論文の概要: Position: It is Time to Virtualize Foundation Models with a Self-evolving Operating System Layer

• arxiv url: http://arxiv.org/abs/2609.19203v1
• Date: Wed, 16 Sep 2026 09:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.948863
• Title: Position: It is Time to Virtualize Foundation Models with a Self-evolving Operating System Layer
• Title（参考訳）: 位置: 自己進化型オペレーティング・システム・レイヤで基礎モデルを仮想化する時が来た
• Abstract要約: AIアプリケーションは、単一のモノリシック基盤モデル(FM)から複合エージェントシステムに移行した。 このポジションペーパーは、現在、フィールドにはファンデーションモデルオペレーティング・システム(FMOS)が必要であると主張している。 FMOSは、メモリ層、モデル選択とリソース割り当て、検証とポリシー執行の知識を編成する。
• 参考スコア（独自算出の注目度）: 14.611854616345802
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI applications have shifted from single, monolithic foundation models (FM) to compound agentic systems. Yet today's stacks remain fragmented: even as protocols (e.g., MCP, A2A) ease tool/agent connectivity, each framework embeds an implicit runtime for state, memory, budgets, and guardrails, making behavior non-portable and governance brittle. It mirrors computing before operating systems, when every program re-implemented basic services. This position paper argues that the field now needs a Foundation Model Operating System (FMOS) -- a system layer that virtualizes FM interactions analogous to how virtual machines abstract physical hardware, giving applications the illusion of dedicated, trustworthy FM instances with effectively unbounded capabilities. Internally, the FMOS orchestrates knowledge across memory tiers, model selection and resource allocation, and verification and policy enforcement. Like the human brain switching between fast intuition and slow deliberation, the FMOS learns when to intervene and when to let inference proceed directly and continuously adapting its policies based on operational experience.
• Abstract（参考訳）: AIアプリケーションは、単一のモノリシック基盤モデル(FM)から複合エージェントシステムに移行した。 各フレームワークは、状態、メモリ、予算、ガードレールの暗黙のランタイムを組み込み、振る舞いを可搬性なく、管理が不安定になる。 あらゆるプログラムが基本サービスを再実装した時、オペレーティングシステムの前にコンピューティングを反映する。 FMのインタラクションを仮想化するシステム層は、仮想機械が物理ハードウェアを抽象化する方法と類似しており、アプリケーションに効果的に非有界な機能を備えた、信頼できるFMインスタンスの錯覚を与える。 内部的には、FMOSはメモリ階層間の知識、モデル選択とリソース割り当て、検証とポリシー執行を編成する。 人間の脳が速い直感と遅い熟考を切り替えるのと同じように、FMOSはいつ介入するか、いつ推論が直接進行し、運用経験に基づいてポリシーを継続的に適応するかを学ぶ。

関連論文リスト

• From Chatbot to Digital Colleague: The Paradigm Shift Toward Persistent Autonomous AI [74.72113315839412]
  大規模言語モデル(LLM)は、推論、記憶、自己改善が可能な統合AIシステムへの根本的な変換が行われている。 我々は、この移行を、叙事詩からデジタル・コルリーグへのシフトとして概念化している:会話の答えから永続的な仕事へ。
  論文  参考訳（メタデータ） (2026-06-12T14:33:55Z)
• LIFE -- an energy efficient advanced continual learning agentic AI framework for frontier systems [0.0]
  本稿では、モノリシックなトランスフォーマーを超えて、エージェントAIとブレインインインスパイアされたアーキテクチャを、持続可能な適応システムへの補完パスとして強調する。 本稿では,インクリメンタル,フレキシブル,エネルギ効率のよい推論・学習フレームワークLIFEを提案する。 我々はLIFEを特定のクローズドループHPCオペレーションの例に置き、そのようなクラスタ上で実行されているクリティカルなマイクロサービスが経験するレイテンシのスパイクを検出し緩和する。
  論文  参考訳（メタデータ） (2026-04-14T15:23:36Z)
• AgentOS: From Application Silos to a Natural Language-Driven Data Ecosystem [39.8098595660156]
  本稿では,AgentOS(Personal Agent Operating System)の新たなパラダイムを提案する。 AgentOSでは、従来のGUIデスクトップは、統一された自然言語や音声ポータルを中心としたNUI(Natural User Interface)に置き換えられている。 システムコアは、ユーザの意図を解釈し、タスクを分解し、複数のエージェントをコーディネートするエージェントカーネルとなる。
  論文  参考訳（メタデータ） (2026-03-09T21:13:52Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• State and Memory is All You Need for Robust and Reliable AI Agents [29.259008600842517]
  大規模言語モデル(LLM)は、自然言語の理解と生成において強力な進歩を実現している。 しかし、複雑な現実世界の科学への応用は、記憶、計画、ツール統合の課題によって制限されている。 本稿では、LLMベースのエージェントが自律的に計画し、推論し、堅牢で信頼性の高いドメイン固有タスク実行を実現することができるモジュール型エージェントフレームワークであるSciBORGを紹介する。
  論文  参考訳（メタデータ） (2025-06-30T02:02:35Z)
• MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models [31.944531660401722]
  我々は,大規模言語モデル(LLM)用に設計されたメモリオペレーティングシステムであるMemOSを紹介する。 コアとなるMemCubeは、異種メモリの追跡、融合、マイグレーションを可能にする標準化されたメモリ抽象化である。 MemOSは、強力な制御性、適応性、進化性を備えたメモリ中心の実行フレームワークを確立する。
  論文  参考訳（メタデータ） (2025-05-28T08:27:12Z)
• InternLM-XComposer2.5-OmniLive: A Comprehensive Multimodal System for Long-term Streaming Video and Audio Interactions [104.90258030688256]
  本研究は,ストリーミング映像とオーディオ入力とのリアルタイムインタラクションを実現するために,非絡み合いのストリーミング知覚,推論,メモリ機構を導入している。 このプロジェクトは人間のような認知をシミュレートし、多モーダルな大規模言語モデルが時間とともに継続的かつ適応的なサービスを提供できるようにする。
  論文  参考訳（メタデータ） (2024-12-12T18:58:30Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)

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。