Appier、自己ツール構築AIエージェントの革新：NeurIPS採択論文「SMITH」が拓くAgentic AIの新境地
Appierによる自己ツール構築AIエージェントの革新とSMITHフレームワーク
Appierは、世界最高峰のAI/機械学習会議であるNeurIPS（Neural Information Processing Systems）に、その画期的な研究論文「Joint Optimization of Tool Creation and Use for Large Language Model Agents」が採択されたことを発表しました。この研究は、AIエージェントが単に既存のツールを利用するだけでなく、自らツールを構築し、実際の課題解決を通じて継続的に改善するという、Agentic AI分野における大きな進歩を示すものです。
従来のAIシステムでは、エンジニアがAPIを構築したり、固定ツールを事前に設定したりすることが多く、データソースやタスク、ビジネスニーズの変化に応じて再構築が必要でした。また、AIがツールを生成できる場合でも、ツールの作成と利用が別々のモデルに割り当てられることが一般的でした。Appierが導入した「SMITH（Schema-grounded Multi-task Iterative Tool Honing）」フレームワークは、これらの課題に対処するために開発された強化学習フレームワークであり、AIが単一のトレーニングループ内でツールを構築し、効果的に利用することを可能にします。構築されたツールは、実際の問題解決結果に基づいて継続的に改良されます。このアプローチにより、AIエージェントは問題解決経験をツールへと変換し、ゼロから始める必要がなくなると、AppierのCEO兼共同創設者であるチーハン・ユ博士は述べています。
SMITHフレームワークの技術的詳細と顕著な成果
SMITHフレームワークは、AIエージェントが新しい問題解決ツールを自律的に開発し、それらを共有可能なツールライブラリに追加するメカニズムを提供します。このライブラリには、より高品質なツールが継続的に追加され、既存の効率の低いツールは置き換えられていきます。これにより、エージェントはタスクごとに新しいツールを作成するのではなく、実績のある問題解決スキルを構築し、再利用することができます。
この研究は、以下の3つの主要な発見を提示しています。
-
小規模モデルによるツール作成の優位性: SMITHでトレーニングされた約40億パラメータのモデルは、研究内で比較された他のすべての手法によるツール作成において、未知のタスクで優位な性能を示しました。これは、約300億パラメータのモデルがその場でツールを構築するベースラインをも上回る結果です。
-
モデルスケールを超えたツールの再利用性: 小規模モデルで構築されたツールは、約3億5000万パラメータの軽量モデルでも新たなタスクに対して同様に優れた性能を発揮します。これらのツールはより大規模なモデルのパフォーマンスも向上させ、エージェントがより柔軟かつ効率的にタスクを分担することを可能にします。
-
トークンコストの大幅な削減: SMITHは、繰り返し行われる推論を直接呼び出し可能なツールに変換します。実験では、従来のステップバイステップ推論で平均3,206トークンだった出力が、約100トークンにまで削減され、32倍もの効率向上を達成しました。これは、大規模なAgentic AIシステムの運用コストを劇的に低減する可能性を示唆しています。
トレーニングプロセスは、4つの簡単な例から学習し、そこからツールを構築する「易から難へ」というアプローチを採用しています。その後、16のより困難な、これまで見たことのない問題でモデルをテストし、その汎化能力を評価します。新しい問題を解決するツールのみが保持され、共有ツールライブラリに追加されます。
Agentic AIの進化と開発者への影響
AppierのSMITHフレームワークは、Agentic AIの効率とスケーラビリティを飛躍的に向上させる可能性を秘めています。モデルが自らツールを構築し、共有、洗練することで、マルチエージェントコラボレーションがより効率的かつ大規模に展開できるようになります。この進歩は、企業がAgentic AIをサービスとして（AaaS）活用する上での実用性とROIを高めるものです。
Appierは、Agentic AIを現実世界のアプリケーションに導入し、企業に測定可能な成果を提供し続けることを目指しています。これは、AIが単なる指令の実行者から、実際の複雑な状況をナビゲートできる信頼性の高い意思決定システムへと進化する上で不可欠なステップです。
開発者・エンジニア視点での考察
-
Agentic AIのコスト効率とスケーラビリティ向上: SMITHフレームワークは、繰り返し実行される推論を再利用可能なツールに変換することで、トークンコストを最大32分の1に削減できる可能性を示しています。これは、本番環境で大規模なAgentic AIシステムをデプロイする際の運用コストと効率性に関して、非常に重要な意味を持ちます。特に、リアルタイム処理や高頻度で実行されるタスクにおいて、この効率向上は顕著なメリットをもたらすでしょう。
-
異種モデル連携におけるツール共有パラダイム: 小規模モデルで構築されたツールが、異なるスケールのモデル間（例えば、3.5億パラメータから300億パラメータ級まで）で高い性能を維持しながら共有・利用できる点は画期的です。これにより、開発者は特定のタスクに最適な軽量モデルでツールを開発し、それをより大規模な基盤モデルや他の専門エージェントと連携させることで、システム全体の性能と柔軟性を高めるアーキテクチャ設計が可能になります。これは、異種モデルの組み合わせによるハイブリッドAIシステム設計を促進するものです。
-
動的ツール生成による適応性と汎化能力の強化: エージェントがタスクに応じて自律的にツールを構築し、改善する能力は、これまでエンジニアが手動で設計していたAPIや外部ツールの設定プロセスを劇的に変革します。これにより、未知のシナリオや急激な環境変化に対しても、AIエージェントが自身で解決策（ツール）を生成し、適応する能力が向上します。これは、より堅牢で自己修復可能なAIシステムを構築するための基礎となり、継続的デプロイメント（CD）環境におけるAIエージェントの自律的な進化を促進するでしょう。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
