Internet of Agentic AI: Incentive-Compatible Distributed Teaming and Workflow
Dieses Paper schlägt das „Internet of Agentic AI“ vor, ein dezentrales Framework, das es heterogenen autonomen Agenten ermöglicht, über Cloud- und Edge-Infrastrukturen hinweg dynamisch anreizkompatible Koalitionen zu bilden, um skalierbare, spezialisierte und wirtschaftlich rentable Workflows auszuführen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Künstliche Intelligenz nicht nur ein einziges, riesiges, allwissendes Gehirn ist, das in einem einzelnen Serverraum sitzt, sondern ein riesiges, globales Internet aus spezialisierten „KI-Arbeitern“. Dies ist die Vision, die in dem Paper „The Internet of Agentic AI“ vorgeschlagen wird.
Hier ist eine einfache Aufschlüsselung dessen, worum es in dem Paper geht, unter Verwendung alltäglicher Analogien.
1. Das Problem: Der „All-in-One“-Engpass
Derzeit sind die meisten fortgeschrittenen KI-Systeme wie eine riesige, monolithische Fabrik. Ein zentraler Chef (ein massives KI-Modell) versucht alles zu erledigen: planen, schlussfolgern, Fakten nachschlagen und Aufgaben ausführen.
- Das Problem: Diese Fabrik ist schwer zu erweitern. Wenn Sie eine neue Fähigkeit benötigen (wie eine spezifische medizinische Diagnose oder eine Prüfung von Rechtsverträgen), müssen Sie die gesamte Fabrik neu aufbauen oder darauf hoffen, dass der zentrale Chef dies bereits beherrscht. Das ist langsam, teuer und funktioniert nicht gut, wenn verschiedene Organisationen (wie ein Krankenhaus und eine Versicherung) zusammenarbeiten müssen, aber ihre internen „Chefs“ nicht teilen können.
2. Die Lösung: Die „KI-Gig-Economy“
Die Autoren schlagen ein neues System vor, das „Internet of Agentic AI“ genannt wird. Betrachten Sie dies nicht als eine Fabrik, sondern als eine Plattform für die Gig-Economy (ähnlich wie ein superfortgeschrittenes Uber oder Upwork für KI).
- Die Arbeiter: Anstatt eines großen Gehirns gibt es Tausende kleiner, spezialisierter KI-Agenten. Einige sind großartig darin, Handschriften zu lesen (OCR), einige sind Experten für Röntgenbilder und andere sind gut darin, Versicherungsrichtlinien zu prüfen. Sie leben auf verschiedenen Computern (einige in der „Cloud“, andere auf lokalen „Edge“-Geräten).
- Der Job: Wenn eine komplexe Aufgabe eingeht (z. B. „Diagnostizieren Sie diesen Patienten und arrangieren Sie seine Behandlung“), kann kein einzelner Agent sie allein bewältigen.
- Das Teamwork: Das System findet automatisch die richtige Mischung aus Arbeitern und bildet ein temporäres Team (Koalition) nur für diesen einen Job. Sobald der Job erledigt ist, löst sich das Team auf und die Arbeiter gehen zurück in die Warteschleife für den nächsten Auftrag.
3. Die Herausforderung: Dass sie sich einig werden (Anreize)
Der schwierigste Teil ist nicht nur, die Arbeiter zu finden, sondern sicherzustellen, dass sie auch wollen, zusammenzuarbeiten.
- Die Kosten: Jeder KI-Agent kostet Geld (Strom, Rechenleistung) und benötigt Zeit für die Kommunikation mit anderen.
- Die Belohnung: Der Job zahlt eine Belohnung (Geld oder Wert).
- Die Regel: Das Paper führt eine Regel namens „Incentive Compatibility“ (Anreizkompatibilität) ein. Dies ist eine schicke Art zu sagen: „Das System muss so gestaltet sein, dass jeder Arbeiter mehr Geld verdient, indem er dem Team beitritt, als wenn er zu Hause bleibt oder versucht, den Job alleine zu erledigen.“
- Der Machbarkeitscheck: Bevor ein Team gebildet wird, führt das System eine mathematische Prüfung durch, um sicherzustellen:
- Das Team tatsächlich über die Fähigkeiten für den Job verfügt.
