論文の概要: Rethinking AI Hardware: A Three-Layer Cognitive Architecture for Autonomous Agents

• arxiv url: http://arxiv.org/abs/2604.13757v1
• Date: Wed, 15 Apr 2026 11:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.512362
• Title: Rethinking AI Hardware: A Three-Layer Cognitive Architecture for Autonomous Agents
• Title（参考訳）: AIハードウェアを再考する - 自律エージェントのための3層認知アーキテクチャ
• Authors: Li Chen,
• Abstract要約: Tri-Spiritは、知性を計画、推論、実行に分解する認知フレームワークである。 平均タスク遅延を75.6%削減し、エネルギー消費を71.1%削減する。 結果は、AIハードウェアにおいて、モデルスケーリング単独ではなく、認知的分解がシステムレベルの効率の第一の要因であることを示唆している。
• 参考スコア（独自算出の注目度）: 8.951500258016974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The next generation of autonomous AI systems will be constrained not only by model capability, but by how intelligence is structured across heterogeneous hardware. Current paradigms -- cloud-centric AI, on-device inference, and edge-cloud pipelines -- treat planning, reasoning, and execution as a monolithic process, leading to unnecessary latency, energy consumption, and fragmented behavioral continuity. We introduce the Tri-Spirit Architecture, a three-layer cognitive framework that decomposes intelligence into planning (Super Layer), reasoning (Agent Layer), and execution (Reflex Layer), each mapped to distinct compute substrates and coordinated via an asynchronous message bus. We formalize the system with a parameterized routing policy, a habit-compilation mechanism that promotes repeated reasoning paths into zero-inference execution policies, a convergent memory model, and explicit safety constraints. We evaluate the architecture in a reproducible simulation of 2000 synthetic tasks against cloud-centric and edge-only baselines. Tri-Spirit reduces mean task latency by 75.6 percent and energy consumption by 71.1 percent, while decreasing LLM invocations by 30 percent and enabling 77.6 percent offline task completion. These results suggest that cognitive decomposition, rather than model scaling alone, is a primary driver of system-level efficiency in AI hardware.
• Abstract（参考訳）: 次世代の自律型AIシステムは、モデル能力だけでなく、異種ハードウェアでインテリジェンスがどのように構成されるかによって制約される。 現在のパラダイム – クラウド中心のAI、オンデバイス推論、エッジクラウドパイプライン – は、計画、推論、実行をモノリシックなプロセスとして扱い、不要なレイテンシ、エネルギー消費、断片化された行動継続性をもたらす。 本稿では,インテリジェンスを計画(スーパーレイヤ),推論(エージェントレイヤ),実行(反射層)に分解する3層認知フレームワークであるTri-Spirit Architectureを紹介し,それぞれ異なる計算基板にマッピングし,非同期メッセージバスを介してコーディネートする。 本稿では,パラメータ化されたルーティングポリシ,繰り返し推論経路をゼロ参照実行ポリシに促進する習慣コンパイル機構,収束メモリモデル,明示的な安全性制約などを用いて,システムを形式化する。 クラウド中心およびエッジのみのベースラインに対して2000の合成タスクを再現可能なシミュレーションで評価した。 Tri-Spiritは平均タスク遅延を75.6%削減し、エネルギー消費を71.1%削減し、LSMの呼び出しを30%削減し、77.6%のオフラインタスク完了を可能にしている。 これらの結果は、AIハードウェアにおけるシステムレベルの効率性の主要な要因は、モデルスケーリングのみではなく、認知的分解であることを示している。

関連論文リスト

• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Brain-inspired AI for Edge Intelligence: a systematic review [40.25885510107807]
  スパイキングニューラルネットワーク(SNN)は、エッジインテリジェンスの厳しいサイズ、重量、パワー(SWaP)の制約を回避することを約束する。 現在、理論エネルギーのゲインは、伝統的なフォン・ノイマン基板に非同期で事象駆動のダイナミクスをマッピングする非効率性によってしばしば否定される。 この調査では、厳密なシステムレベルのハードウェア-ソフトウェア共同設計の視点を採用し、2020-2025年の軌道を検証した。
  論文  参考訳（メタデータ） (2026-03-19T08:13:49Z)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• Beyond Test-Time Training: Learning to Reason via Hardware-Efficient Optimal Control [86.63490309209378]
  我々は、最適制御として推論を定式化し、推論時に潜在状態に対して有限水平LQR計画を行うテスト時間制御層を導入する。 アーキテクチャ層として最適制御を組み込むことは、テスト時間トレーニングを超えた推論のための効果的でスケーラブルなメカニズムを提供することを実証する。
  論文  参考訳（メタデータ） (2026-03-10T05:42:13Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Profiling AI Models: Towards Efficient Computation Offloading in Heterogeneous Edge AI Systems [0.2357055571094446]
  本稿では、AIモデルのプロファイリング、モデルタイプと基盤となるハードウェアに関するデータ収集、リソース利用とタスク完了時間の予測に焦点を当てた研究ロードマップを提案する。 3,000以上の実行での実験は、リソース割り当ての最適化とEdge AIのパフォーマンス向上を約束している。
  論文  参考訳（メタデータ） (2024-10-30T16:07:14Z)
• Complexity-Driven CNN Compression for Resource-constrained Edge AI [1.6114012813668934]
  本稿では,CNNの層レベルでの複雑さを生かして,新しい,計算効率の高いプルーニングパイプラインを提案する。 パラメータ認識(PA)、FLOP認識(FA)、メモリ認識(MA)の3つのモードを定義し、CNNの汎用圧縮を導入する。
  論文  参考訳（メタデータ） (2022-08-26T16:01:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。