、そして人間の意思決定と不一致といった課題に直面している。
本研究では、確率的生成(LLM)とホワイトボックスの手続き的推論(チェーン・オブ・シント)を統合し、解釈可能で、継続的な学習可能で、人間に準拠したAIシステムを構築する二チャンネルインテリジェントアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-04-12T18:15:49Z) - Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems [132.77459963706437]
この本は、モジュール化された脳に触発されたアーキテクチャの中で、インテリジェントなエージェントをフレーミングする、包括的な概要を提供する。
自己向上と適応的な進化のメカニズムを探求し、エージェントが自律的に能力を洗練する方法を探求する。
また、エージェントの相互作用、協力、社会構造から生じる集合的知性についても調べる。
論文 参考訳（メタデータ） (2025-03-31T18:00:29Z) - Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey [0.0]
本研究は,自律運転システムにおける知識に基づくアプローチの統合に関する総合的な調査である。
我々は、自律運転システムにドメイン知識、交通ルール、コモンセンス推論を組み込むための様々な手法を解析する。
論文 参考訳（メタデータ） (2025-02-13T19:32:41Z) - Beyond Accidents and Misuse: Decoding the Structural Risk Dynamics of Artificial Intelligence [0.0]
本稿では,複雑なシステム研究を基盤としたフレームワークを導入することにより,構造リスクの概念を推し進める。
構造リスクを、先行する構造的原因、先行するAIシステム原因、有害なフィードバックループの3つのカテゴリに分類する。
本稿では,これらのダイナミクスを予測し,支配するために,シナリオマッピング,シミュレーション,探索的展望を取り入れた方法論的アジェンダを提案する。
論文 参考訳（メタデータ） (2024-06-21T05:44:50Z) - Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。
NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
論文 参考訳（メタデータ） (2022-10-28T04:38:10Z) - Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。
具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文 参考訳（メタデータ） (2020-03-09T15:04:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。