論文の概要: Toward Knowledge-Centric AI: Discovering, Internalizing, and Using Explicit Knowledge Across Agents and Generations

• arxiv url: http://arxiv.org/abs/2611.03157v1
• Date: Mon, 02 Nov 2026 14:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 12:58:39.0463
• Title: Toward Knowledge-Centric AI: Discovering, Internalizing, and Using Explicit Knowledge Across Agents and Generations
• Title（参考訳）: 知識中心AIに向けて:エージェントとジェネレーション間の明示的な知識の発見、内部化、利用
• Abstract要約: 次世代AIは知識中心で、単一のエージェントから独立して、明示的で継続的な進化を続ける知識層を中心に構築されるべきである、と私たちは主張する。 我々は、内部化は、イベントの条件保存概念化に焦点を絞った、トレーニングとメンテナンスの永続的な対象となるべきであると論じる。
• 参考スコア（独自算出の注目度）: 55.15684872291504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge is how understanding accumulates across people and generations: durable records that outlive their producers and that others can check, combine, teach, and correct. AI agents are now built and run by many independent users and organizations, and each agent is upgraded, replaced, or retired within months. Yet what an agent learns stays trapped in model parameters, a transient context window, or a system-specific memory store that is appended to and retrieved from rather than processed. We argue that the next generation of AI should be knowledge-centric, built around an explicit, continuously evolving knowledge layer independent of any single agent. In this loop, agents discover knowledge from their environments and trajectories; the layer internalizes it by turning fragmented, heterogeneous records and experience into composable, revisable understanding; and agents across systems and generations use the result and return new outcomes for revision. While discovery and use have advanced rapidly with large language model agents, internalization remains the bottleneck. We argue that internalization should become a persistent object of training and maintenance-centered on condition-preserving conceptualization of events and deductive, inductive, and abductive reasoning across noisy, heterogeneous representations (text, tables, graphs, rules, and programs). To power this layer, we call for knowledge foundation models that provide shared neural capacity for knowledge computation, and outline a research agenda showing how an explicit knowledge layer delivers reuse, cost efficiency, auditability, and continuity across agent generations.
• Abstract（参考訳）: 知識は、人や世代にまたがる理解の蓄積の仕方である: 耐久性のある記録は、生産者より長生きし、他の人がチェック、組み合わせ、教え、正し得る。 AIエージェントは、多くの独立したユーザや組織によって構築および実行され、各エージェントは数ヶ月以内にアップグレード、置換、または廃止される。 しかし、エージェントが学んだことは、モデルパラメータ、過渡的なコンテキストウィンドウ、あるいは処理ではなく追加され、取得されるシステム固有のメモリストアに閉じ込められているままです。 次世代AIは知識中心で、単一のエージェントから独立して、明示的で継続的な進化を続ける知識層を中心に構築されるべきである、と私たちは主張する。 このループでは、エージェントは環境や軌道から知識を発見し、レイヤーは断片化された異質な記録と経験を構成可能で変更可能な理解に変えることで内部化する。 大規模な言語モデルエージェントによる発見と利用は急速に進んでいるが、内部化は依然としてボトルネックとなっている。 我々は、内部化は、イベントの条件保存の概念化と、ノイズ、不均一な表現(テキスト、テーブル、グラフ、ルール、プログラム)にまたがる誘導的、誘導的、帰納的推論に焦点をあてて、トレーニングとメンテナンスの永続的な対象となるべきであると論じている。 このレイヤを支えるために、知識計算のための共有ニューラルネットワーク能力を提供する知識基盤モデルを提案し、明示的な知識層がエージェント世代間での再利用、コスト効率、監査可能性、継続性をどのように提供するかを示す研究課題を概説する。

関連論文リスト

• Distilling Agentic Systems: A Roadmap across Models, Artifacts, and Harnesses [65.75252275833421]
  現代のエージェントは記憶、ツール、実行ロジックにますます依存しているため、その能力はモデルパラメータを超えて拡張される。 このシフトは、学生モデルが教師モデルをどのように模倣するかを問う、従来の知識蒸留の限界を明らかにする。 我々は,エージェント蒸留を,教師エージェントから学生エージェントへのタスク解決知識の永続的伝達として定義する。
  論文  参考訳（メタデータ） (2026-09-29T03:38:17Z)
• Knowledge-Centric Self-Improvement [28.85741798328687]
  自己改善型AIシステムはエージェントを、プロンプト、ハーネス、さらにはエージェント自身のコードを最適化することによって改善するオブジェクトとして扱う。 このエージェント中心のビューは、メンテナンスにコストがかかり、転送が困難になる。 我々は,エージェントが汎用的で使い捨てであるような,知識中心の自己改善という補完的パラダイムについて研究する。
  論文  参考訳（メタデータ） (2026-07-21T21:38:39Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• Memento No More: Coaching AI Agents to Master Multiple Tasks via Hints Internalization [56.674356045200696]
  本稿では,複雑なメモシステムや事前の高品質な実演データを必要としない,複数のタスクに対する知識とスキルを取り入れたAIエージェントの訓練手法を提案する。 このアプローチでは,エージェントが新たな経験を収集し,ヒントの形で人間から補正フィードバックを受け取り,このフィードバックを重みに組み込む,反復的なプロセスを採用している。 Llama-3をベースとしたエージェントに実装することで,数ラウンドのフィードバックの後,高度なモデルGPT-4oとDeepSeek-V3をタスクセットで性能向上させる手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-02-03T17:45:46Z)
• Dual Cognitive Architecture: Incorporating Biases and Multi-Memory Systems for Lifelong Learning [21.163070161951868]
  本稿では,複数のサブシステム,暗黙的かつ明示的な知識表現,帰納的バイアス,マルチメモリシステムを含むDual Cognitive Architecture(DUCA)を紹介する。 DUCAはさまざまな設定やデータセットにまたがって改善を示し、余分な情報を必要とせずにタスクの遅延バイアスを低減している。 分散シフトが困難な場合の生涯学習手法の汎用性をさらに検証するため,ドメイン・インクリメンタル・データセットDN4ILを導入する。
  論文  参考訳（メタデータ） (2023-10-17T15:24:02Z)
• AIGenC: An AI generalisation model via creativity [1.933681537640272]
  本稿では,創造性に関する認知理論に触発された計算モデル(AIGenC)を紹介する。 人工エージェントが変換可能な表現を学習、使用、生成するために必要なコンポーネントを配置する。 本稿では, 人工エージェントの配当効率を向上するモデルの有効性について論じる。
  論文  参考訳（メタデータ） (2022-05-19T17:43:31Z)
• Towards a Universal Continuous Knowledge Base [49.95342223987143]
  複数のニューラルネットワークからインポートされた知識を格納できる継続的知識基盤を構築する方法を提案する。 テキスト分類実験は有望な結果を示す。 我々は複数のモデルから知識ベースに知識をインポートし、そこから融合した知識を単一のモデルにエクスポートする。
  論文  参考訳（メタデータ） (2020-12-25T12:27:44Z)

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。