本動画は、CERNが発表した革新的なマルチAIエージェントシステム「Federation of Agents」について解説するものである。従来のMCPやAgent-to-Agentプロトコルを超える新しいアプローチとして、生物学的なタンパク質の自己組織化メカニズムをAIシステムに応用する概念を提示している。MQTTプロトコルをベースにした非同期通信、高次元ベクトル空間におけるエージェント能力の表現、有向非巡回グラフによるタスク分解、そして一時的な自己組織化クラスターの形成という4つの核心的なアイデアを通じて、個々のAIモデルが専門性を発揮しながら協調動作する仕組みを実現する。しかし、この手法は埋め込みモデルの質に完全に依存するという根本的な限界も抱えており、AI研究が依然として古典的なベクトル空間表現の枠組みから抜け出せていない現実も浮き彫りにしている。
CERNが提示する新しいマルチAIエージェントシステム
こんにちは、コミュニティの皆さん。戻ってきてくれて本当に嬉しいです。今日は美しい新しいAI研究論文、マルチAIエージェントシステムを構築する新しい方法についてお話しします。そして今日の論文はCERNからのものですので、見ていきましょう。
私たちは、AIの未来は超知能だと言われています。MetaやFacebookやGoldのようなものだと。でも知っていますか?もしかしたらこれらすべてが単純に間違っているかもしれません。すべてが誤りかもしれないのです。そして、粒子物理学が私たちがこれを理解するのを助けてくれるかもしれません。では始めましょう。
AIの次なる飛躍は、ある天才や天才的なモデル、例えばGPT-5.1やGemini 3のようなものによってもたらされるわけではないかもしれません。それは完全に異なる何かかもしれません。そしてあなたは「それは何だろう?」と言うかもしれません。
さあ、想像してみてください。これは私の前回の動画からのものですが、エージェントがエージェントを上書きし、エージェントがエージェントを上書きしています。そしてDeepSeekがここであなたのGemini 2.0 Flashを38.2%の割合で上書きできることがわかります。これらすべてのモデルを持っていて、しかもこれらすべてのモデルが特定のドメインの専門家モデルであり、それらを組み合わせることができると想像してみてください。それらは協調して動作します。彼らは協力し合うのです。想像してみてください。私たちが何を構築できるか。なぜなら、自然界、例えばアリのコロニーを考えてみてください。
アリのコロニーは、単一のアリにとっては不可能なほど複雑な問題を解決できます。あまりにも複雑すぎるのです。しかし一緒になれば解決できます。あるいは、カオスを見てみましょう。カオス理論、数学的カオス理論です。それはどのようにして知的な協働を生み出すのでしょうか?
生物学的システムから学ぶAIアーキテクチャ
例を挙げましょう。今日は奇妙なことをしましょう。新しいことをしましょう。体内のタンパク質を見てみましょう。あなたの体には何十億もの小さな機械があります。それらをタンパク質と呼びましょう。しかし、タンパク質を構築するためのオーケストレーターエージェントのような、脳のような単一の存在はありません。
想像してみてください。あなたの体がここで特定の傷を治癒する必要があるとします。高度に特異的で複雑な一連の出来事が、あなたの体内で完璧に調整され、あなたはそれに気づいてさえいません。そしてここでアイデアが生まれます。類似したAI構成を見つけられたらどうでしょうか?
何が起こるかというと、あなたの体から信号が発信されます。そして適切な作業者、適切な酵素がここに現れます。適切な場所、つまり傷がある場所に、適切なタイミングで。そして彼らは何百万もの他の分子を無視して、この特定の場所、この特定の時間に必要な正確なパートナーを見つけるのです。
こうして彼らは今、特定の化学複合体のための一時的な組立ラインを形成します。彼らは出血を止めるという正確な仕事を実行し、そしてカオスに戻って解体されます。これをAIで実現できると想像してみてください。では見ていきましょう。もしかしたらできるかもしれません。
そしてこれが今日の論文です。CERNからの「Federation of Agents: A Semantic Aware Communication Fabric for Large Scale Agentic AI」、2025年9月24日付けです。
あなたは「ちょっと待って、MCPモデルコンテキストプロトコルがあるじゃないか」と言うかもしれません。はい、それは1対全ツール使用プロトコルです。そして、もう少し組み合わせることもできますが、それだけです。そして「わかった、でもGoogleにはAgent-to-Agentがある」と言うでしょう。これは素晴らしいですが、より複雑な通信プロトコルが必要です。これらのツール層の上に何かが必要です。なぜなら、これらの層は何でしょうか?MCPとA2Aです。
はい、でもそれは多かれ少なかれ、彼らが持っているキーワードや構造的なマッチングです。ですから、次のステップに進みたいのです。MCPとA2Aを使用できる、より複雑な自己組織化モデルに進みたいのですが、複雑さの次のステップは何でしょうか?
