大規模アクション モデル (LAM): AI を活用したインタラクションの次のフロンティア

ほぼ1年前、ディープマインドの共同創設者であるムスタファ・スレイマンはこう言いました。 予測 の時代 generative AI ソフトウェア アプリケーションや人材と対話してタスクを実行できるシステムなど、よりインタラクティブなものにすぐに取って代わられるでしょう。今日、私たちはこのビジョンが、 うさぎAIの新しい AI 搭載オペレーティング システム、 R1。このシステムは、アプリケーションと人間の対話を監視し、模倣する優れた能力を実証しました。 R1 の中心には、 ラージ アクション モデル (LAM)、ユーザーの意図を理解し、ユーザーに代わってタスクを実行することに熟達した高度な AI アシスタントです。以前は次のような用語で知られていましたが、 インタラクティブ AI や 大規模エージェントモデル、LAM の概念は、AI を活用したインタラクションにおける極めて重要なイノベーションとして勢いを増しています。この記事では、LAM の詳細、従来の LAM との違いについて説明します。多様な言語モデル (LLMs) では、Rabbit AI の R1 システムを紹介し、Apple が LAM のようなアプローチにどのように移行しているかを考察します。また、LAM の潜在的な用途と LAM が直面する課題についても説明します。

大規模アクション モデルまたはエージェント モデル (LAM) について

LAM は、人間の意図を把握し、特定の目的を実行するように設計された高度な AI エージェントです。これらのモデルは、人間のニーズを理解し、複雑なタスクを計画し、さまざまなモデル、アプリケーション、または人々と対話して計画を実行することに優れています。 LAM は、応答や画像の生成などの単純な AI タスクを超えています。これらは、旅行の計画、予定のスケジュール、電子メールの管理などの複雑なアクティビティを処理するように設計された本格的なシステムです。たとえば、旅行計画の場合、LAM は天気予報アプリと連携して天気予報を取得したり、フライト予約サービスと連携して適切なフライトを見つけたり、ホテル予約システムと連携して宿泊施設を確保したりします。のみに依存する多くの従来の AI モデルとは異なります。 ニューラルネットワーク、LAM は、以下を組み合わせたハイブリッド アプローチを利用します。 神経記号プログラミング。この統合により、 シンボリックプログラミング 論理的推論と計画を支援し、ニューラル ネットワークは複雑な感覚パターンの認識に貢献します。このブレンドにより、LAM は幅広いタスクに対処できるようになり、AI を活用したインタラクションにおける微妙な開発としてマークされます。

LAM と LLM の比較

LAM とは対照的に、LLM はユーザー プロンプトの解釈とテキスト ベースの応答の生成に優れた AI エージェントであり、主に言語処理を伴うタスクを支援します。ただし、その範囲は通常、テキスト関連のアクティビティに限定されます。一方、LAM は AI の機能を言語を超えて拡張し、特定の目標を達成するために複雑なアクションを実行できるようにします。たとえば、LLM はユーザーの指示に基づいて効果的に電子メールの下書きを作成しますが、LAM は下書きを作成するだけでなく、コンテキストを理解し、適切な応答を決定し、電子メールの配信を管理することによってさらに進化します。

さらに、LLM は通常、一連のテキスト内の次のトークンを予測し、書かれた命令を実行するように設計されています。対照的に、LAM は言語を理解するだけでなく、さまざまなアプリケーションや IoT デバイスなどの実世界のシステムと対話する機能も備えています。物理的なアクションを実行したり、デバイスを制御したり、予約や予約など、外部環境との対話を必要とするタスクを管理したりできます。言語スキルと実際の実行を統合することで、LAM は LLM よりも多様なシナリオで運用できるようになります。

LAM の動作: ウサギ R1

当学校区の ラビットR1 は、実用化されている LAM の代表的な例です。この AI 搭載デバイスは、単一の使いやすいインターフェイスを通じて複数のアプリケーションを管理できます。 2.88 インチのタッチスクリーン、回転カメラ、スクロール ホイールを備えた R1 は、Teenage Engineering と協力して作られた洗練された丸みを帯びたシャーシに収められています。 2.3GHz MediaTek プロセッサで動作し、4GB のメモリと 128GB のストレージを搭載しています。

R1 の中心には、アプリの機能をインテリジェントに監視する LAM があり、音楽の制御、交通手段の予約、食料品の注文、メッセージの送信などの複雑なタスクをすべて 1 つの対話ポイントから簡素化します。このようにして、RXNUMX は、これらのタスクを実行するために複数のアプリまたは複数のログインを切り替える手間を省きます。

R1 内の LAM は、当初、Spotify や Uber などの人気アプリと人間のやり取りを観察することによってトレーニングされました。このトレーニングにより、LAM はユーザー インターフェイスを操作し、アイコンを認識し、トランザクションを処理できるようになりました。この広範なトレーニングにより、R1 は事実上あらゆるアプリケーションに柔軟に適応できるようになります。さらに、特別なトレーニング モードにより、ユーザーは新しいタスクを導入および自動化できるため、R1 の機能の範囲が継続的に拡大され、AI を活用したインタラクションの領域における動的なツールになります。

