論文の概要: CrabOS: An Operating System for Human-AI Co-inhabitation

• arxiv url: http://arxiv.org/abs/2608.28165v1
• Date: Fri, 28 Aug 2026 10:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.289385
• Title: CrabOS: An Operating System for Human-AI Co-inhabitation
• Title（参考訳）: CrabOS:人間とAIの共住のためのオペレーティングシステム
• Abstract要約: 実世界の環境では、タスクを完了するには人間とAIが順番に実行を先導する必要があることが多い。 既存のエージェントシステムは、人間とAIに別々の作業環境を提供する。 我々は,人間とAIが作業継続をシームレスに行うことができる作業環境の一種であるHuman-AI Co-inhabitationを提案する。
• 参考スコア（独自算出の注目度）: 2.8481288417964166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI agents are evolving into long-running computational entities that can invoke tools, maintain memory, and complete complex tasks across applications. In real-world settings, completing a task often requires humans and AI to take turns leading its execution. Such alternation depends on the seamless handoff of the work state of the task between humans and AI. Existing agent systems, however, provide humans and AI with separate work environments. AI agents must therefore rely on additional bridges to continue work: either developers build task-specific interfaces to access the work state, or users manually transfer relevant parts of it through screenshots or textual descriptions. Both approaches make handoffs costly and scale poorly. We propose Human-AI Co-inhabitation, a type of work environment that enables humans and AI to seamlessly take turns continuing work on the same task, and design and implement CrabOS to realize this concept. CrabOS represents the work state as natural-language-readable text objects shared by humans and AI, allowing both to access and manipulate it directly through the same auditable interface without bridges. Case studies show that CrabOS elevates support for complex tasks with alternating human and AI leadership from bridge-dependent application-level solutions to native operating-system capabilities, which provide a new foundation for developing and running AI agents.
• Abstract（参考訳）: AIエージェントは、ツールを起動し、メモリを保守し、アプリケーション全体にわたって複雑なタスクを完了できる、長時間稼働する計算エンティティへと進化している。 実世界の環境では、タスクを完了するには人間とAIが順番に実行を先導する必要があることが多い。 このような変更は、人間とAIの間のタスクの作業状態のシームレスなハンドオフに依存する。 しかし、既存のエージェントシステムは、人間とAIに別々の作業環境を提供する。 開発者は作業状態にアクセスするためにタスク固有のインターフェースを構築するか、スクリーンショットやテキスト記述を通じて関連する部分を手動で転送する。 どちらのアプローチも、ハンドオフを高価にし、スケールを悪くします。 我々は,人間とAIが同時作業の継続をシームレスに行うことができる作業環境の一種であるHuman-AI Co-inhabitationを提案し,この概念を実現するためにCrabOSの設計と実装を行う。 CrabOSは、人間とAIが共有する自然言語で読めるテキストオブジェクトとして、作業状態を表す。 ケーススタディによると、CrabOSは、ブリッジ依存のアプリケーションレベルのソリューションからネイティブなオペレーティングシステム機能への、人間とAIのリーダーシップの交互化による複雑なタスクのサポートを高め、AIエージェントの開発と実行のための新たな基盤を提供する。