MQTTプロトコルの導入
まず最初に、はい、もちろん新しい通信プロトコルが必要です。そして、マルチエージェント分散システムにはすでにMQTT、メッセージキューイングテレメトリトランスポートがあります。シームレスな運用があり、もちろんMCPでもHTTPの同期制約を置き換えるMQTTがあります。今、非同期システムになっています。
そしてあなたはよく知っています。これは技術用語でしたが、「おい、私たちは人間の細胞について話していたじゃないか」と言うかもしれません。そうです、もちろん、原理的な理解に戻りましょう。AIの次世代とは何でしょうか。
細胞では、タンパク質は特定の名札のようなものを探すことで、ただパートナーを見つけるわけではありません。MCPのようにではなく。分子結合を通じてそれを見つけます。そして何だと思いますか?そのユニークで複雑な三次元形状により、このプロトン分子は、他の化学化合物と非常に特異的な方法で物理的に適合することができます。そして一緒に、彼らははるかに美しい何かを形成します。
ですから、自然界では、もし望むなら、私たちの分子要素の形状、ここでの形状が能力の言語なのです。そして今、あなたは「AIエージェントのデジタル形状とは何か?」と言うかもしれません。
さて、何だと思いますか。答えがあります。それは能力ベクトルです。しかしそれは美しい高次元の能力ベクトルです。それはもはやいくつかの単純なアイデアに基づいていません。見てみましょう。
高次元能力ベクトルの構築
各エージェントはここでモデル仕様に関連付けられています。ああ、これはすでにMCPから知っています。しかし今、私たちは複数のステップ前進します。仕様があります。これはここにリストされているドキュメントです。エージェントの目標、エージェントのツール、エージェントのリソース、適用される特定のルール、原則、倫理など。そして突然、膨大な量のコンテキストデータが得られます。
仕様は通常、ここでハイレベルな命令と、特定の言葉を避ける、緊急事態を報告する、プライバシーを尊重するなど、詳細な「やるべきこと」と「やってはいけないこと」を組み合わせます。そして今、これを自律システムとして持ちたいのです。全く問題ありません。
あなたは「いや」と言うかもしれません。そしてあなたは「でも待って、古典的なマルチエージェントシステムから私たちが知っていること、オーケストレーターエージェントがここで他のエージェントを見つけて良いと判断し、それがシートに書かれている。『ねえ、私は医療記録の要約が得意です』と」と言うかもしれません。
しかしこれは、エージェントが引用をハルシネートしたり、警告的な言葉を使用したり、明示的にプログラムされていない場合に個人識別情報を漏洩したりしないという保証にはなりません。ですから、この特定のエージェントは「医療記録を要約できる」と言っていますが、信頼や省エネルギーやプライバシーなど、他にも多くの問題があります。
これらすべてに関する情報があると想像してみてください。はい、絶対にです。だから今ここで能力ベクトルを持つベクトル空間を構築します。これはここで完全なエージェント状態をエンコードしています。これらすべてのパラメータを持つ高次元の数学的ベクトル空間があり、はい、これらのパラメータに基づいて最適化式を構築するため、それぞれすべてが必要になります。
最初のものは簡単です。これが能力です。能力は私たちに「能力は何か」を教えてくれます。そしてもちろん、それをベクトル空間にマッピングする必要があります。したがって、ここでエージェントのコアコンピテンシーを説明する密な能力埋め込みを得ます。そしてもちろん、これはLLMによって行われます。
それから、離散スキルのためのブルームフィルターがあります。そして、レコード要件とサービス品質保証があります。そして、規制やセキュリティラベルのようなポリシー準拠フラグのパラメータがあります。それから別の非常に興味深いものが来ます。仕様埋め込みです。
これは、まさにこの仕様ファイルについて話していることです。エージェント仕様とバージョンカウンターなどの表現です。そしてこれは今、高次元ベクトル空間です。能力埋め込みベクトルは、事前学習された言語モデルを通じて、エージェント能力の自然言語記述をフィードすることによって生成されます。
