DOI: https://doi.org/10.1007/s10462-025-11422-4
تاريخ النشر: 2025-11-14
المؤلف: Mohamad Abou Ali وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تقدم ورقة البحث تحليلًا شاملاً للذكاء الاصطناعي الوكالي، مع تسليط الضوء على تحول كبير في الذكاء الاصطناعي يتميز بظهور سلالتين متميزتين: الأنظمة الرمزية/الكلاسيكية والأنظمة العصبية/التوليدية. يقدم المؤلفون إطارًا ثنائي النموذج يصنف هذه الأنظمة بناءً على آليات تشغيلها، ونقاط قوتها، وقيودها. من خلال مراجعة منهجية لـ 90 دراسة من 2018 إلى 2025، تفحص الورقة الأسس النظرية، والتطبيقات الخاصة بالمجالات، والتحديات الأخلاقية المرتبطة بكل نموذج. وتجد أن الأنظمة الرمزية تفضل في المجالات الحرجة من حيث السلامة مثل الرعاية الصحية، بينما تتفوق الأنظمة العصبية في البيئات التكيفية الغنية بالبيانات مثل المالية.
يجادل المؤلفون بأن الممارسة الشائعة لإعادة تركيب المفاهيم – تطبيق لغة رمزية قديمة على الأنظمة العصبية الحديثة – تحجب الطبيعة الحقيقية لهذه التقنيات وتعيق التقدم. ويؤكدون على الحاجة إلى استراتيجيات حوكمة وتقييم مصممة خصيصًا لكل سلالة، داعين إلى دمج الهياكل العصبية الرمزية التي تجمع بين موثوقية الأنظمة الرمزية وقابلية التكيف للأنظمة العصبية. في النهاية، تفترض الورقة أن مستقبل الذكاء الاصطناعي الوكالي يكمن في هذا النهج الهجين، الذي سيمكن من تطوير أنظمة موثوقة قادرة على العمل كشركاء موثوقين في مجالات متنوعة، بما في ذلك الاكتشاف العلمي والبنية التحتية الحيوية.
مقدمة
ت outlines مقدمة هذه الورقة البحثية انتقالًا كبيرًا في مجال الذكاء الاصطناعي (AI) من أدوات سلبية محددة المهام إلى تطوير أنظمة مستقلة تتميز بوكالة حقيقية. تمتلك أنظمة الذكاء الاصطناعي الوكالية الحديثة، كما عرّفها ويسوشيك وزشخ (2025) وآخرون، قدرات مثل التخطيط الاستباقي، والذاكرة السياقية، والسلوك التكيفي، مما يمكنها من العمل كشركاء تعاونيين في بيئات معقدة. تميز الورقة بين وكلاء الذكاء الاصطناعي، الذين هم أنظمة مكتفية ذاتيًا مصممة لتحقيق أهداف محددة بشكل مستقل، والمفهوم الأوسع للذكاء الاصطناعي الوكالي، الذي يشمل أنظمة متعددة الوكلاء (MAS) التي تنسق الوكلاء المتخصصين لمعالجة المشكلات المعقدة بشكل تعاوني.
يسلط المؤلفون الضوء على قضية حرجة تتعلق بإعادة تركيب المفاهيم، حيث يتم تطبيق الأطر الرمزية القديمة بشكل خاطئ على الأنظمة المعاصرة القائمة على نماذج اللغة الكبيرة (LLMs)، مما يحجب آليات تشغيلها. تهدف هذه الورقة إلى معالجة الفجوات الموجودة في الأدبيات من خلال تقديم سياق تاريخي يحدد تطور الذكاء الاصطناعي عبر خمس عصور متميزة، culminating في عصر الذكاء الاصطناعي الوكالي الحالي (2022-الحاضر). يتميز هذا العصر بظهور وكلاء الذكاء الاصطناعي القادرين على متابعة الأهداف من خلال التخطيط واستخدام الأدوات، غالبًا ضمن أطر متعددة الوكلاء. يقترح المؤلفون تصنيفًا جديدًا ثنائي النموذج لتوضيح الفروق بين الهياكل الرمزية والعصبية، مما يسهل تصنيفًا أكثر دقة لأنظمة الذكاء الاصطناعي وتطبيقاتها عبر مجالات متنوعة، بما في ذلك الرعاية الصحية والمالية والبحث العلمي.
الطرق
تم تصميم المنهجية المستخدمة في هذا البحث لتوفير مراجعة شاملة وشفافة للنماذج الثنائية للذكاء الاصطناعي الوكالي. تتضمن العملية المنهجية الموضحة تحديد وتقييم وتجميع الأدبيات ذات الصلة، مع التركيز على تصنيف الأعمال بناءً على السلالات الرمزية والعصبية كما هو محدد في الإطار المفاهيمي المقدم في الشكل 2. يتبع هذا النهج بروتوكولات المراجعة المعتمدة، مما يضمن إمكانية إعادة الإنتاج مع مراعاة التقدم السريع في هذا المجال.