関連論文リスト

• HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
  我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。 HumanXは、従来の方法より8倍高い一般化成功を達成する。
  論文  参考訳（メタデータ） (2026-02-02T18:53:01Z)
• How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations [112.57167042285437]
  エージェントが人間とエージェントの労働者の直接比較を初めて提示することで、エージェントがどのように人間の仕事をするかを考察する。 結果が88.3%速く、コストが90.4-96.2%低いことが判明した。
  論文  参考訳（メタデータ） (2025-10-26T18:10:22Z)
• A roadmap for AI in robotics [55.87087746398059]
  AIの可能性を生かして、私たちの日常生活にロボットを配備する上での、際立った障壁に取り組みたいと考えています。 この記事では、1990年代からロボット工学におけるAIが達成したことを評価し、課題と約束を列挙した短期的・中期的な研究ロードマップを提案する。
  論文  参考訳（メタデータ） (2025-07-26T15:18:28Z)
• Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
  本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。 我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。 結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
  論文  参考訳（メタデータ） (2025-07-10T20:12:54Z)
• A Call for Collaborative Intelligence: Why Human-Agent Systems Should Precede AI Autonomy [36.74150011862134]
  人間とAIのチームワークは、AIが単独で作業するよりも複雑なタスクをうまく処理できることを示す。 本稿は、AIの進歩は、独立系がどのように成長するかではなく、人間がいかにうまく機能するかによって測定されるべきである、と論じる。
  論文  参考訳（メタデータ） (2025-06-11T06:08:13Z)
• TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [55.03911355902567]
  我々は、デジタルワーカーと同じような方法で世界と対話するAIエージェントを評価するためのベンチマークであるTheAgentCompanyを紹介する。 最も競争力のあるエージェントは、タスクの30%を自律的に完了させることができる。 これは、実際の職場の設定でLMエージェントをシミュレートすることで、タスク自動化に関する微妙な絵を描く。
  論文  参考訳（メタデータ） (2024-12-18T18:55:40Z)
• ChatCollab: Exploring Collaboration Between Humans and AI Agents in Software Teams [1.3967206132709542]
  ChatCollabの斬新なアーキテクチャは、エージェント(人間またはAI)が任意の役割でコラボレーションに参加することを可能にする。 ソフトウェアエンジニアリングをケーススタディとして使用することで、私たちのAIエージェントが彼らの役割と責任をうまく特定できることが分かりました。 ソフトウェア開発のための従来の3つのマルチエージェントAIシステムに関連して、ChatCollab AIエージェントはインタラクティブなゲーム開発タスクにおいて、同等またはより良いソフトウェアを生成する。
  論文  参考訳（メタデータ） (2024-12-02T21:56:46Z)
• Two Heads Are Better Than One: Collaborative LLM Embodied Agents for Human-Robot Interaction [1.6574413179773757]
  大規模言語モデル(LLM)は、自然言語コマンドを解釈するために、その膨大な理解を活用できなければならない。 しかし、これらのモデルは幻覚に悩まされ、安全上の問題やタスクからの逸脱を引き起こす可能性がある。 本研究では、一つの独立したAIエージェントに対して複数のコラボレーティブAIシステムがテストされ、他のドメインの成功が人間とロボットのインタラクション性能の改善につながるかどうかを判定した。
  論文  参考訳（メタデータ） (2024-11-23T02:47:12Z)
• The Model Mastery Lifecycle: A Framework for Designing Human-AI Interaction [0.0]
  ますます多くの分野におけるAIの利用は、長いプロセスの最新のイテレーションである。 異なる状況でAIをどのように使うべきかを決定する方法が緊急に必要である。
  論文  参考訳（メタデータ） (2024-08-23T01:00:32Z)
• HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face [85.25054021362232]
  大規模言語モデル(LLM)は、言語理解、生成、相互作用、推論において例外的な能力を示した。 LLMは、複雑なAIタスクを解決するために既存のAIモデルを管理するコントローラとして機能する可能性がある。 本稿では,機械学習コミュニティのさまざまなAIモデルを接続するLLMエージェントであるHuggingGPTを紹介する。
  論文  参考訳（メタデータ） (2023-03-30T17:48:28Z)
• AI-in-the-Loop -- The impact of HMI in AI-based Application [0.0]
  我々は,AIと人間の強みを組み合わせたループ型AIの概念を導入する。 AIを使用した推論でHMIを有効にすることで、AIと人間の強みを組み合わせた、ループ内のAIの概念を導入します。
  論文  参考訳（メタデータ） (2023-03-21T00:04:33Z)
• A User-Centred Framework for Explainable Artificial Intelligence in Human-Robot Interaction [70.11080854486953]
  本稿では,XAIのソーシャル・インタラクティブな側面に着目したユーザ中心型フレームワークを提案する。 このフレームワークは、エキスパートでないユーザのために考えられた対話型XAIソリューションのための構造を提供することを目的としている。
  論文  参考訳（メタデータ） (2021-09-27T09:56:23Z)

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。