あなたはこれに精通していて、至る所でブロードキャストしています。もしこれを望むなら、ここでこのClaude 4 Sonnetに美しい要約を書いてもらいます。これが必要です。そうでなければ、これをLaTeXでコーディングしなければならないでしょうし、GPT-5をここで助けとして使用して、これを美しい数学的記法であなたのために書いてもらいたいのです。
ですから、オーケストレーティングエージェントは、単に「町で最高の放射線科エージェントは誰か」と尋ねるのではなく、「慎重さや正直さの原則を体現し、特定のコードで患者のプライバシー問題を尊重している最高の放射線科エージェントは誰か」と尋ねます。
特定のエージェントに対して、はるかに多くのコンテキスト情報があります。おそらく、他のマルチエージェントシステムに統合されているエージェントからのフィードバックがあり、アイデアが得られます。ですから、本当にここで新しい数学的ベクトル空間に複雑な構造を構築しています。
このベクトル空間では、機能的形状、行動的形状、またはポリシーとリソースベクトル形状のサブスペースを分割できます。これで遊ぶことができます。そして今、私たちが単純にやりたいことは、はい、もちろんベクトル空間があり、ここでインデックス、私たちのナビゲート可能なスモールワールドインデックスを構築します。
デジタル形状が今、実際の化学構築物、タンパク質構造、クラスターのように、最も密接で最も互換性のある結合親和性を持つエージェントを見つけたいのです。ですから、これは今、はるかに深く、はるかに微妙なマッチメイキングの形式であり、それは生命の論理に非常に似ています。CERNからの何と素晴らしいアイデアでしょう。
有向非巡回グラフ構造の実装
2番目の部分はもちろん、有向非巡回グラフ構造を構築する必要があるということです。なぜなら、自然界では複雑なプロジェクトは段階的に実行され、マルチエージェントシステムのオーケストレーティングエージェントからの一枚岩的な計画としてではないからです。
これらのシステムは互いに遊び、実験します。「うまくいくか?」「これは機能するか?」そしてそれをシステムに組み込みましょう。なぜなら、細胞は複雑なホルモンを一度にゼロから構築しないことをご存知でしょう。それはここで母なる自然がここで使用する代謝経路を使用します。
分子1が酵素などによって分子2に変換され、次に分子2がここで酵素によって使用されて分子3を作成します。そして、ここで経路を構築していることがわかります。これがAIで今やりたいことと同じです。フィードバックループを並列で実行できますが、アイデアは母なる自然から来ています。
もちろん必要なのは、「複雑さをバイブコーディングで減らさなければならない」と言うでしょう。絶対に、絶対にそうです。これは有向非巡回グラフへの動的タスク分解です。素晴らしい。ここでの興味深いアプローチは異なります。オーケストレーターはそれをやっていません。
オーケストレーターは、「私の周りにはこんなに多くの知的エージェントがいるから、彼らに遊ばせよう」と言っているだけです。それはこのシステムの触媒のように作用します。オーケストレーターエージェントはここで協調的分解を開始し、複数のエージェント、私たちの酵素分子を思い出してください、ここで最も効率的な経路を提案します。
システムはここで最高の酵素、つまり経路の各ステップに最も高い結合親和性を持つエージェントを割り当てます。これはどのように行われるのでしょうか?オーケストレーティングエージェント、またはエージェントゼロ、何と呼びたいものでも、ここでタスクの記述をセマンティック空間に埋め込みます。これについては後ほど詳しく説明します。
そして、ここで協調計画ルーチンを開始します。ここで今、複数の10、20、50、100の特化したエージェントが、ドメインの専門知識に基づいて、クエリの複雑さの複雑性の候補分解を提案します。
これは素晴らしいです。専門家エージェントのプールがあり、すべてのエージェント、GPT-5システムがあるかもしれないし、Opusシステムがあるかもしれない、何でも独自のアイデアを持っており、より多くのアイデアがあればあるほど良いです。なぜなら、各互換性のあるエージェントは今、提案を返すからです。
