다양한 LLM가 장착된 물리적 요소 인공지능을 위한 컴퓨팅 파워 네트워크를 통한 효율적인 디지털 트윈 협력
물리적 인공지능 분야인 지능형工장, 창고, 서비스 로봇 등에서 다종류의 대규모 언어 모델(LLM)로 구동되는 embodied agent 팀이 널리 사용되고 있습니다. 이러한 agent 팀 간 협업을 가능하게 하기 위해 네트워크 리소스가 제한된 환경에서 안정적으로 작동하는 효율적인 협력 메커니즘이 필요합니다. 그러나 existing heterogeneous LLM-agent 협력 프레임워크가
물리적 요소 인공지능의 협력 메커니즘
지능형 공장, 창고, 서비스 로봇 등에서 대규모 언어 모델(LLM)로 구동되는 embodied agent 팀이 널리 사용되고 있습니다. 이러한 agent 팀 간 협업을 가능하게 하기 위해 네트워크 리소스가 제한된 환경에서 안정적으로 작동하는 효율적인 협력 메커니즘이 필요합니다. 그러나 existing heterogeneous LLM-agent 협력 프레임워크가 다중 라운드 자연어 기반 대화에 의존하여, 세 가지 결합된 난제를 유발합니다.
첫째, agent 팀 크기에 따라 급속히 증가하는 통신 오버헤드를 유발하는 inter-agent 대화가 있습니다. 둘째, agent 팀의 LLM의 다종류 능력으로 인해 조정의 품질이 제한됩니다. 셋째, iterative 협상으로 인해 agent 팀이 행동 지연을 겪을 수 있습니다. 이러한 난제를 해결하기 위해, 우리는 LDT-Coord라는 가벼운 디지털 트윈(DT) 위에 구축된 네트워크 협력 프레임워크를 제안합니다.
LDT-Coord 프레임워크
각 agent는 독립적으로 자신의 의도된 행동을 선택하고 DT 서버에 행동 결정과 구조화된 시간 제약을 함께 보고합니다. 이로 인해 자연어 이해 능력과 조정 성능이 분리됩니다. 그 다음, DT는 학습이 필요하지 않은 규칙 기반 오케스트레이터 알고리즘을 사용하여 cross-agent 충돌을 해결하고 충돌을 방지하기 위해 조정 지시를 반환합니다. 통신 오버헤드를 더 줄이기 위해, 우리는 agent 보고 제어를 제한된 부분 관측 가능 마르코프 결정 과정(C-POMDP)으로 표현하고 PPO-Lagrangian 알고리즘을 사용하여 해결합니다.
시뮬레이션 결과, LDT-Coord는 전통적인 조정 방법과 비교하여 성공률을 유지하면서 통신 오버헤드를 70배 이상 줄이고 LLM의 다종류 능력으로 인한 robustness를 유지합니다. 이러한 결과는 물리적 요소 인공지능 분야에서 효율적인 협력 메커니즘의 필요성을 강조하며, LDT-Coord 프레임워크가 이러한 문제를 해결하는 데 효과적인 해결책이 될 수 있습니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.