Cradleは、汎用AIエージェントの分野を前進させることに専念する人工知能研究組織です。この組織の活動は、伝統的にこの分野を支配してきた狭くタスク固有のモデルを超え、多様なデジタル環境と物理環境の両方で動作できるシステムの構築に焦点を当てています。Cradleのアプローチは、機械学習、深層学習、生成AIの原理を統合し、複雑な実世界の設定で自律的に知覚、推論、行動できるエージェントを構築します。
2020年代初頭に設立されたCradleは、AIコミュニティ内で次の大きな飛躍にはより高い柔軟性と適応性を持つシステムが必要となるという認識の高まりから生まれました。この組織の研究課題は多くの商業研究所とは異なり、即時の製品展開よりもエージェンシーと一般化に関する長期的な科学的問題を優先しています。この焦点により、Cradleはエージェント型AIの理論的および実践的基盤への notable な貢献者として位置づけられています。
研究焦点
Cradleの主要な研究の推進力は、タスクと環境を横断して一般化できるAIエージェントの開発です。これには、強化学習パラダイム、カリキュラム学習戦略、および堅牢な行動を促進する新しい損失関数に関する作業が含まれます。この組織は、データが乏しいか取得に費用がかかる実世界のアプリケーションにとって重要な課題である、エージェントトレーニングにおけるサンプル効率の向上に関する論文を発表しています。
Cradleの研究のかなりの部分は、大規模言語モデルの能力と具現化された意思決定の交差点を探求しています。現代のトランスフォーマーアーキテクチャの推論能力を活用することで、チームは言語モデルが周囲と相互作用するエージェントの認知コアとしてどのように機能できるかを調査しています。これには、多様な感覚入力を統合するためのマルチヘッドアテンションメカニズムや、エージェントが時間の経過とともに状態を追跡するのに役立つ位置エンコーディングスキームに関する研究が含まれます。
主要プロジェクト
Cradleの代表的なプロジェクトの1つは、ウェブブラウジングやソフトウェア操作などのデジタル環境向けの汎用エージェントの構築です。2023年に開始されたこのプロジェクトは、最小限の事前トレーニングで馴染みのないインターフェースをナビゲートすることを学習できるエージェントを実証しました。このシステムは、ニューラルネットワークコンポーネントとビームサーチ計画の組み合わせを利用し、50の一般的なオフィスタスクのベンチマークで78%の成功率を達成しました。この結果は2024年の国際学習表現会議で報告されました。
物理領域では、Cradleはロボット操作のためのエージェントを開発するために学術機関と提携しています。この作業は、シミュレーションで学習したスキルを実世界のハードウェアに転送する問題、いわゆるシミュレーションから実世界へのギャップに焦点を当てています。チームは、より効率的で信頼性の高い制御ポリシーを作成するために、データ拡張技術とモデルプルーニングを実験してきました。2024年の論文では、複雑な機械キットを92%の精度で組み立てることができるシステムが詳細に説明され、ベースライン手法を15パーセントポイント上回りました。
コラボレーションとコミュニティ
Cradleは、MIT CSAILやバークレーAI研究を含むいくつかの大学研究グループと活発なコラボレーションを維持しています。これらのパートナーシップは、AIの安全性と解釈可能性に関する基本的な問題に焦点を当てています。この組織はまた、エージェント評価のためのオープンソースツールに貢献し、2024年に世界中の30以上の研究ラボで採用されたベンチマークスイートをリリースしました。
この組織は定期的に主要なAI会議に参加し、NeurIPSやICMLなどの場で研究を発表しています。その研究者はプログラム委員会に参加し、エージェント型AIに関するワークショップを組織し、この新興分野の議論を形成するのに貢献しています。Cradleはまた、展開可能なAIエージェントの構築における課題を議論するために、学者と業界の実務者を集める年次シンポジウムを主催しています。
インフラストラクチャとツール
その研究を支援するために、Cradleは独自のトレーニングおよび評価インフラストラクチャを開発しました。これには、AMDやNVIDIAのハードウェアを利用した深層学習ワークロードに最適化された分散コンピューティングクラスターが含まれます。この組織はまた、2Dおよび3D空間でのエージェント行動の迅速なプロトタイピングを可能にするシミュレーション環境を作成しました。
Cradleの内部ツールは、再現性とスケーラビリティを重視しています。チームは、大規模モデルの安定したトレーニングを確保するために、堅牢な勾配クリッピングとバッチ正規化プロトコルを実装しました。また、標準的なアプローチと比較して収束を最大30%加速することが示されたカスタム学習率スケジュールフレームワークを開発しました。この発見は2023年の技術レポートで詳細に説明されています。
将来の方向性
今後、Cradleは、複数のAIシステムが共有目標を達成するために調整しなければならない、より複雑なマルチエージェントシナリオへの研究を拡大することを目指しています。この組織はまた、RLHFを使用してエージェントの行動を人間の好みにより効果的に整合させることも探求しています。2025年現在、Cradleはこれらのイニシアチブを支援するために研究者とエンジニアを積極的に募集しており、この分野での持続的な成長へのコミットメントを示しています。
Cradleの貢献は、2024年の国際AI会議での最優秀論文賞の honorable メンションを含むいくつかの賞を通じて認識されています。この組織の作業は、特に適応性と一般化が最重要視される分野で、学術研究と実用的なアプリケーションの両方に影響を与え続けています。