RecursiveMAS นำเสนอสถาปัตยกรรม multi-agent ใหม่ที่ใช้แนวคิด recursion เพื่อเพิ่มประสิทธิภาพการทำงานร่วมกันของ AI agents ผลักดันความแม่นยำสูงขึ้น 8.3% ลดการใช้ tokens มากถึง 75.6% และเร่งความเร็วการประมวลผลได้ถึง 2.4 เท่า
คืออะไร
RecursiveMAS เป็นระบบ multi-agent ที่ขยายแนวคิดการคำนวณแบบ recursive จากเดิมที่ใช้กับ single model มาใช้กับระบบที่มีหลาย agents ทำงานร่วมกัน โดยตอบคำถามสำคัญว่า "การ collaboration ของ agents สามารถ scale ผ่าน recursion ได้หรือไม่?" ระบบนี้มอง multi-agent system ทั้งหมดเป็น unified latent-space recursive computation ที่สามารถสร้าง latent thoughts และถ่ายโอนสถานะระหว่าง agents ได้อย่างมีประสิทธิภาพ
ทำไมสำคัญ
ปัญหาใหญ่ของ multi-agent systems ทั่วไปคือความซับซ้อนในการประสานงานและการใช้ทรัพยากรสูง RecursiveMAS แก้ปัญหาเหล่านี้ด้วยการออกแบบที่ลดการพึ่งพาการสื่อสารแบบ text-based และเพิ่มการทำงานผ่าน latent space ทำให้ระบบทำงานเร็วขึ้นและใช้ทรัพยากรน้อยลง
อัลกอริทึมหลัก
RecursiveLink Module เป็นหัวใจสำคัญของระบบที่ทำหน้าที่เชื่อม heterogeneous agents เข้าด้วยกันใน collaboration loop ที่มีน้ำหนักเบา ช่วยให้เกิดการสร้าง latent thoughts ภายใน distribution และการถ่ายโอนสถานะระหว่าง agents ได้อย่างราบรื่น Inner-outer Loop Learning เป็นกลไกการเรียนรู้ที่ทำ co-optimization ทั้งระบบแบบ iterative ผ่าน shared gradient-based credit assignment ข้ามรอบการ recursion ทำให้ระบบปรับปรุงตัวเองได้อย่างต่อเนื่อง
ผลการทดสอบ
ระบบถูกทดสอบกับ 9 benchmarks ครอบคลุมหลากหลายด้าน math, science, medicine, search และ code generation โดยใช้ 4 รูปแบบการทำงานร่วมกันของ agents ผลลัพธ์ที่โดดเด่น: Accuracy เพิ่มเฉลี่ย +8.3% เมื่อเทียบกับระบบมาตรฐาน Inference เร็วขึ้น 1.2x-2.4x ขึ้นอยู่กับ workload Token usage ลด 34.6%-75.6% ช่วยลดต้นทุนการใช้งานอย่างมีนัยสำคัญ มีประสิทธิภาพดีกว่า standard text-based MAS ในด้าน runtime complexity
การวิเคราะห์เชิงทฤษฎี
จากการวิเคราะห์พบว่า gradients ของระบบมีความเสถียรระหว่างการเทรนแบบ recursive ซึ่งเป็นปัจจัยสำคัญที่ทำให้ระบบสามารถเรียนรู้ได้อย่างมีประสิทธิภาพโดยไม่เกิดปัญหา gradient explosion หรือ vanishing
อนาคตของ Multi-Agent Systems
RecursiveMAS เปิดทิศทางใหม่สำหรับการพัฒนา multi-agent systems ที่มีประสิทธิภาพสูงและสามารถขยายการใช้งานได้จริง แนวทางนี้มีศักยภาพในการปรับใช้กับระบบ AI ขนาดใหญ่ที่ต้องการความแม่นยำสูงและต้นทุนต่ำในการประมวลผล อ่านต้นฉบับ: https://arxiv.org/abs/2604.25917