世界的AI研究者が明かす、AIエージェント実用化を加速するブレイクスルー AIエージェントの「協調・記憶・品質」を革新する富士通の挑戦

多様なタスクをこなすマルチAIエージェントが協調して動作するためには、それぞれのエージェントが十分に学習されていることが欠かせません。しかし現状では、その学習の要となる「高品質な教師ありファインチューニング用データ」が不足しており、エージェントの性能向上を大きく妨げる要因となっています。

この課題に挑む画期的なアプローチが「Agent Data Protocol」[5]です。Agent Data Protocolの概念図を下図に示します。各種エージェントデータセットからRaw Data（生データ）を受け取り、Agent Data Protocolで統一的に定義されるAction（行動）とObservation（出力）に基づき処理が行われ、そのTrajectory（履歴）が保存されます。このように様々なデータセットを標準化し、様々なエージェントデータセットを標準化し、すぐに学習に使える形に整えることで、強化学習に入る前の準備段階を大幅に効率化します。すでに160万件を超える学習インスタンスを備えたデータセットも公開されており、誰もがエージェントを十分に鍛えた状態で強化学習に臨めるようになります。

――企業へのAIエージェント導入における課題と解決策についてお伺いします。特に、既存システムとの統合や複雑性が懸念されますが、どのような技術的・組織的障壁が予想されますか？
Neubig教授： 企業へのAIエージェント導入は、多くの面で非常に困難です。最大の理由は、企業が保有するデータが一般に公開されておらず、既存の大規模言語モデルの学習データに含まれていないことにあります。しかし、ここでAgent Data Protocolは非常に役立ちます。このプロトコルに沿って、企業固有のデータセットを作成し、既存の汎用データセットと組み合わせることで、特定の企業データに偏りすぎることなく、エージェントの精度を向上させることができます。これにより、貴重な企業データを活用しつつ、汎用性を保ったAIエージェントを育成することが可能になります。もちろん、セキュリティのような他の課題も解決する必要がありますが、これは大きな前進と言えるでしょう。

――マルチエージェントシステムはチャットの15倍ものトークンを使用すると言われています。Agent Data Protocolを用いたAIエージェントの学習において、コスト効率や計算リソースの観点から、解決すべき技術的課題はありますか？
Neubig教授： 学習コストと推論コストの2つがあります。学習コストはそこまで高くなく、例えば320億パラメータのモデルであれば、2台のH100マシンで約4日間あれば学習可能です。これは他の多くのタスクと比較しても特別に高額なわけではありません。さらに重要なのは、一度十分に学習させたエージェントの知識を、より小さなモデルに転移させて利用できる点[6]です。これにより、APIベースのモデルを使うよりも最大で10倍もコスト効率が向上につながる可能性があります。Agent Data Protocolは、この大幅なコスト効率の改善を実現するための重要な基盤を提供します。

――Agent Data Protocolが業界標準として広く普及するために必要な条件や要件、そして研究コミュニティと業界が取り組むべき課題についてお聞かせください。
Neubig教授：まず、私たちはこのプロトコルを積極的にアピールし続ける必要があると考えています。研究プロジェクトは論文を発表するとそこで終わってしまうことが多いのですが、新しいエージェント学習データセットが登場するたびに、それをAgent Data Protocolに変換することや、他機関との連携を強化することが重要です。さらに、まだ着手していない重要な課題として、マルチモーダルデータへの対応があります。現在、これに取り組んでおり、実現すれば、多くのユースケースで大きな違いを生み出すでしょう。これらが、プロトコルを広く普及させるための鍵となると考えます。

AIエージェントにとって記憶機構は、文脈の一貫性を保ち、情報損失を防ぐうえで欠かせません。本章では、物理的な環境における記憶を効率的に活用するための画期的なアプローチ「Embodied RAG（Retrieval-Augmented Generation）」[7]について、その論文著者であるBisk教授に、その技術的な革新性について伺いました。

――まず、Embodied RAGが従来のRAGとどのように異なるのか、特に物理環境におけるメモリ管理の革新性についてお聞かせください。
Bisk教授： Embodied RAGと従来のRAGの最も根本的な違いは、「意味単位の定義」と「関連性判断の方法」にあります。従来のRAGは文書内の単語の類似性に基づいて情報を取得しますが、Embodied RAGが対象とする物理環境では、オフィス内のラグや植物といった物理オブジェクトに対して、どのように類似性を定義するかが明確ではありません。たとえば、「今日職場まで来た道のり」という経験は、複数の要素が複合的に蓄積されたもので、言語のように特定の文書に直接対応するわけではないのです。そのため、環境内の空間を理解し、どの情報が取得する価値があり、どの情報同士が関連性を持つのかを判断する方法が、Embodied RAGにおける最大の革新点となります。

――環境の変化や予期しない状況に対し、Embodied RAGはメモリをどのように更新・適応させるのでしょうか。脆弱なワークフローが失敗の要因とされていますが、動的な環境への適応についてお聞かせください。
Bisk教授： 動的な環境に対応するためには、「記憶に対する信頼性推定」と「不確実性の定量化」が不可欠です。たとえば、建物や壁の場所は信頼性が高い記憶ですが、コーヒーカップの位置は変化しやすく信頼性が低くなります。人間はこれを常識的に判断しますが、エージェントにも同様に、記憶の減衰や不確実性に基づいて、何がまだ真実であるかを判断する能力が必要です。これにより、エージェントは助けを求めたり、計画を短くしたりと、より慎重に行動するようになります。また、物理的なミスは取り返しの付かないことがあるため、ある程度のリスクレベルを超えた場合は、人間の介入を求める「ヒューマン・イン・ザ・ループ」の仕組みも重要になってきます。エージェントは協力者として、曖昧な指示にはう要因には行動しない姿勢も必要です。

――Embodied RAGをエンタープライズ環境に実装する際の技術的複雑さと、実用化に向けて解決すべき主要な課題は何だとお考えですか？
Bisk教授： エンタープライズ環境への実装は、「悪魔は細部に宿る」という言葉通り、とても複雑です。物理環境における最大の課題は、曖昧さや動的な性質、マルチエージェント性といった現実世界の詳細から目を背けられない点です。デバイスの電力供給、ローカルコンピューティングの限界、通信障害など、実践的な課題も山積しています。たとえば、工場では数十台のカメラと多様なロボットが存在し、単一の集中型データベースでこれらすべてを管理するのは現実的ではありません。私は、各エージェントが独自のメモリを持ち、必要に応じて「選択的に」情報を共有する分散協調型メモリの方向性が望ましいと思います。これにより、完全な通信や持続的な電力供給の要件が緩和され、プライバシー保護にもつながります。人間中心のアプローチで、エージェントが人間の仕事を支援するようなシステムを目指すべきでしょう。