提案は、複数の低い複雑性に分解されたサブタスクのセットと、これらの間の依存関係のセットで構成されています。有向非巡回グラフがあり、これらのエージェントのこの視点はここで合意された有向非巡回グラフに統合され、頂点はここで低い複雑性のサブタスクノードを表し、エッジは私たちが持っている実行依存関係をエンコードします。
この美しい知性の行為が、エージェントゼロがここで最適化グラフを構築することを可能にします。もちろん、数学的最適化手順です。有向非巡回グラフがそのノードとともに存在し、複数のサブタスクを表し、それらを実行する必要があり、オーケストレーターは今、各サブタスクに最適なエージェントを割り当てなければなりません。
最適化式による決定的アプローチ
では、これはどのように行われるのでしょうか?あなたのママは本当に複雑な高次元ベクトル埋め込みを構築するでしょう。そしてこれがまさに私たちが今ここで直面する次の最適化問題に使用しようとしているものです。そして再びここでGPT-5がとても親切で、ここですべての上付き文字と下付き文字とすべてを書いてくれました。
何を言っているのでしょうか。聞いてください、私たちはAIで行くのではなく、ルールがあり、これに対する決定的アプローチがあります。セマンティックアラインメント、ポリシー準拠、リソースギャップペナルティ、特定の埋め込みマッチのような4つの補完的な高次元サブスペースがあります。
そしてこれが今の私たちの式です。これが今の最適化です。では見てみましょう。最初は、能力の2つのセマンティックアラインメント間の類似性です。これがエージェント能力埋め込みCAサブjであることを思い出してください。そしてここにクエリ埋め込みがあります。それから特定のエージェント埋め込み類似性、コサイン類似度があります。
これには精通しているでしょう。それからここにポリシー準拠を強制する指示関数があり、0と1です。理解しましたね。それからリソースギャップの単調なペナルティがあります。特定のレイテンシ要件を持ちたい場合や、通信の帯域幅が制限されている場合、または利用可能なメモリが限られている場合を考えてみましょう。
これを指定すると、単に「緑のチェックマークか、すべてが完璧に適合しているか、あるいはこのレイテンシ要件を達成できないと言わなければならない要素があるか」をチェックします。素晴らしい。そしてもちろん、L2正規化を使用した仕様埋め込みの別のコサイン類似度がありますが、これは特別なことではありませんが、正確に今ここで決定論的式を構成していることがわかります。
これにより、最適化問題を持つことが可能になります。オーケストレーターはこれらの能力スコアを具体的な実行計画に変換します。今、計画がありますが、この計画は古典的なマルチエージェントシステムのような中央オーケストレーターエージェントによるものではなく、制約最適化トピックを通じてエージェントの完全なコミュニティの作業です。
元の論文でこれを見たい場合は、人間がシステムに対して複雑なタスクを持っています。オーケストレーターはこれを見て、「これをどうしたらいいんだ」と言い、「わかった、複雑さをサブタスク125に分解しなければならない。チェックを実行し、改善を提案し、コードを抽出し、ドキュメント文字列を書くなど」と言います。
それから埋め込みを見つけ、100のエージェントがいるとしましょう。そして「わかった、埋め込みに基づいて、見てみよう。ここでコサイン類似度を使ってみよう。エージェントのどれが記述やエージェントの自己記述から良い適合性を持っているか」と言います。
ここでエージェントDが0.73を持っていることがわかります。だから何だと思いますか?サブタスク1の場合、最初のアイデアはエージェントDを使用することです。なぜなら、他のものはこの特定のサブタスク1のための自己記述タスクに実際には適合していないからです。理解しましたか?問題ありません。
類似性、コスト、レイテンシ要件、ポリシー制約、セキュリティなどを使用して、各サブタスクを最も互換性のあるエージェントに割り当てます。そして今、美しさが来ます。エージェントの組み合わせです。なぜなら、これは数学的最適化問題だからです。DとEを一緒に組み合わせると、他のどの組み合わせで実行するよりも良い最適化が得られることがわかるかもしれません。
