Octopus、KVキャッシュ共有で複数エージェントを「1つの頭脳」に
AIエージェントに調べものを頼んだとしよう。エージェントは検索をかけ、ページを読み、数字を確かめ、もう一度検索する。その結果は、作業が終わるまでどこかに覚えておかなければならない。覚えておく方法しだいで、エージェントにかかるお金も、考える力も変わってくる。これが、大規模言語モデル(LLM)を使ったエージェントの「作業用メモリ」の問題だ。1つのエージェントにすべてを任せる方式では、結果が1本の長い記録に積み上がっていく。
Tag
AIエージェントに調べものを頼んだとしよう。エージェントは検索をかけ、ページを読み、数字を確かめ、もう一度検索する。その結果は、作業が終わるまでどこかに覚えておかなければならない。覚えておく方法しだいで、エージェントにかかるお金も、考える力も変わってくる。これが、大規模言語モデル(LLM)を使ったエージェントの「作業用メモリ」の問題だ。1つのエージェントにすべてを任せる方式では、結果が1本の長い記録に積み上がっていく。
長いレポートをチャットボットに貼りつけて、そのあとに5つ質問を重ねたとしよう。どの質問にも、同じ長い書き出しがついてくる。システムがその書き出しを覚えているか、毎回やり直すか。それしだいで、答えが返ってくる速さも、あなたに応えるためのコストも変わってくる。この「覚えておく仕組み」の裏には、いま多くの大規模なAIサービスが選んでいる設計がある。答えるまでの仕事を2つに分け、その間で記憶を受け渡すという設計だ。
FlowBudgetは、フローマッチングモデルの推論に必要なステップ数を、学習済みのフローそのものから見積もる手法だ。多くのチームは、この数を前の論文からそのまま写している。その数が、生成するすべてのサンプルのコストに掛け算で効いているとしたらどうだろう。フローマッチングモデルは、常微分方程式(ODE)または確率微分方程式(SDE)を積分してサンプルを作る。積分の1ステップごとに、ネットワークを1回呼び出す。推論のコストは、この呼び出し回数(NFE)に比例して増える。
AI コーディングエージェントは根本的なアーキテクチャ上の制約下で動作しています。異なる呼び出しやセッション間で永続的なメモリメカニズムを欠いているのです。これは、コードベース、アーキテクチャ上の決定、実装の根拠、プロジェクト履歴に関する文脈的知識を長期間にわたって蓄積・保持する人間の開発者とは大きく異なります。エージェントの各呼び出しは、先行する相互作用へのアクセスなしに開始されます。
適応的確率量子化(ASQ)は、量子化操作の扱い方において決定論的量子化手法と根本的に異なる確率的圧縮技術です。決定論的手法が浮動小数点値を固定された離散レベルにマッピングするのに対し、ASQは隣接する量子化レベル上の確率分布を割り当てます。その結果、量子化出力の期待値が元の入力値と等しくなります。これは形式的には期待値における不偏性(Bengio et al., 2013; Zhou et al., 2016)として定義されます。定義と数学的基礎
米国エネルギー省のGenesis Open Models Initiativeは、先進的なAI機能が民間技術企業に集中している現状に対する、意図的な制度的対応を示しています。消費者向けのAIエージェントを開発して商用製品と重複させるのではなく、Genesisは科学研究コミュニティを対象としており、エネルギーシステム、気候科学、材料特性評価といった領域の専門的なデータセットで訓練されたモデルを提供しています。
数十億ユーザーへのAIエージェント展開には、過去のテクノロジーロールアウトを遥かに上回るインフラ投資が必要です。AIシステムのスケーリングに必要な資本要件は、基礎インフラだけで2,500億ドル近くに達します。メタの年間データセンター・AIチップ支出は既に数百億ドルに及び、加速が予想されています。数十億ユーザーの継続的推論を考慮すると、経済性は課題となります。
GPT-4やClaude 3 Opusといったフロンティアモデルは優れた推論能力を示していますが、本番環境での規模展開において経済的に成立しないコスト構造を強制します。エージェントシステムをデプロイする組織は根本的な制約に直面しています。これらのモデルは複雑な推論タスクで例外的なパフォーマンスを発揮する一方で、日常的で反復的な操作に対しても同じ計算リソースを消費するのです。前提条件:本番環境のエージェントトレースはタスク複雑性の分布が不均一です。
