RecursiveMAS：エージェントが潜在空間で無言連携、トークン消費を最大75%削減

複数のAIエージェントに仕事を頼むと、チャットグループで長文のメールを送り合っている様子を見せられているようなもどかしさがあります。企画役が文章を書き、批評役がそれを読んで長文のダメ出しを返し、実行役が解釈に迷う。処理は遅く、トークン代ばかりがかさみます。

研究チームが発表した「RecursiveMAS」は、このテキスト通信の無駄を根本から見直す再帰型マルチエージェントフレームワークです。アプローチは極めてシンプルで、エージェント同士をテキストで会話させるのをやめ、潜在空間で直接思考を循環させます。

脳波で直接つながるエージェントたち

従来のエージェント連携で最大のボトルネックになっていたのは、内部の潜在表現をいったん自然言語にデコードし、次のモデルがそれを再度エンコードし直すという無駄な往復でした。

RecursiveMASはシステム全体をひとつの統合された潜在空間ループとして設計しています。「RecursiveLink」と呼ばれる軽量モジュールを挟むことで、役割の異なるエージェント間で潜在的な思考状態をそのまま受け渡せるようにしました。

人間の専門家が集まり、声に出して雑談するのではなく、頭の中でテレパシーのようにアイデアを推敲し合うイメージです。計画、批評、解答といった役割が一言もテキストを吐き出さずに巡回し、結論が出た最後の1回だけ文章として出力されます。

トークンを最大75%削り、考えるほど賢くなる

この無言連携の効果は劇的です。数学、科学、医療、検索、コード生成など9つのベンチマークテストにおいて、RecursiveMASは推論速度を最大2.4倍に引き上げ、トークン消費量を最大75.6%削減しました。平均正解率も8.3%向上しています。

特に興味深いのは自己修正能力です。ある難関数学のテストでは、1周目の計算で誤った答えを出したものの、2周目の潜在ループで自ら間違いに気づき、3周目には正解を導くだけでなく解説の論理まで洗練させました。

従来のテキストベースのエージェントは会話ターンが増えるほど文脈がブレて精度が落ちがちでしたが、本手法はループを深く回すほど推論が安定して向上します。コードとデータもすでに公開されています。

なぜ重要か

自然言語は本来、人間がコミュニケーションを取るためのプロトコルであって、ニューラルネットワーク同士が協調するのに最適な媒体ではないという当たり前の事実に切り込んだ点を私たちは高く評価しています。

エージェントの分業体制を維持したまま、テキスト化という余計なオーバーヘッドを省く設計は、実務でマルチエージェントを動かしたい開発者にとって非常に魅力的な選択肢になります。

業界全体で見ても、モデルサイズを大きくする競争から、推論時にどれだけ計算量を費やして思考を深められるかという推論時スケーリングへの転換が進んでいます。潜在空間での再帰処理はその有力な手段になり得ます。

ただし、代償としてブラックボックス化が進む点は見逃せません。テキスト通信であればログを読めばどのエージェントがミスしたかを特定できましたが、潜在空間の中で静かに思考が歪んでいった場合、人間が途中で介入してデバッグするのは極めて困難になります。