Improving Coherence and Persistence in Agentic AI for System Optimization
Das Paper stellt Engram vor, eine Agenten-Architektur, die durch die Entkopplung langfristiger Exploration von einzelnen Kontextfenstern und die Nutzung eines persistenten Archivs mit Forschungs-Digests die Kohärenz und Persistenz bei der Optimierung von Systemheuristiken durch KI-Agenten verbessert.
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 vor, Sie versuchen, den perfekten Kochrezept für ein komplexes Gericht zu erfinden – sagen wir, eine Suppe, die nicht nur lecker ist, sondern auch in genau 10 Minuten fertig wird und unter 5 Euro kostet.
Das ist das, was Computer-Systeme tun müssen: Sie müssen Algorithmen (die „Rezepte") finden, die Daten so schnell und günstig wie möglich durch das Internet oder Cloud-Server leiten.
Bisher haben wir versucht, Künstliche Intelligenz (KI) zu nutzen, um diese Rezepte automatisch zu finden. Aber die KI hatte zwei große Probleme:
- Der „Nachbarschafts-Effekt": Die KI probierte immer nur kleine Änderungen an einem bestehenden Rezept aus. Wenn das alte Rezept schlecht war, blieb sie stecken und fand nie die wirklich geniale Lösung. Sie war wie ein Koch, der immer nur ein bisschen mehr Salz in die gleiche Suppe gibt, anstatt zu überlegen: „Vielleicht brauche ich gar keine Suppe, sondern einen Salat?"
- Das „Gedächtnis-Problem": Wenn die KI zu lange an einem Problem arbeitete, vergaß sie, was sie vorher gelernt hatte. Oder wenn sie einen neuen Versuch startete, wusste sie nichts von den Fehlern des alten Versuchs. Es war, als würde ein Koch nach jedem Versuch das ganze Buch mit seinen Notizen verbrennen und bei Null anfangen.
Die Lösung: Engram – Das Team von KI-Forschern
Die Forscher an der MIT haben eine neue Architektur namens Engram entwickelt. Statt einer einzelnen KI, die ewig an einem Problem nagt, haben sie ein Team von KI-Forschern geschaffen, die sich die Arbeit teilen.
Hier ist, wie es funktioniert, mit ein paar einfachen Bildern:
1. Der Forscher-Wechsel (Das Team-Prinzip)
Stellen Sie sich vor, Sie haben ein riesiges Puzzle.
- Forscher A arbeitet eine Weile daran. Er probiert Dinge aus, macht Fehler und lernt daraus.
- Bevor er müde wird oder das Puzzle „vergisst" (weil sein Gedächtnis voll ist), macht er eine Pause.
- Bevor er geht, schreibt er ein kurzes, prägnantes Notizbuch (den Research Digest). Darin steht nicht der ganze Code, sondern nur die wichtigen Erkenntnisse: „Versuch 1 war zu teuer. Versuch 2 hat funktioniert, aber war langsam. Der Schlüssel liegt in der Art, wie wir die Zutaten mischen."
- Dann kommt Forscher B. Er liest das Notizbuch, bekommt ein frisches, leeres Gehirn (ein neuer Kontext) und baut genau dort auf, wo Forscher A aufgehört hat. Er muss nicht alles neu erfinden.
2. Das Archiv (Die Bibliothek)
Neben dem Notizbuch gibt es eine riesige Bibliothek (das Archive). Dort lagern alle alten Versuche, die genauen Code-Schnappschüsse und die Logbücher. Wenn Forscher B etwas braucht, kann er in die Bibliothek gehen und sich genau die Datei holen, die er braucht, ohne dass sein eigenes Gedächtnis überladen wird.
3. Durchhalten bei Rückschlägen
Das Wichtigste an Engram ist die Ausdauer. Wenn ein Versuch scheitert und das Ergebnis schlechter wird (die Suppe schmeckt erst mal furchtbar), geben die anderen Forscher nicht auf. Sie lesen das Notizbuch, verstehen, warum es schiefging, und versuchen es mit einer anderen Strategie im selben Bereich weiter. Sie lassen sich nicht von einem schlechten Zwischenergebnis davon abhalten, das große Ziel zu erreichen.
Was hat das gebracht?
Die Forscher haben Engram an drei sehr schwierigen Aufgaben getestet:
- Daten im Internet verteilen: Wie bringt man große Datenmengen von einem Ort zu vielen anderen Orten am günstigsten? Engram fand einen Weg, der billiger war als alles, was menschliche Experten bisher entwickelt hatten.
- KI-Anfragen leiten: Wenn viele Leute gleichzeitig eine KI (wie ChatGPT) nutzen, wie verteilt man die Anfragen so, dass niemand warten muss? Engram fand eine Strategie, die schneller war als die besten menschlichen Lösungen.
- Datenbanken optimieren: Wie ordnet man Daten in einer Datenbank so an, dass die KI sie schneller lesen kann? Auch hier war Engram schneller und effizienter.
Zusammenfassung
Stellen Sie sich Engram nicht als einen einzelnen genialen Genie-Koch vor, sondern als eine perfekt organisierte Küchenbrigade. Jeder Koch macht einen Teil der Arbeit, hinterlässt klare Notizen für den Nächsten und nutzt eine Bibliothek mit allen bisherigen Rezepten.
Dadurch vermeiden sie, dass sie sich im Kreis drehen (wie bei den alten Methoden) oder das Wichtigste vergessen. Das Ergebnis sind Rezepte, die nicht nur gut sind, sondern oft besser als alles, was ein einzelner Mensch allein hätte erfinden können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.