論文の概要: ORCH: Organizational Principles Enable Collective Intelligence in Embodied AI

• arxiv url: http://arxiv.org/abs/2609.11737v1
• Date: Thu, 10 Sep 2026 15:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.439394
• Title: ORCH: Organizational Principles Enable Collective Intelligence in Embodied AI
• Title（参考訳）: ORCH: 組織的原則により、身体的AIの集合的インテリジェンスを可能にする
• Abstract要約: 人工エージェントの大規模な異種集団を組織化するために、人間の組織理論の原則を運用できることが示される。 偵察・救助・輸送・資源管理・抑止・抑止にまたがる25回の山火事対応ミッションを評価した。 人間設計のORCH組織は、最終スコアを63.97%、実行効率を74.29%改善した。
• 参考スコア（独自算出の注目度）: 3.1261697925460434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collective intelligence depends not only on the capabilities of individual members, but also on how those members are organized. Yet artificial multi-agent systems are typically assembled using fixed organizational structures, even when the physical tasks they perform impose fundamentally different coordination requirements. Here we show that principles from human organization theory can be operationalized to organize large, heterogeneous collectives of embodied artificial agents. We introduce ORCH (Organizing Roles and Coordination Hierarchies), which constructs task-specific hierarchical organizations by combining pooled interdependence for work that can proceed concurrently with sequential interdependence for work governed by prerequisite relationships. Across 25 wildfire-response missions spanning reconnaissance, rescue, transportation, resource management, containment and suppression, we evaluated teams of up to 50 heterogeneous agents using eight large language models. Organizations constructed using these principles consistently outperformed four representative embodied multi-agent approaches across mission outcome, execution efficiency, exploration and computational resource use. Human-designed ORCH organizations improved final score by 63.97% and execution efficiency by 74.29% on average relative to the four prior frameworks. Organizations generated automatically by language models improved these measures by 43.63% and 52.53%, respectively. These advantages persisted across missions and underlying language models. Notably, collective performance was not monotonically determined by model scale. Analysis of long-horizon missions showed that hierarchical organization enabled teams to preserve concurrent activity within specialized groups while coordinating ordered transitions between mission phases.
• Abstract（参考訳）: 集団知性は、個々のメンバーの能力だけでなく、そのメンバーがどのように組織されているかにも依存する。 しかし、人工マルチエージェントシステムは、物理的タスクが基本的に異なる調整要求を課しても、通常、固定された組織構造を用いて組み立てられる。 ここでは,人間の組織理論の原理を体系化して,組み込まれた人工エージェントの大規模で異質な集団を組織化することができることを示す。 本稿では,タスク固有の階層構造を構築するORCH(Organizing Roles and Coordination Hierarchies)を紹介する。 偵察・救助・輸送・資源管理・封じ込め・抑止にまたがる25回の山火事対応ミッションにおいて,8大言語モデルを用いて最大50個の異種エージェントのチームを評価した。 これらの原則を用いて構築された組織は、ミッションの成果、実行効率、探索、計算資源使用の4つの代表的実践的マルチエージェントアプローチを一貫して上回りました。 ヒューマンデザインのORCH組織は、ファイナルスコアを63.97%、実行効率を74.29%改善した。 言語モデルによって自動生成された組織は、それぞれ43.63%と52.53%の改善を行った。 これらのアドバンテージは、ミッションや基礎となる言語モデルにまたがって存続した。 特に、集団性能はモデルスケールによって単調に決定されなかった。 長期のミッションの分析から、階層的な組織は、ミッションフェーズ間の順序付けられた遷移を調整しながら、特定のグループ内での並行的な活動を維持することができることを示した。

関連論文リスト

• The Organizational Behavior of Agentic AI: Collective Intelligence in Human-Agent Workflows [0.0]
  エージェントAIは部分的な組織的な類似点である、と私は主張する。 それは、仕事を区別し、調整し、繰り返しルーチンを実行し、境界を越えて、集合的な結果を生み出すため、人間の組織に似ています。 これらのパターンは、モチベーション、アイデンティティ、信頼、雇用、社会化、道徳的説明責任によって持続されないため、異なる。 この記事では、これらの類似点と相違点をリンクする中心的なメカニズムとして、コンテキストトランザクションコストを論じる。
  論文  参考訳（メタデータ） (2026-06-29T23:50:02Z)
• Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
  マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。 既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。 この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
  論文  参考訳（メタデータ） (2026-05-14T14:36:13Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• When Agents Evolve, Institutions Follow [52.359340707289114]
  大規模言語モデル上に構築されたマルチエージェントシステムは、同じ課題に直面している。 彼らの中心的な問題は、個人の知性だけでなく、集団的な組織である。 我々は,4つの標準的ガバナンスパターンにまたがる7つの歴史的政治機関を,実行可能なマルチエージェントアーキテクチャに翻訳する。
  論文  参考訳（メタデータ） (2026-04-30T10:30:58Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• Beyond Task Performance: A Metric-Based Analysis of Sequential Cooperation in Heterogeneous Multi-Agent Destructive Foraging [41.439643274006364]
  本研究は異種マルチエージェントシステムにおける協調分析の問題に対処する。 提案した指標群は,協調の多段階的特徴付けを共同で提供する3つの主要なカテゴリに分類される。 不均一な自律走行車を用いた動的水面洗浄にインスパイアされた、現実的な破壊的な捕食シナリオで検証されている。
  論文  参考訳（メタデータ） (2026-02-11T09:39:24Z)
• 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)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Federation of Agents: A Semantics-Aware Communication Fabric for Large-Scale Agentic AI [1.8244641115869653]
  エージェントのフェデレーション(FoA)は,マルチエージェントのコーディネーションを動的かつ能力駆動的なコラボレーションに変換する分散オーケストレーションフレームワークである。 FoAは、セマンティック埋め込みを通じてエージェント機能を検索可能にするマシン可読プロファイルであるVersioned Capability Vectors (VCVs)を導入した。 単一モデルベースラインよりも13倍の改善が見られ、クラスタリング強化労働力は複雑な推論タスクに特に有効である。
  論文  参考訳（メタデータ） (2025-09-24T14:38:06Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• A Unified Architecture for Dynamic Role Allocation and Collaborative Task Planning in Mixed Human-Robot Teams [0.0]
  任意のサイズの混合ロボットチームにおいて,動的役割割り当てと協調作業計画のための新しいアーキテクチャを提案する。 このアーキテクチャは、動作木(BT)に基づく集中型リアクティブかつモジュール型タスク非依存の計画手法を基盤としている。 MILPコストとして使用されるさまざまなメトリクスにより、アーキテクチャはコラボレーションの様々な側面を好むことができる。
  論文  参考訳（メタデータ） (2023-01-19T12:30:56Z)
• Structured Diversification Emergence via Reinforced Organization Control and Hierarchical Consensus Learning [48.525944995851965]
  組織制御の強化と階層的コンセンサス学習に基づく構造的多様化型MARLフレームワーク scRochico を提案する。 scRochicoは、探索効率と協力強度の観点から、現在のSOTAアルゴリズムよりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-02-09T11:46:12Z)

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。