النتائج
توضح نتائج المراجعة المنهجية، التي تم تحليلها من خلال تصنيف ثنائي النموذج، في الشكل 8 ومفصلة في الجدول 5. يكشف هذا النهج المدرك للنموذج عن أنماط مهمة داخل مشهد الذكاء الاصطناعي الوكالي لم تكن واضحة سابقًا في الأدبيات الموجودة. تسلط النتائج الضوء على أهمية مراعاة النماذج المختلفة في فهم تعقيدات وديناميكيات الذكاء الاصطناعي الوكالي، مما يسهم في تقديم منظور أكثر دقة حول تطوره وآثاره.
المناقشة
تقدم قسم المناقشة في الورقة مراجعة منهجية للأدبيات تتعلق بـ 90 دراسة حول الذكاء الاصطناعي الوكالي، باستخدام إطار ثنائي النموذج لتصنيف اتجاهات البحث وتقييم الهياكل. يؤكد المؤلفون على أهمية تضمين الاعتبارات الأخلاقية، مثل المساءلة وتحديات التوافق، ضمن تصنيفهم لضمان أن يتم وضع السلامة في السياق المناسب. توضح الورقة هيكلها، موضحة الإطار النظري، والمنهجية، والنتائج، والآثار، culminating في تجميع المساهمات الرئيسية.
يميز تصنيف النموذج الثنائي بين السلالات الرمزية/الكلاسيكية والسلالات العصبية/التوليدية للذكاء الاصطناعي الوكالي. تتميز السلالة الرمزية بالنماذج الحتمية واتخاذ القرار القائم على الخوارزميات، كما يتضح من عمليات اتخاذ القرار ماركوف (MDPs) والهياكل المعرفية مثل BDI وSOAR. في المقابل، تركز السلالة العصبية، المميزة بالتعلم المعزز العميق (DRL) ونماذج اللغة الكبيرة (LLMs)، على التعلم الإحصائي وقدرات الاستدلال الناشئة. تسلط الورقة الضوء على تحول نموذجي من المنطق الصريح إلى السلوك الناشئ والعشوائي، حيث تمثل تنسيق الوكلاء المتعددين ذروة النموذج العصبي، حيث تدير نماذج اللغة الكبيرة المهام المعقدة من خلال التواصل الديناميكي وإدارة السياق، مما يرسخ عقيدة جديدة في هندسة الذكاء الاصطناعي.
القيود
تسلط قيود هذه المراجعة حول أبحاث الذكاء الاصطناعي الوكالي الضوء على عدة تحديات حرجة متأصلة في هذا المجال. أولاً، يشكل التطور السريع للنموذج العصبي قيدًا زمنيًا، حيث امتدت عملية البحث في المراجعة فقط حتى أوائل 2025، مما قد يؤدي إلى إغفال التطورات الحديثة جدًا. على الرغم من أن تضمين النسخ الأولية كان يهدف إلى تقليل هذا الخطر، إلا أنه لم يكن بالإمكان القضاء عليه تمامًا. ثانيًا، تنشأ قضايا الشفافية من الطبيعة الملكية للعديد من الأنظمة العصبية المتقدمة، مما يقيّد الوصول إلى تفاصيل هيكلية أساسية ومقاييس الأداء، مما يستلزم غالبًا الاعتماد على مصادر ثانوية للحصول على المعلومات.
بالإضافة إلى ذلك، تعقد التباين المنهجي عبر الدراسات التي تمت مراجعتها من عملية القياس المباشر، حيث تعيق المقاييس التقييمية المتنوعة المقارنات بين النماذج التي تستخدم مقاييس أداء مختلفة جوهريًا. كما تظهر تحديات التصنيف عند محاولة تعيين الهياكل الهجينة أو الانتقالية إلى نموذج واحد، مما يؤدي إلى تبسيطات ضرورية. بشكل جماعي، تبرز هذه القيود تعقيدات إجراء مراجعات منهجية في مجال يتقدم بسرعة ويتسم بوجود نماذج متعددة متزامنة. تم تصميم نهج المراجعة ذو المرحلتين – الذي يجمع بين تحليل منهجي للبحث المعاصر مع تضمين سردي للسياق الرمزي الأساسي – لتحقيق توازن بين الصرامة المنهجية والشمولية مع الاعتراف بهذه التمييزات.
DOI: https://doi.org/10.1007/s10462-025-11422-4
Publication Date: 2025-11-14
Author(s): Mohamad Abou Ali et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The research paper presents a comprehensive analysis of Agentic AI, highlighting a significant paradigm shift in artificial intelligence characterized by the emergence of two distinct lineages: symbolic/classical and neural/generative systems. The authors introduce a dual-paradigm framework that categorizes these systems based on their operational mechanics, strengths, and limitations. Through a systematic review of 90 studies from 2018 to 2025, the paper examines theoretical foundations, domain-specific applications, and ethical challenges associated with each paradigm. It finds that symbolic systems are preferable in safety-critical domains like healthcare, while neural systems excel in adaptive, data-rich environments such as finance.