トレーニングデータの品質は、大規模言語モデル(LLM)の能力を決定する主要因です(Kaplan et al., 2020; Hoffmann et al., 2022)。しかし現在、LLM自体がデータ準備タスクを確実に実行できるかどうかを評価するための標準化された測定フレームワークが業界に不足しています。組織は孤立した能力評価に基づいてLLM駆動のデータパイプラインを展開することが頻繁にあります。
OpenAI の Codex のような AI コーディングアシスタントは、有限のコンテキストウィンドウ内で動作します。これは形式的には、トランスフォーマーベースの言語モデルが単一の順伝播で処理できる最大トークン数(離散的な言語単位)として定義されます。会話にコードスニペット、エラーメッセージ、説明、反復的な改善が蓄積されるにつれて、累積トークン数は単調に増加し、やがてアーキテクチャの上限に接近します。これは十分に文書化された技術的制約を生み出します。
標準的なTransformer注意機構は、すべてのクエリとキー間のペアワイズ類似度スコアを計算するため、長さNのシーケンスに対してO(N²)の演算とO(N²)のメモリが必要です。32,768トークンのシーケンスでは、10.7億要素の注意行列が生成されます。この二次複雑性は、本番システムにおいて2つの異なる障害モードを引き起こします。実務家は現在、3つの最適でない戦略でこれに対処しています。
LLM事前学習の有効性は、データセットの規模よりもデータ構成によってますます決定されるようになっています。より大規模なデータセットが均一にモデル性能を向上させるという従来の仮定は、経験的に異議を唱えられています。スケーリング則とデータ効率に関する最近の研究(Hoffmann et al., 2022; Chinchilla scaling)は、キュレーションされた低容量のデータセットが、より大規模で異質な集合よりも頻繁に優れた下流タスク性能を達成することを示しています。
言語モデル間の直接的な潜在状態交換は、テキストのシリアライゼーション・オーバーヘッドを排除し、トークンレベルのアダプタ翻訳よりも情報損失が少ない、より高速なマルチエージェント調整を実現します。ただし、アーキテクチャの互換性と統制された実験条件での測定に依存します。現在のマルチエージェント言語モデルシステムは、エージェント間の標準的な交換フォーマットとしてテキストに依存しています。このプロセスは2つの連続した操作を伴います。
24GBのユニファイドメモリを搭載したM4チップは、ローカルモデル推論において明確なアーキテクチャ上の優位性をもたらします。従来のCPU-GPUシステムでは、分離されたメモリプールが計算ユニット間の明示的なデータ転送を必要とするのに対し、M4のユニファイドメモリアーキテクチャは、ニューラルエンジン、GPU、CPUが中間的なコピーオーバーヘッドなしに共有メモリプールにアクセスできます。
DeepSeekは[日付を指定]にV4のプレビューをリリースし、これを製品ラインの主力モデルとして位置付けています。このリリースの重要性を正確に枠組みするには、DeepSeekが確立したパターンを理解する必要があります。同社は、オープンソースモデルを継続的にリリースしており、これらは文書化されたパフォーマンス特性を備え、推論操作あたりの計算コストが低い状態で、独占的な代替案に匹敵するか上回るパフォーマンスを実現しています。
ニューラルネットワークの訓練は根本的なアーキテクチャ制約に直面しています。逆伝播のための活性化を保存するには、O(L × B × N)に比例するメモリが必要です。ここでLはネットワーク深度、Bはシーケンス・バッチの基数、Nは特徴次元です。この線形スケーリングは、いわば強制関数を生み出します。制約そのものが、優雅に解決されれば、まったく新しいモデルクラスと訓練パラダイムを解き放つ強制関数です。
「検閲されていない」AIモデルが企業の制約から解放されるという販売主張は、カテゴリーの誤りに基づいています。ユーザーは代替プラットフォームやファインチューニングされた変種に切り替えることで、主流システムに組み込まれた制限が排除されると想定することが多いです。この想定には経験的な検証が必要です。実際には、「無制限」と謳われるモデルは複数の制約層の中で動作しており、その一部は可視的ですが、ほとんどは見えません。
