日次および週次のニュースレターに参加して、最新の更新情報や業界をリードする AI に関する独占コンテンツを入手してください。 もっと詳しく知る
AI エージェントは、さまざまな速度とレベルの推論および計画能力を必要とする多数のタスクを解決する必要があります。理想的には、エージェントは、いつ直接メモリを使用するか、いつより複雑な推論機能を使用するかを知っている必要があります。ただし、要件に基づいてタスクを適切に処理できるエージェント システムを設計することは依然として課題です。
で 新しい紙、の研究者 Googleディープマインド 人間の認知の「2 つのシステム」モデルに触発されたエージェント フレームワークである Talker-Reasoner を紹介します。このフレームワークにより、AI エージェントはさまざまな種類の推論の間で適切なバランスを見つけ、より流動的なユーザー エクスペリエンスを提供できるようになります。
人間とAIにおけるシステム1、システム2の考え方
ノーベル賞受賞者のダニエル・カーネマンによって初めて紹介された 2 システム理論は、人間の思考が次のようなものによって動かされることを示唆しています。 2 つの異なるシステム。システム 1 は高速、直感的、そして自動です。それは、突然の出来事に反応したり、よく知られたパターンを認識したりするなど、私たちの瞬時の判断を支配します。対照的に、システム 2 は時間がかかり、慎重かつ分析的です。これにより、複雑な問題解決、計画、推論が可能になります。
多くの場合、これらのシステムは別個のものとして扱われますが、継続的に相互作用します。システム 1 は印象、直感、意図を生成します。システム 2 はこれらの提案を評価し、承認された場合は、それらを明確な信念と意図的な選択に統合します。この相互作用により、日常業務から困難な問題に至るまで、幅広い状況をシームレスにナビゲートできるようになります。
現在の AI エージェントは、ほとんどがシステム 1 モードで動作します。彼らはパターン認識、素早い反応、反復的なタスクに優れています。ただし、複数ステップの計画が必要なシナリオでは不十分なことがよくあります。 複雑な推論、および戦略的意思決定 – システム 2 思考の特徴。
Talker-Reasoner フレームワーク
DeepMind が提案した Talker-Reasoner フレームワークは、AI エージェントにシステム 1 とシステム 2 の両方の機能を装備することを目的としています。これは、エージェントを Talker と Reasoner という 2 つの異なるモジュールに分割します。
Talker は、システム 1 に似た高速で直感的なコンポーネントです。ユーザーおよび環境とのリアルタイムの対話を処理します。観察を認識し、言語を解釈し、記憶から情報を検索し、会話的な応答を生成します。 Talker エージェントは通常、 文脈に沿った学習 これらの機能を実行する大規模言語モデル (LLM) の (ICL) 機能。
Reasoner は、システム 2 のゆっくりとした熟慮の性質を体現しています。複雑な推論と計画を実行します。特定のタスクを実行する準備が整っており、ツールや外部データ ソースと対話して知識を強化し、情報に基づいた意思決定を行います。また、新しい情報を収集すると、エージェントの信念も更新されます。これらの信念は将来の意思決定を推進し、トーカーが会話で使用する記憶として機能します。
「Talker エージェントは、ユーザーとの自然で一貫した会話を生成し、環境と対話することに重点を置いていますが、Reasoner エージェントは、Talker によって提供される環境情報に基づいて、複数ステップの計画、推論、信念の形成を実行することに重点を置いています。」研究者たちは書いています。
2 つのモジュールは主に共有メモリ システムを通じて対話します。 Reasoner は最新の信念と推論結果で記憶を更新し、Talker はこの情報を取得して対話をガイドします。この非同期通信により、Reasoner がバックグラウンドでより時間のかかる計算を実行しているときでも、Talker は継続的な会話の流れを維持できます。
「これは次のことに似ています [the] 行動科学のデュアルシステムアプローチでは、システム 1 は常に稼働し、システム 2 はその能力の一部で動作します」と研究者らは書いています。 「同様に、トーカーは常にオンで環境と対話しますが、リーズナーは信念を更新し、トーカーがそれを待っているか、メモリから読み取ることができる場合にのみトーカーに情報を提供します。」
AI コーチングのための Talker-Reasoner
研究者らは、睡眠コーチング アプリケーションでフレームワークをテストしました。 AI コーチは自然言語を通じてユーザーと対話し、睡眠習慣を改善するためのパーソナライズされたガイダンスとサポートを提供します。このアプリケーションでは、迅速で共感を持った会話と、知識に基づいた意図的な推論の組み合わせが必要です。
睡眠コーチのトーカー コンポーネントは会話の側面を処理し、共感的な応答を提供し、コーチング プロセスのさまざまな段階を通じてユーザーをガイドします。 Reasoner は、ユーザーの睡眠に関する懸念、目標、習慣、環境に関する信念状態を維持します。この情報を使用して、パーソナライズされた推奨事項と複数ステップの計画を生成します。同じフレームワークは、顧客サービスや個別化された教育などの他のアプリケーションにも適用できます。
DeepMind の研究者たちは、将来の研究のいくつかの方向性を概説しています。焦点の 1 つは、Talker と Reasoner の間の対話の最適化です。理想的には、トーカーは、クエリがリーズナーの介入を必要とするときと、状況を独立して処理できるときを自動的に判断する必要があります。これにより、不必要な計算が最小限に抑えられ、全体的な効率が向上します。
もう 1 つの方向には、フレームワークを拡張して、それぞれが異なる種類の推論または知識領域に特化した複数の Reasoner を組み込むことが含まれます。これにより、エージェントはより複雑なタスクに取り組み、より包括的な支援を提供できるようになります。