自然について考えてください。同じことです。最も強力なツールは単一の分子ではなく、あなたのために仕事をする一時的な自己組織化分子化合物を構築できることです。そして仕事が終わったらすぐにカオスに解体されますが、プロトンポンプや細胞拡散プロセスとして、これらの複雑な構成が必要なのはほんの一時的かもしれません。
スマートクラスタリングと一時的自己組織化チーム
これはとても素晴らしいアイデアです。一時的な自己組織化チームです。そして今、私たちのAIシステムに対して同じことをします。多くのタンパク質は、複数の個々のサブユニットが集まって特定の構造を形成する場合にのみ機能的になります。
例えば、血液中のヘモグロビンは4つのタンパク質鎖でできています。それらを個別に見るだけでは、ほとんど何もしませんが、一緒になると、私たちが仕事に必要なまさにその機械を形成し、酸素を放出します。
これが、私たちのスマートクラスタリングのための生物学的並列処理です。そしてこれが、ベクトル表現の後、有向非巡回グラフの後の3番目のイノベーションです。今、3番目はスマートクラスタリングで、私はすでに説明しました。
それは単純に一時的で高度に機能的な複合体への自己組織化を促進します。クラスターと呼ぶことも、分子化合物と呼ぶこともできます。そしてこの化合物またはこの部屋の中に、4つのエージェントを部屋に、この分子化合物に入れます。
そしてこの部屋で、「聞いてください、私の小さなエージェントたち、あなたたちのためのルールがあります。特定のプロトコルで通信しなければなりません。あなたの洞察を共有しなければなりません。あなたが考えていること、あなたの推論のトレースを共有しなければなりません。だから複数ラウンドの改善を実行してください。あなたたちは仕事のための最高の4つのエージェントだからこの部屋にいるだけではありません」と言います。
「私はあなたたちにさらに自分自身を最適化してほしいのです。改善の2、5、10ラウンドを持つように。だから、カオスに再び解体される前に、この美しい機械機能をさらに微調整したいのです。ですから、正式な通信プロトコルを課し、ブロードキャストがあり、批評があり、更新があり、ソリューション共有があり、何か重要なことがあって合意がない場合は、多数決投票を持つことができます。何でも望むものを」。
継続的な改善プロセス、そしてこれです。これが今、エージェントの連携です。これが今、もちろんモデルコンテキストプロトコル、GoogleによるAgent-to-Agentの上に構築された新しいマルチエージェントシステムであり、今これが次の層です。
彼らは「完全に自律的であり、もし望むなら自己最適化している」と言っています。私があなたに示した原則として、分子結合、代謝経路、自己組織化タンパク質複合体があり、私たちはこれらのアイデアを変換しました。つまり、このビデオを準備する際にこれを行いましたが、正式な計算フレームワークに、CERNによって発表された論文とCERNの著者たちによって。
ですから、時には計算科学の複雑さを取り上げて、生物学へのマッピングを試み、「前進する道は何か」を理解しようとするのは楽しいことです。同じパターンに固執する必要はありません。より大きな機械を構築し、機械をスケールアップし、さらにスケールアップするだけではありません。
さあ、楽しみましょう。脳を使いましょう。類推をしましょう。ただ遊びましょう。なぜなら、私たちは人工知能システムとして生きた適応的エコシステムを持ちたいのであって、単なる事前に決定されたテンプレートベースのシステムではないからです。
システムの根本的な限界
そしてこれらすべてを見て、あなたはもし私のチャンネルの購読者なら、「また?冗談ですか?」と言うかもしれません。いいえ、これは私たちが毎日AIで使用する同じトリックです。それは私たちが遭遇する複雑さを分解することです。なぜなら、私たちのLLMやVLM、VLAシステム、大規模推論システムは、実際の複雑さを処理できないからです。
