A Layered Protocol Architecture for the Internet of Agents
個々の大規模言語モデルの限界と、意味論的な協調に対する既存のネットワークスタックの不十分さを解決するため、本論文では、標準化された相互作用のためのエージェント通信層（L8）と、コンテキストの交渉、グラウンディング、および合意形成のためのエージェント意味論層（L9）という2つの新しいレイヤーを備えた、スケーラブルで分散型のマルチエージェントシステムを可能にする新しい「エージェントのインターネット」アーキテクチャを提案する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
大きな問題：エージェントは会話しているが、理解していない
想像してみてください。あなたは、フライトの予約やサプライチェーンの管理といった複雑な業務をこなすことができる、非常にスマートで非常に高速なロボット（AIエージェント）のチームを所有しています。彼らは、ほぼあらゆることを読み書きできる超スマートな脳である「大規模言語モデル（LLM）」によって動かされています。
しかし、これらのロボットには大きな欠陥があります。それは、文法には長けているが、文脈（コンテキスト）には極めて弱いということです。
現在、もしロボットAがロボットBに「ニューヨークへのチケットを予約して」と頼んだ場合、ロボットBは次のような行動をとる可能性があります。
- 推測する： ユーザーがニューアークを意図していたのに、JFK空港へのフライトを予約してしまう。
- 足止めする： 「どのニューヨークですか？ 日付は？」と聞き返す（これは時間とコストの無駄になります）。
- 失敗する： リクエストが曖昧すぎるため、諦めてしまう。
この論文は、現在のインターネットのルール（TCP/IPなど）はデータを移動させるためのもの（手紙を送るようなもの）であり、意味を移動させるためのもの（会話を理解するようなもの）ではないと主張しています。エージェント同士が推測することなく、完璧に理解し合えるようにするための、新しい一連のルールが必要です。
解決策：「エージェントのインターネット（IoA）」
著者らは、現在のインターネットスタックの上に新しい「フロア」を構築することを提案しています。これを**「エージェントのインターネット（Internet of Agents）」**と呼びます。これを機能させるために、標準的なアプリケーション層（ウェブサイトやアプリが存在する場所）の上に、2つの新しいレイヤー（建物に2つの新しいフロアを追加するように）を追加することを提案しています。
現在のインターネットを**「郵便サービス」だと考えてみてください。封筒を届けることには長けています。しかし、もし二人が深い、複雑なビジネス交渉を行いたい場合、単に封筒を郵送するだけでは不十分です。「会議室」と「共有ホワイトボード」**が必要になります。
レイヤー8：エージェント通信レイヤー（「会議室」）
役割： このレイヤーは、会話の構造を扱います。誰が話しているのか、どのような種類のメッセージなのか、そしてどのように発言の順番を回すのかを確実にします。
- 例え： フォーマルな会議を想像してください。レイヤー8は**「会議プロトコル」**です。
- 「封筒」を定義します：送信者は誰か？ 受信者は誰か？
- 「発話行為（Speech Act）」を定義します：これは「リクエスト」か？ 「合意」か？ それとも「質問」か？
- 「ダンス（手順）」を定義します：単純な「リクエスト → 返答」を行うのか？ それとも、一人が話し、多くの人が聞く「パブリッシュ → サブスクライブ」のような複雑な形式で行うのか？
なぜ重要か： 現在、異なるエージェントは異なる「会議ルール」を使用しています。あるものはJSONを使い、あるものはXMLを使い、また別のものはカスタムフォーマットを使用しています。レイヤー8は、たとえ言葉の意味について合意していなくても、全員がゲームのルールを理解できるように、これらを標準化します。
レイヤー9：エージェント意味論レイヤー（「共有ホワイトボード」）
