中国・MS研究チーム、AI最適化フレームワーク「Arbor」を開発

中国人民大学とマイクロソフトリサーチの研究者チームが、AIシステムの自律的な改善を支援する新しいフレームワーク「Arbor」を開発した。同フレームワークは、AIエージェントが試行錯誤を繰り返しながら学習する「自律最適化（AO）」と呼ばれる手法を、より効率的に実現するために設計されている。実際のエンジニアリングタスクを用いた検証では、同じ計算リソースの予算内でArbor標準的なAIコーディングエージェントの2.5倍以上の、検証可能なパフォーマンス向上を達成した。

自律最適化とは、AIエージェントが機械学習コードやデータ処理パイプラインといった「改善対象」を与えられ、人間が逐一指示しなくても実験と結果のフィードバックを繰り返しながら自力で改良を積み重ねるプロセスを指す。このアプローチはソフトウェアの継続的改善を自動化できる点で注目されているが、既存のエージェントには大きな構造的欠陥があった。各試行が独立して処理されるため、過去の実験から得た知見が次の試行に引き継がれないのだ。論文の共著者であるJiajie Jin氏は「自動化によってAIを長時間動かし続けることはできるが、ループが続くことは必ずしも進歩を意味しない」と述べている。

Arborはこの課題を、仮説・実験・得られた知見を「ツリー構造」（木構造）で管理することで解決する。ツリー構造とは、情報を枝分かれしながら階層的に整理するデータの組み方で、過去の失敗と成功の履歴を体系的に保持できる。これにより、エージェントは以前の試みを参照しながら次の改善策を立案できるようになり、同じ失敗を繰り返すことなく、学習が積み重なっていく。これまでのエージェントが「各試行をばらばらに処理する」構造だったのに対し、Arborは経験を蓄積できる構造を初めて体系的に提供する点が新しい。

この仕組みが特に重要になる場面の一つが、企業向けAIシステムの運用だ。たとえば、社内文書を検索して従業員の質問に答えるAIエージェントを開発・運用する場合、開発段階ではうまく動いても本番環境で誤った情報を出力したり、重要な制約条件を無視したりする問題が起きやすい。こうした問題を修正するには、文書の分割方法・検索ロジック・システムへの指示文を同時に調整する必要があり、どの変更が改善に貢献したのかを特定することが難しかった。Arborのツリー構造による管理は、こうした複合的な調整の効果を追跡しやすくする。

研究チームは、Arborが企業のAIシステムにおける継続的改善の自動化に直接応用できると説明している。現在のAI開発において、システムの性能改善は多くの場合エンジニアによる手動の試行錯誤に依存している。Arborのようなフレームワークが実用化されれば、その工程の一部を自動化できる可能性がある。ただし、今回公開されているのは研究段階の成果であり、実際の製品・サービスへの搭載に関する詳細は現時点では明らかにされていない。