The authors argue that the common practice of conceptual retrofitting—applying outdated symbolic language to modern neural systems—obscures the true nature of these technologies and hinders progress. They emphasize the need for tailored governance and evaluation strategies for each lineage, advocating for the integration of neuro-symbolic architectures that combine the reliability of symbolic systems with the adaptability of neural systems. Ultimately, the paper posits that the future of Agentic AI lies in this hybrid approach, which will enable the development of trustworthy systems capable of serving as reliable collaborators in various domains, including scientific discovery and critical infrastructure.
Introduction
The introduction of this research paper outlines a significant transition in the field of artificial intelligence (AI) from passive, task-specific tools to the development of autonomous systems characterized by genuine agency. Modern Agentic AI systems, as defined by Wissuchek and Zschech (2025) and others, possess capabilities such as proactive planning, contextual memory, and adaptive behavior, enabling them to function as collaborative partners in complex environments. The paper distinguishes between AI Agents, which are self-contained systems designed to achieve specific goals independently, and the broader concept of Agentic AI, which encompasses multi-agent systems (MAS) that coordinate specialized agents to tackle complex problems collaboratively.
The authors highlight a critical issue of conceptual retrofitting, where outdated symbolic frameworks are misapplied to contemporary systems based on large language models (LLMs), obscuring their operational mechanics. This paper aims to address existing gaps in the literature by providing a historical context that delineates the evolution of AI through five distinct eras, culminating in the current Agentic AI era (2022-present). This era is marked by the emergence of AI agents capable of pursuing goals through planning and tool use, often within multi-agent frameworks. The authors propose a novel dual-paradigm taxonomy to clarify the distinctions between symbolic and neural architectures, facilitating a more accurate classification of AI systems and their applications across various domains, including healthcare, finance, and scientific research.
Methods
The methodology employed in this research is designed to provide a thorough and transparent review of the dual paradigms of Agentic AI. The systematic process outlined involves identifying, evaluating, and synthesizing relevant literature, with an emphasis on categorizing works based on the symbolic and neural lineages as defined in the conceptual framework presented in Figure 2. This approach adheres to established review protocols, ensuring reproducibility while also accommodating the rapid advancements within the field.
Results
The results of the systematic review, analyzed through a dual-paradigm taxonomy, are illustrated in Figure 8 and detailed in Table 5. This paradigm-aware approach uncovers significant patterns within the Agentic AI landscape that were not previously evident in the existing literature. The findings highlight the importance of considering different paradigms in understanding the complexities and dynamics of Agentic AI, thereby contributing to a more nuanced perspective on its development and implications.
Discussion
The discussion section of the paper presents a systematic literature review of 90 studies on Agentic AI, utilizing a dual-paradigm framework to categorize research trends and evaluate architectures. The authors emphasize the importance of embedding ethical considerations, such as accountability and alignment challenges, within their taxonomy to ensure safety is contextualized appropriately. The paper outlines its structure, detailing the theoretical framework, methodology, findings, and implications, culminating in a synthesis of key contributions.
The dual-paradigm taxonomy distinguishes between symbolic/classical and neural/generative lineages of Agentic AI. The symbolic lineage is characterized by deterministic models and algorithmic decision-making, exemplified by Markov Decision Processes (MDPs) and cognitive architectures like BDI and SOAR. In contrast, the neural lineage, marked by deep reinforcement learning (DRL) and large language models (LLMs), emphasizes statistical learning and emergent reasoning capabilities. The paper highlights a paradigm shift from explicit logic to emergent, stochastic behavior, with multi-agent orchestration representing the pinnacle of the neural paradigm, where LLMs manage complex tasks through dynamic communication and context management, thereby establishing a new orthodoxy in AI architecture.
Limitations
The limitations of this review on Agentic AI research underscore several critical challenges inherent to the field. Firstly, the rapid evolution of the neural paradigm poses a temporal constraint, as the review’s search extended only to early 2025, potentially omitting very recent developments. Although the inclusion of pre-prints aimed to mitigate this risk, it could not be entirely eliminated. Secondly, transparency issues arise from the proprietary nature of many advanced neural agentic systems, which restricts access to essential architectural details and performance metrics, often necessitating reliance on secondary sources for information.
Additionally, the methodological heterogeneity across the reviewed studies complicates direct benchmarking, as varied evaluation metrics hinder comparisons between paradigms that utilize fundamentally different performance measures. Classification challenges also emerge when attempting to assign hybrid or transitional architectures to a single paradigm, leading to necessary simplifications. Collectively, these limitations highlight the complexities of conducting systematic reviews in a rapidly advancing field characterized by multiple co-existing paradigms. The review’s two-phase approach—combining a systematic analysis of contemporary research with a narrative inclusion of foundational symbolic context—was designed to balance methodological rigor with comprehensiveness while acknowledging these distinctions.