Nytt ramverk låter AI-agenter 'bjuda' på uppgifter via auktioner
Forskare har byggt Agora, ett system där olika AI-modeller konkurrerar om att lösa deluppgifter genom en auktionsmekanism – tanken är att rätt modell ska ta rätt uppgift, inte bara den som råkar vara närmast till hands. Systemet utvärderades på fem olika test och slog jämförbara metoder på balansen mellan kostnad och kvalitet. Det smarta är att en enda inställningsparameter styr hela avvägningen mellan hur bra och hur dyrt resultatet blir.
Djupdykning
De flesta AI-system idag väljer verktyg och expertmodeller ungefär som en dålig chef delegerar – baserat på jobbeskrivningen, inte faktisk förmåga. Agora vänder på det genom att låta modellerna *buda* på uppgifter, där priset de är villiga att betala reflekterar hur säkra de faktiskt är på att klara jobbet (det "rectified competence"-begreppet handlar just om att korrigera för överdriven självförtroende, ett känt problem hos LLMs). Auktionsmekanismen är "incentive-compatible", vilket i spelteori betyder att det rationella draget för varje budgivare är att vara ärlig – du tjänar inget på att överdriva din kompetens. Det intressanta med att exponera en enda auktionsparameter för cost-quality-avvägningen är att det ger en ratt som faktiskt är meningsfull: dra åt ena hållet för billigare men sämre, åt andra för dyrare men skarpare, utan att behöva förstå hela systemet. Det de flesta missar i rapporteringen om multi-agent-system är att koordinationsproblemet länge har ignorerats – alla jublar över att fler modeller samarbetar, men ingen frågar vem som bestämmer vem som gör vad och varför. Agora lånar lösningen från ekonomin, inte från datavetenskap, vilket är precis det sorts tvärvetenskapliga tänk som brukar bli bestående.