だから私たちはそれを分解しなければなりません。サブタスクを構築しなければなりません。サブユニットを構築しなければなりません。それから最適化クラスターを見つけなければなりません。それからクラスターを最適化し、改良します。それは常にAIがまだそこに到達していないからです。
だから私たちは常に、高い複雑性を複数の低い複雑性に構成しなければならず、これが許されることを願い、指を交差させます。なぜなら、分離できない問題があるからです。
小さな問題について話しています。あなたは今、「ちょっと待って、だからすべてが今再び100年前の古典的な古いRACシステムのように、ベクトル空間にあるのか」と尋ねるかもしれません。はい、その通りです。しかしあなたは、「ちょっと待って、これは通常のセマンティックに構築されたベクトル空間ではありえない」と言うかもしれません。
いいえ、なぜなら、これは今、複雑性の理解、セマンティックでもちろん言語的理解を持つベクトル空間だからです。それはクロスドメインです。そして、はい、でも著者は、「聞いてください、私たちには今新しい埋め込みシステムを構築するお金がありません」と言いました。
だから私たちがすることは、誰かがすでに数億ドルを投資した1つの数学的ベクトル空間のために利用可能な1つの埋め込みシステムを使用するだけです。OpenAI Text Embedding Adaを使うことができますし、Nomic Embedシステム、オープンソースの文埋め込みモデルを使うこともできます。
「何だって、トランスフォーマーのエンコーダ部分だけ?」と言うでしょう。はい、これと同じくらい単純です。AIには隠された複雑さはありません。AIを構築するためのレシピは1つしかありません。
ベクトル空間表現と複雑な数学空間に再び焦点を当てるこの設計選択は、再びシステムの最大の強みです。なぜなら、これに各エージェントのより多くのコンテキストデータを入れて、より良いマッチング手順を持つことができるからです。
しかし、それはまたその最も重要な脆弱性でもあります。なぜなら、分子生物学や医学や物理学や化学などの特定のトピックに取り組んでいて、これが1年前や2年前にこのベクトル空間を構築したときにベクトル空間にエンコードされていなかったと想像してください。
数か月前に発見されたばかりの新しい技術用語や新しい技術的方法、洞察があると想像してください。これらのベクトル空間の構成には見つかりません。だから、ああ、そうです。古い古典的なRACシステムで遭遇した問題に戻りました。
わかりました。つまり、このビデオで見たこの完全なシステム、このシステム全体の効率性は、基礎となる数学的埋め込みモデルの品質に完全に依存しているということです。完全に。
この埋め込みモデルにバイアス、盲点、含まれていないトピックがある場合、特定の生物工学ドメイン知識や法律や金融のいくつかの技術的なニュアンスを理解していない場合。
クエリタスクに対するエージェントのマッチメイキングは、友好的に言えば、最適ではないでしょう。つまり、システムは2つの非常に異なる法務エージェントが同じだと考えるかもしれません。なぜなら、用語を把握していないからです。
だから、私たちがすることは、この新しいエージェントの連携の知性を事前学習された埋め込みモデルに部分的にアウトソースすることです。そしてあなたは「これは笑える。私たちは100年前、埋め込みベクトルの複雑さとコサイン類似度の発見、イプシロン環境の構築、言語的類似性をベクトルイプシロン近接類似性にマッピングしたい数学空間の構築に戻っている」と言うかもしれません。
はい、私たちは依然としてAIの最初のアイデアに戻っています。そして、それがあります。最新の2025年9月24日、CERNによるFederation of Agents、ヨーロッパのスイスにある粒子物理学のための私たちの美しい研究所。
そして私はただあなたに見せたかったのです。AIの最新研究論文でとても楽しむことができます。そして、彼らが何をしているかを見ると、彼らが使用する技術用語と彼らがあなたに提示するコードの複雑さについて少し批判的に見ると、「主なインサイトは何か?」と。
私たちが常に同じアイデアで料理していることに驚かされるでしょう。楽しんでいただけたことを願っています。もしかしたら購読してくれるかもしれません。それでは次の動画でお会いしましょう。
コメント