- Das Team nah genug beieinander liegt (im Netzwerk), um schnell miteinander zu kommunizieren.
- Die Gesamtbelohnung groß genug ist, um alle Kosten zu decken und einen Gewinn zu hinterlassen.
4. Wie es funktioniert: Der „Scout“-Algorithmus
Das Paper schlägt einen smarten Algorithmus vor, um das beste Team zu finden.
- Der Scout: Stellen Sie sich einen „Scout“-Agenten am Anfang des Jobs vor. Er schaut in seiner unmittelbaren Umgebung (1 Hop entfernt) nach, ob ein Team gebildet werden kann.
- Die Suche ausweiten: Wenn in der Nähe kein Team gefunden wird, erweitert der Scout seinen Suchradius (2 Hops, dann 3 Hops usw.), bis er eine Gruppe findet, die den Job erledigen kann.
- Das Ziel: Der Algorithmus versucht, das günstigste und effizienteste Team zu finden, das den Job noch ausführen kann. Er greift nicht einfach nach jedem; er berechnet den erforderlichen „Aufwand“ und wählt die Kombination, die Verschwendung minimiert und gleichzeitig die Erfolgschance maximiert.
5. Praxisbeispiel: Das Gesundheitswesen
Das Paper nutzt ein Szenario aus dem Gesundheitswesen, um zu zeigen, wie dies funktioniert:
- Der Patient: Ein Patient betritt eine kleine Klinik (Knoten A). Die Klinik verfügt über grundlegende Werkzeuge, kann aber keine komplexen Gehirnscans durchführen oder Versicherungsregeln prüfen.
- Die Koalition:
- Knoten A (Klinik) digitalisiert die handschriftlichen Notizen des Patienten.
- Kknoten B (Bildgebungszentrum) analysiert die Röntgenbilder.
- Knoten C (Fachkrankenhaus) stellt die Diagnose.
- Knoten D (Versicherung) prüft, ob die Behandlung abgedeckt ist.
- Knoten E (Telemedizin) erklärt dem Patienten den Plan.
- Das Ergebnis: Diese fünf verschiedenen Institutionen, die normalerweise nicht miteinander kommunizieren, bilden ein temporäres „virtuelles Krankenhaus“ nur für diesen einen Patienten. Sie geben Daten aneinander weiter, werden für ihren spezifischen Teil der Arbeit bezahlt und der Patient erhält eine vollständige Lösung.
6. Die „Schicht“ über dem System
Die Autoren merken an, dass dieses System aktuelle KI-Tools (wie das Model Context Protocol oder MCP, ein Standard dafür, wie KI mit Tools kommuniziert) nicht ersetzt. Stattdessen fungiert es als eine Management-Schicht darüber.
- Betrachten Sie MCP als die Telefonleitungen, die es Agenten ermöglichen, miteinander zu sprechen.
- Dieses neue Framework ist der Dispatcher, der entscheidet, wen man anruft, wann man sie ruft und wie viel man ihnen bezahlt, noch bevor das Gespräch überhaupt beginnt.
Zusammenfassung
Das Paper argumentiert, dass wir, um KI wirklich skalierbar und nützlich für komplexe reale Probleme zu machen, aufhören müssen, zu versuchen, ein einziges riesiges KI-Gehirn zu bauen. Stattdessen sollten wir ein Internet aus spezialisierten KI-Agenten aufbauen, die sich dynamisch zusammenschließen, fair bezahlt werden und Probleme gemeinsam lösen können, genau wie eine gut organisierte Gruppe von Freiberuflern. Das Paper liefert die mathematischen Regeln und Algorithmen, um sicherzustellen, dass diese Teams effizient gebildet werden und dabei keinen Verlust machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.