NVIDIAのCUDAエコシステムは、2006年のCUDA導入から始まる約17年間の継続的な開発を通じて確立された、GPU計算における実質的な競争優位性を表しています。この優位性は単なる技術仕様にとどまらず、ライブラリ、フレームワーク、開発者教育、組織的ワークフローの統合システムであり、既存ユーザーにとって切り替えコストを生み出しています。前提条件:「競争優位性」をバフェットのフレームワークに従って定義します。
機械学習システムは認知的な意味での学習ではなく、統計的パターンマッチングを通じた関数最適化を実行します。この区別は基本的なものであり、機械学習システムを取り巻く多くの神秘性を払拭します。決定論的な制御フローを持つ従来のソフトウェアとは異なり、機械学習システムは訓練データで発見された統計的関連性を高次元パラメータ空間にエンコードします。形式的には、訓練済みモデルは入力特徴から出力への学習済みマッピングを表し、最適化を通じて発見された重みによってパラメータ化されます。
電子カルテ(EHR)のデータを使うファウンデーションモデルは、患者の診断や検査、薬の記録を時間軸に沿って読み込み、そこから一般化できる患者像を学び取る。ただ、その前に必ず通る関門がある。記録を「トークン」という離散的な単位に変換する作業だ。この変換の仕方が、モデルが何を学べて何を学べないかを、根本から決めてしまう。
SETI@homeは、分散ボランティアコンピューティングが数百万の参加者規模に拡張可能であることを実証しました。中央で設計されたアルゴリズムを使用して信号検出を実行するというモデルです(Anderson, 2002)。Autoresearch@homeはこの組織的モデルを言語モデル訓練研究に適用しますが、構造的な区別を導入しています。事前に決定された手順を実行するのではなく、参加者は自律的なAIエージェントをデプロイし、仮説を提案し、訓練実装を修正し、実験結果を評価します。
ダビッド・ソロモンによる人工知能の経済的インパクトに関する強気の評価は、彼の主張を支える実証的基礎を慎重に検証する価値があります。「大幅な生産性向上」への強調には具体性が求められます。ゴールドマン・サックスが観察している測定可能な改善とは何か、またそうした改善がどのような条件下で実現するのかです。ソロモンの楽観主義は、金融サービス部門内での観察可能な業務改善に根拠を持つように見えます。
現代の大規模言語モデル(LLM)は推論時に根本的な制約に直面しています。コンテキスト長と計算コストは超線形のスケーリング関係を示しています。具体的には、キー・バリュー(KV)キャッシュのメモリ要件はコンテキスト長に対して線形に増加する一方、注意計算は最悪の場合二次関数的(O(n²))にスケールします。ただし、最近のアーキテクチャでは線形近似が存在します(Dao et al., 2022)。これにより、運用上の深刻な緊張が生まれます。
Gemini 3.1 Pro は、レイテンシ最適化よりも拡張推論チェーンを優先する意図的なアーキテクチャシフトを示しています。先行モデルが個別クエリへの迅速な応答生成を重視する一方で、3.1 Pro は複数ステップの分析タスク全体にわたって一貫性を維持するよう設計された反復的洗練プロセスを実装しています。これは能力の違いというより、異なる最適化目標を反映した区別です。主要なアーキテクチャメカニズムは以下の通りです。
AI分野で最も誤解されているグラフはスケーリング則曲線である。モデルサイズ、訓練データ量、タスク損失の間の経験的関係を示すこのグラフは、普遍的な予測モデルとして解釈されることが多いが、実際には特定の限定された実験条件下でのみ有効な条件付きトレンドを表している。定義的前提:Kaplan et al. (2020)とHoffmann et al. (2022)で形式化されたスケーリング則は、べき乗則関係を記述する。
本AWS週刊ラウンドアップは、ビジネスカレンダーにおける自然な転換点に到来する。組織が年末インフラストラクチャレビューを実施し、第1四半期のデプロイメントを準備する時期に、AWSは企業計画の優先事項に直接対応する2つの機能を発表した。すなわち、自律的なタスク調整のためのAmazon Bedrockエージェントワークフロー、および安全なモデル訓練のためのAmazon SageMakerプライベート接続性である。
