新たな制御システム、自律型AIエージェントの無駄な処理を削減

Dongsheng Xiao氏が率いる研究チームは2026年9月28日、「LLMパーキンソニズム」と名付けた問題についての論文を公開した。この言葉は、タスクがすでに完了しているのに作業を続け、価値の低い修正を加えたり、自らの成果を再確認したりするAIエージェントを指す。著者らによると、行動を生み出すのと同じループが、いつ停止するかの判断も担っていることが原因だという。そこで、行動の生成とプロジェクト全体の監督を切り分ける新しいアーキテクチャ「Global Executive Control（GEC）v0.2」を提案した。

これまでの経緯

大規模言語モデル（LLM）は計画を立て、コードを書き、ツールを使える一方で、明確な「停止」の合図を持たないことが多い。テストでは、最も可能性の高い単一の計画に従うベースラインのエージェントが、難易度の高い目標の67％を達成した。同じテストで、モデルが複数の候補行動から選べるようにすると、成功率は96.5％に上昇した。研究者らは、選択肢を複数与えることが改善の大部分を説明すると主張する一方、この方法ではモデルが処理するテキストの基本単位であるトークンの使用量も増えると指摘している。

新しいアーキテクチャの仕組み

GECは、エージェントの進捗を監視し、どこで十分と判断するかを決める、不確実性を考慮したガバナンス層を追加する。上限を40,000トークンに設定した24,000エピソードのベンチマークでは、GECは候補群を使う方式と同じ96.5％の成功率を保ちながら、平均トークン消費量を19,782から12,574へと36％削減した。また、上限内でタスクを完了するのに必要な平均トークン数も16,136から13,114に減り、18.7％の節約となった。追加のガバナンス処理には1サイクルあたり約500の合成トークンが必要だが、著者らはそれでも効率的だとしている。

今後の展開

論文によると、シミュレーションは、作業範囲、根拠、資源の使用、停止を明示的に管理する有効性を示しているが、実環境での検証はまだ必要だ。今後は、外部ツールやユーザーとやり取りする実稼働エージェントでGECを試すことになるだろう。この手法が有効であれば、開発者は同様の制御層をチャットボットやコード作成アシスタントなどの自律型AIサービスに組み込み、無駄な処理を避け、完了済みのタスクにシステムが取り組み続けるのを防げる可能性がある。