Apple が Siri の LAM にインスピレーションを得た機能に向けて前進

Apple の AI 研究チームは最近、LAM に似た新しい取り組みを通じて Siri の機能を進化させる取り組みについての洞察を共有しました。この取り組みは、次の研究論文で概説されています。 言語モデリングとしての参照解決 (ReALM) は、会話のコンテキストを理解し、画面上の視覚コンテンツを処理し、周囲のアクティビティを検出する Siri の能力を向上させることを目的としています。 ReALM がユーザー インターフェイス (UI) 入力の処理に採用したアプローチは、Rabbit AI の R1 で観察された機能と類似しており、Siri によるユーザー インタラクションの理解を強化するという Apple の意図を示しています。

この展開 を示し Apple は、ユーザーがデバイスを操作する方法を改善するために LAM テクノロジーの採用を検討しているとのことです。 ReALM の展開に関する明確な発表はありませんが、Siri とアプリの相互作用が大幅に強化される可能性は、アシスタントをより直観的で応答性の高いものにするという有望な進歩を示唆しています。

LAM の潜在的な用途

LAM には、ユーザーとデバイス間のインタラクションの強化をはるかに超えて、その影響を拡大する可能性があります。複数の業界にわたって大きなメリットをもたらす可能性があります。   

• 顧客サービス： LAM は、さまざまなチャネルにわたる問い合わせや苦情を独立して処理することで、顧客サービスを強化できます。これらのモデルは、自然言語を使用してクエリを処理し、解決を自動化し、スケジュールを管理し、顧客履歴に基づいてパーソナライズされたサービスを提供して満足度を向上させることができます。
• 健康管理： 医療分野では、LAM は予約の調整、処方箋の管理、サービス間のコミュニケーションの促進によって患者ケアの管理を支援します。また、遠隔監視、医療データの解釈、緊急時のスタッフへの警告にも役立ち、特に慢性期および高齢者のケア管理に有益です。
• ファイナンス： LAM は、パーソナライズされた財務上のアドバイスを提供し、ポートフォリオのバランスや投資の提案などのタスクを管理できます。また、トランザクションを監視して不正行為を検出および防止し、銀行システムとシームレスに統合して不審なアクティビティに迅速に対処することもできます。

LAM の課題

LAM はその大きな可能性にもかかわらず、対処が必要ないくつかの課題に直面しています。

• データのプライバシーとセキュリティ： LAM が機能するために必要な個人情報や機密情報に広範にアクセスできることを考えると、データのプライバシーとセキュリティを確保することは大きな課題です。 LAM は複数のアプリケーションやプラットフォームにわたって個人データを操作するため、この情報の安全な取り扱い、保管、処理に関して懸念が生じます。
• 倫理的および規制上の懸念: LAM が意思決定や人間環境との相互作用においてより自律的な役割を担うようになるにつれて、倫理的配慮がますます重要になります。説明責任、透明性、機械に委任された意思決定の範囲に関する疑問は非常に重要です。さらに、このような高度な AI システムをさまざまな業界に導入するには、規制上の課題が生じる可能性があります。
• 統合の複雑さ: LAM は、タスクを効果的に実行するために、さまざまなソフトウェアおよびハードウェア システムとの統合を必要とします。この統合は複雑であり、特にフライト、宿泊施設、その他の物流の詳細をリアルタイムで予約するなど、さまざまなプラットフォームやサービスにわたるアクションを調整する場合には、管理が困難になる可能性があります。
• スケーラビリティと適応性: LAM は幅広いシナリオやアプリケーションに適応するように設計されていますが、現実世界の多様な環境を一貫して効率的に処理できるようにこれらのソリューションを拡張することは依然として課題です。 LAM が状況の変化に適応し、さまざまなタスクやユーザーのニーズにわたってパフォーマンスを維持できるようにすることは、長期的な成功にとって非常に重要です。

ボトムライン

大規模アクション モデル (LAM) は、AI の重要なイノベーションとして台頭しており、デバイスの相互作用だけでなく、より広範な業界アプリケーションに影響を与えています。 Rabbit AI の R1 によって実証され、Apple の Siri の進歩でも研究されている LAM は、よりインタラクティブで直観的な AI システムの準備を整えています。これらのモデルは、顧客サービス、ヘルスケア、金融などのセクター全体で効率とパーソナライゼーションを強化する準備ができています。

ただし、LAM の展開には、データ プライバシーの問題、倫理的問題、統合の複雑さ、拡張性などの課題が伴います。 LAM テクノロジの機能を責任を持って効果的に活用することを目指して、LAM テクノロジの広範な導入に向けて前進するには、これらの問題に対処することが不可欠です。 LAM が開発を続けるにつれて、デジタル インタラクションを変革する LAM の潜在力は依然として大きく、AI の将来の状況における LAM の重要性が強調されています。