ABSTRAL: Automatisk design av multi-agent-system genom iterativ förbättring
Forskare har utvecklat ABSTRAL, ett system som automatiskt designar multi-agent-system (flera AI-agenter som samarbetar) genom att beskriva arkitekturen i vanlig text som sedan förbättras stegvis. Systemet når 70% framgång på bankuppgifter och visar att designkunskap kan överföras mellan olika domäner. Multi-agent-system uppnår bara 26% effektivitet jämfört med enskilda agenter på grund av koordinationskostnader, men hittar ändå bättre sätt att dela upp komplexa uppgifter.
Djupdykning
ABSTRAL visar hur AI-agenter kan lära sig att organisera sig själva bättre genom att skriva och revidera sina egna "handböcker" för hur de ska arbeta tillsammans. Forskarna har upptäckt att när flera AI-agenter försöker lösa problem tillsammans så slösar de bort 74% av sin tid på koordinering - som när människor i ett projekt spenderar mer tid på möten än faktiskt arbete. Det intressanta är att systemet kan överföra sina lärdomar mellan olika områden, ungefär som en erfaren projektledare som kan applicera sina organisationskunskaper på nya typer av projekt. Kanske mest fascinerande är att ABSTRAL kan upptäcka helt nya specialistroller som ingen människa programmerat in från början - systemet lär sig att vissa uppgifter kräver helt nya typer av experter. Nyckelinsikt: AI-system börjar lära sig att självorganisera och dokumentera sina egna "företagskulturer", vilket kan revolutionera hur vi bygger komplexa AI-team.