最近のベンチマーク評価では、コンサルティング、投資銀行業務、法務サービスから抽出された実際の職場タスクに対して、主要な大規模言語モデル(LLM)が評価されています。これらの評価は、一般的な質問応答を超えて、AIエージェントがドメイン専門知識、クライアントとのやり取り、判断を必要とする複数ステップの高リスクな専門業務を実行できるかどうかを測定します。主張: 現在のAIモデルは、マーケティングの物語と運用準備状況の間に信頼性のギャップがあります。
量子化は、重みパラメータの数値精度を元の表現—通常は32ビット浮動小数点(FP32)または16ビット(FP16)—から、8ビット整数(INT8)、4ビット、または2ビット表現などのより低精度のフォーマットに削減するモデル圧縮技術です。理論的基盤は、ニューラルネットワークの重みが大きな冗長性を示すという経験的観察に基づいています。多くのパラメータは、モデル能力の比例的な損失なしに、削減された精度で表現できます(Gholami et al., 2021)。
Claim: 標準的なソフトマックスアテンションメカニズムはトークン位置に対する暗黙の一様事前分布を埋め込んでいる。この事前分布は数学的に任意であり、特定のタスクやデータ分布に対して最適でないことが多い。理由と証拠: ソフトマックス注意は正則化された最適輸送問題を解く(Gechinovskiy et al., 2022; Petersen et al., 2023)。正則化項(注意分布のエントロピー)は、すべての位置が等しい初期重み付けを受けるという制約の下で最小化される。
人間のフィードバックからの強化学習(RLHF)は、大規模言語モデルを人間の好みに合わせるための標準的なアプローチとなっている。経験的に、RLHFで訓練されたモデルは、指示追従の改善と有害な出力の測定可能な削減を示している(Christiano et al., 2017; Ouyang et al., 2022)。しかし、支配的な実装である近接方策最適化(PPO)などの方策勾配法は、実質的な運用上の複雑さをもたらす。
Mixture-of-Experts(MoE)アーキテクチャは、すべてのモデルパラメータを活性化するのではなく、各トークンを学習されたエキスパートのサブセットにルーティングすることで、順伝播あたりの計算コストを削減します。この重みのスパース性メカニズムが、MoEシステムにおける主要な効率向上を構成します。
テスラは、DojoとDojo2のスケーリングに優先的に注力していた期間を経て、第3世代AIトレーニングチップであるDojo3の開発再開を発表しました。当初のDojoロードマップは、独自の社内インフラストラクチャを通じた自動運転車両トレーニングの加速を目標としていました。Dojo3は文書化された戦略的方向転換を表しています:チップアーキテクチャは、地上の自動運転アプリケーションではなく、宇宙ベースのAIコンピュート・ワークロードに対応するために再設計されます。
2024年のダボスにおける世界経済フォーラムは、事実上のテクノロジー戦略サミットとして機能し、人工知能が公式セッション、ネットワーキング時間、および経営幹部の注目において不釣り合いなシェアを占めた。根拠と証拠: 世界経済フォーラムの伝統的な議題は、地政学的リスク、マクロ経済政策、気候変動への移行、およびセクター戦略のバランスを取っている。
大規模言語モデルの訓練には、GPUメモリに大きなオーバーヘッドが発生し、オプティマイザの状態が総割り当ての50〜70%を消費する(Shazeer et al., 2018; Rajbhandari et al., 2020)。float32精度でAdamオプティマイザを使用して訓練される70億パラメータモデルの場合、モデルの重みは約14GBを占め、オプティマイザのモーメンタムと分散バッファは精度と実装に応じて追加で14〜28GBを占める。
SGLangは、UC BerkeleyのIon Stoica研究室から生まれたオープンソース研究プロジェクトとして始まり、大規模言語モデル(LLM)推論サービングにおける文書化された非効率性に対処するために設計されました。このプロジェクトは、本番推論システムにおける2つの確立された制約を特に対象としていました:(1)異種リクエストパターン下でのレイテンシの変動、(2)可変プロンプト長と出力トークン要件を持つ同時リクエストをサービングする際の最適でないGPU利用率。