---
title: 'Agentic AI Program Overview'
source: 'https://youtube.com/watch?v=VJoRSrNHeVk'
video_id: 'VJoRSrNHeVk'
date: 2026-09-02
duration_sec: 133
channel: 'Stanford Online'
---

# Agentic AI Program Overview

> Source: [Agentic AI Program Overview](https://youtube.com/watch?v=VJoRSrNHeVk)

## Summary

This video is an introductory overview of an Agentic AI course, presented by academics from Stanford and industry veterans from Google Brain and Anthropic. The course focuses on AI systems that can think, take actions, learn from feedback, and improve themselves, with an emphasis on scaling inference and closing the loop for model improvement.

### Key Points

- **Instructor Introductions** [00:02] — The course is taught by professors with backgrounds in computer science, including experience at Google Brain (AI for chip design) and Anthropic (working on Claude). The instructors are inspired by research into self-improving AI systems.
- **Impact on Knowledge Work** [00:30] — Any profession requiring intellectual labor will inevitably be transformed by agentic systems. The course aims to prepare students to be part of this migration toward greater automation.
- **Course Focus** [00:45] — The course covers AI systems capable of thinking, taking actions, learning from feedback, and improving to achieve goals. It addresses the three core components of building these systems: task scalability, tool use, and self-improvement.
- **Today's Topic: Scaling Inference** [01:12] — The specific lecture topic is scaling at inference time. The discussion will cover how to close the loop to further improve models, building on the three components of agentic systems.
- **Open Research Problems** [01:42] — The field of agentic systems is nascent, with many open research questions. Key challenges include creating the right model capabilities, making models work well with tools, and building a self-improvement loop.
- **Call to Action** [02:08] — By understanding how agentic systems are designed and optimized, students can become a key driver of the next wave of transformation in workflow systems.

## Transcript

приглашенным профессором на кафедре компьютерных наук.  Я начала свою карьеру в Google с обучения магистерских программ, и последние 6 лет я наблюдала за развитием процесса . Меня зовут Азалия Мирхоссейни.  Я доцент кафедры
компьютерных наук.  Я несколько лет проработал в Google Brain, занимаясь разработкой искусственного интеллекта для систем и проектирования микросхем.  Я провел некоторое время в Anthropic, работая над проектом Claude, а сейчас работаю в Стэнфорде, и меня очень вдохновляет исследование
самосовершенствующихся систем искусственного интеллекта. Если вы работаете в какой-либо сфере, требующей интеллектуального труда , ваша работа [в музыке] непременно будет преобразована с помощью агентных систем.
В этом курсе вы узнаете о системах искусственного интеллекта, способных мыслить, предпринимать действия, учиться на основе обратной связи и совершенствоваться для достижения Что касается построения этих систем, то здесь, по сути, есть три [музыкальных]
компонента.  Здесь есть масштабируемость задач, возможность предпринимать действия с помощью инструментов и [музыка] возможность самосовершенствования. Вы также узнаете об открытых проблемах в этой области, где сможете поработать над [музыкой], чтобы продвинуться вперед в области агентного ИИ.
Итак, сегодня мы поговорим о масштабировании при выводе данных.  Существует три Пройдя этот курс, поняв, как разрабатываются и оптимизируются эти агенты , вы сможете стать частью этой [музыкальной] миграции, направленной на внедрение
все большей автоматизации и новых возможностей в повседневную жизнь и работу. Сегодня мы рассмотрим, как можно замкнуть цикл, чтобы еще больше улучшить модели. В ходе истории проблемы, которые мы наблюдаем при создании агентных
систем, только начинают проявляться, и существует множество исследовательских вопросов, на которые необходимо ответить, будь то создание правильного набора возможностей модели, [музыка] как заставить эти модели хорошо работать с инструментами и как построить цикл
самосовершенствования. Таким образом, понимая агентные системы, зная, как они спроектированы и как мы можем их оптимизировать, вы можете стать ключевым фактором следующей волны трансформации в
of transformation in the workflow systems.