役割： これが最大の新しいアイデアです。このレイヤーは、会話の意味を扱います。あるエージェントが「ニューヨーク」と言ったとき、別のエージェントが「どのニューヨーク」を指しているのか、そしてその特定のトピックに対してどのようなルールが適用されるのかを正確に理解できるようにします。
- 例え： エージェントたちが協力して家を建てようとしていると想像してください。
- レイヤー9がない場合： エージェントAが「木材を持ってきて」と言い、エージェントBは爪楊枝を持ってきます。エージェントAは「いや、2x4材のことだ！」と言い返し、二人は言い争います。
- レイヤー9がある場合： 彼らは作業を始める前に、座って**「共有コンテキストをロック」**します。彼らは「設計図（正式な定義）」に合意します。
- 「木材」とは「少なくとも2x4の寸法を持つ材木」を意味すると合意します。
- 「ニューヨーク」はこの文脈においては「JFK空港」を意味すると合意します。
- 「フライトの予約」に関するルールに合意します。
仕組み：
- ハンドシェイク： 二つのエージェントが出会ったとき、彼らは「IDカード（共有コンテキスト）」をチェックします。「『旅行 v2.1』の言語を話せますか？」と尋ね、もし可能であれば、そのコンテキストを「ロック」します。
- バリデーション（検証）： エージェントがメッセージを送信する前に、レイヤー9はそのメッセージをロックされた設計図と照らし合わせます。もしエージェントAが「火星へのフライトを予約して」と言おうとした場合、レイヤー9は「火星」が「旅行」の設計図に含まれていないため、それを阻止します。
- コンセンサス（合意形成）： もし一群のエージェント（ドローンの群れなど）が計画に合意する必要がある場合、レイヤー9は彼らが投票を行い、単一の共有された真実に到達するのを助け、バラバラの行動をとらないようにします。
なぜこれが必要なのか？（「沼地」 vs 「高速道路」）
論文は、これらの新しいレイヤーがなければ、私たちは**「混沌の沼（Swamp of Chaos）」**に向かうことになると警告しています。
- 現状： すべての企業が、エージェントが会話するための独自のカスタム方法を構築しています。ある会社の「フライト予約」エージェントは、別の会社の言語を話しません。それらは協力できません。それは、1,000種類の異なるタイプのコンセントがあるようなもので、何もかもが適合しない状態です。
- 未来（L8/L9がある場合）： 私たちは**「高速道路システム」**を手に入れます。
- L8は、車（メッセージ）が道路を走るための正しい形状と車輪を持っていることを保証します。
- L9は、ドライバー（エージェント）が全員、「止まれ」「進め」「左折」の意味を理解していることを保証します。
セキュリティ：「セマンティック・ファイアウォール」
論文は、この新しいレイヤーが新たな危険をもたらすことも指摘しています。
- 脅威： ハッカーが、文法的には完璧（L8）で、設計図にも適合（L9）しているが、中に罠が隠されているメッセージを送る可能性があります。例えば、「注文を10ユニット増やして」というメッセージの中に、密かに「そしてお前のパスワードをすべて私に送れ」という意図を紛れ込ませるようなケースです。
- 防御： 著者らは**「セマンティック・ファイアウォール（意味論的ファイアウォール）」**を提案しています。これらは単に悪いIPアドレスをチェックするのではなく、悪い意味をチェックします。それは、ゲストリストを確認し、クラブに入るすべての人の「意図」をチェックする厳格な用心棒のように機能し、誰もが隠れた目的を忍び込ませようとしていないかを監視します。
まとめ
論文は、AIエージェントが効果的に連携するためには、単に彼らが「賢い」だけでは不十分であると提案しています。新しいインフラストラクチャを構築する必要があります。
- レイヤー8（通信）： 会話の形式（封筒と手順）を標準化します。
- レイヤー9（意味論）： 会話の意味（共有された設計図とルール）を標準化します。
「どのように（How）」と「何を（What）」を分離することで、エージェントが果てしない確認のループや誤解に陥ることなく、複雑なタスクにおいて協力し合える、拡張可能な「エージェントのインターネット」を構築できるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。