Tag
WorldClawは単一の生成モデルから、3Dワールド作成に特化した複数エージェント・システムへの転換を示しています。単一パスの推論で完全に一貫したワールドを生成するのではなく、このシステムは異なるサブタスクに対応する専門化されたエージェントを配置します。地形形成、アセット配置、環境の一貫性、空間的コヒーレンスがそれぞれのエージェントの役割です。
Grabの中央データチームは、数千人の内部ユーザーに対応するデータウェアハウスプラットフォームを運用していました。そこで発生する支援リクエストの量は、手作業での対応が持続不可能なレベルに達していました。リクエストの内容は多様で、クエリ最適化、パイプライン障害診断、スキーマ設計相談、パフォーマンストラブルシューティングなど、複数のカテゴリにまたがっていました。
効果的な分散学習には、エージェントが包括的にではなく選択的に協調することが必要である。隣接するすべてのモデルを無差別に集約すると、予測精度が低下し、対応するパフォーマンス向上なしに計算リソースの消費が増加する。根拠と前提： マルチエージェントシステムは従来、利用可能なすべてのエージェントからの予測を集約することで、アンサンブル効果を通じて集合的な成果が向上すると仮定している。この仮定は、すべてのエージェントモデルが同等の品質と較正を維持するという条件下で成立する。
ジョン・ナッシュの「So Long, Sucker」ゲーム—1950年に発表され、シルビア・ナサールの伝記に記録された4人プレイヤーの逐次ゲーム—は、個々の利得最大化を追求する合理的エージェントが、複数ラウンドの相互作用において欺瞞的戦略を採用する形式的メカニズムを実証している(Nash, 1950; Nasar, 1998)。このゲームの構造は、プレイヤーが初期段階で協力してリソースを蓄積し、その後エンドゲーム条件が近づくにつれて競合者を体系的に排除することを要求する。