アスク・シャオバイが自己研究モデル「O3」を発表：エージェントAIは「AI幻想」の解毒剤になれるか？

最近、AIアプリ"アスク・ホワイト"自社開発の次世代ネイティブ・エージェント・マクロモデルの発表 O3そして、社内テストのために一部のユーザーに公開された。公式発表によるとO3 このモデルの中核となる特徴は、綿密な推論と多ラウンド検証機能であり、現在の大規模言語モデルに存在する「AIの錯覚」、情報の断片化、回答への非効率的なアクセスといった問題を解決することを目的としている。

伝統的な1ラウンド制のQ&A AIとは異なる。O3 のワークフローは、より自動化された研究者に近い。ユーザーのタスクを受け取ると、自律的に推論と分析を行い、情報検索経路を計画し、何度もウェブ検索を繰り返してデータを取得し、検証する。必要に応じて、このモデルは相互参照のために別のツールも呼び出し、最終的にはテキスト、チャート、画像を統合した包括的なレポートを作成する。

ペインポイント：なぜAIはしばしば間違った質問に答えてしまうのか？

現在主流のビッグモデルで複雑な問題に対処する場合、ユーザーはしばしば次のようなジレンマに直面する：

• 答えはボロボロだ。モデルから返される情報は不完全であり、ユーザーは複数の質問を通して全体像を把握する必要がある。
• 情報の信頼性が低いモデルは、単一の検索や固まった知識ベースに依存するため、事実誤認、すなわち「AIの錯覚」を起こしやすい。
• 内容に深みがない作成された回答は情報の羅列になりがちで、構造化された詳細な分析に欠ける。
• 表現が荒く機械的回答はパターン化され、明確な "AI風味 "があり、自然さに欠けていた。

O3 このモデルはもともと、こうした課題に対処するために設計されたものだ。

O3のコアコンピタンス："検索 "から "調査 "へ

O3 Agentワークフローを導入することで、4つの中核分野で差別化を図っている。

• 正確で信頼できる：内蔵のマルチラウンド検証メカニズム

従来のモデルは、単一検索によって重要な情報を見逃すことが多かった。 O3 think-search-verify」サイクルを採用。信頼できる複数のデータソースに自動的に問い合わせ、相互検証を行い、回答の精度を高めます。

ケース比較

• マンデート:: "シャオミ携帯電話販売 2024年第1四半期"
• 従来のAI正確な数字は？前年比の伸び率は？そして「主な成長はどの市場からもたらされたのか？.
• O3IDCのデータを引用）、前年比12.3%増の4,080万台を出荷し、主な成長貢献地域として東南アジア市場を挙げている。

• 深く、効率的に：研究論文レベルの分析コンテンツを生成する

綿密な分析が必要な複雑な問題の場合。O3 マクロトレンド、ニッチポイント、将来展望を網羅し、明確に構造化された、情報が飽和した回答を短時間で出力できるため、情報の断片化を避けることができる。

ケース比較

• マンデート:: "EU 2030 カーボン・タリフ対応戦略"
• 従来のAI政策条項を列挙するのみで、産業への影響や実施の詳細を得るために、利用者からのさらなる質問を必要とする場合がある。
• O3戦略的道筋、産業インパクト・マトリックス分析、実施スケジュールを含む完全な戦略フレームワークを出力することができる。

• 自然で生き生きと：言葉と語り口の最適化

O3 言語生成は、特に長いテキストを作成するタスクに対処する場合、類推、感情、物語のリズムを導入することによって、出力を人間の著者の文体に近づけるように最適化されている。

ケース比較

• マンデート"冥王星の彼方にある謎の惑星について、8000語のSF小説を書いてください。"
• 従来のAIアウトプットが断片的で、ストーリーの一貫性がなく、言語スタイルも単一であることが多い。
• O3世界観の設定、プロットの展開、科学的な詳細を含む、統一されたストーリーテキストを作成する能力。

• グラフィック・リンケージ：プレゼンテーションの知的適応

質問の種類による。O3 最適な表示方法をインテリジェントに選択し、写真、表、円グラフなどの視覚化ツールを柔軟に使用して、ユーザーが情報の焦点を素早く把握できるようにします。

ケース比較

• マンデート:: "予算4,000ドルで4人の夏休み旅行を計画"
• 従来のAIアトラクションのリストをテキストのみで出力することができる。
• O3名所旧跡の写真、旅程表、予算配分の円グラフなど、図解入りの番組が好まれる傾向にある。

テクニカル分析：O3はどのように「自ら考える」のか？

アスク・ホワイト』のテクニカル・チームによれば。O3 その実現には、主に2つのコア技術が必要だ：知識グラフに基づくエージェントタスク合成歌で応えるエンド・ツー・エンド・エージェントによる学習.

その技術的な道筋は、2つの段階として理解することができる：

1. タスクの生成と計画モデルのトレーニングに先立ち、「データ合成エージェント」がネットワーク環境と相互作用することで知識グラフを構築する。この知識グラフに基づいて、システムは、多段階の推論とツールの起動を必要とする一連の複雑な「エージェントタスク」を生成し、これらのタスクに対してきめ細かい採点基準を設定する。これにより、トレーニング段階でモデルが受けるタスクが十分に複雑で、実世界に近いものとなる。
2. 強化された学習と最適化トレーニング中O3 エージェントは環境と自由に相互作用し、タスクの解決を試み、その行動の軌跡を記録します。タスク完了後、システムはあらかじめ定義された採点基準と知識グラフを用いて、回答の質と情報取得の完全性を評価する。評価スコアは、強化学習（RL）を通じてエージェントの行動戦略を最適化するための報酬信号として使用され、異なるタスクに検索戦略を効率的に適応させる方法を学習し、ツールを起動し、最終的に問題を解決する。

このエンド・ツー・エンドの強化学習アプローチは、AIの信頼性と自律性の問題を解決するために業界が現在模索している重要な方向性のひとつである。

アプリケーション・シナリオとエクスペリエンス・ポータル

O3 この機能により、社会人向けの業界調査、起業家向けの市場分析、コンテンツ制作者向けの共同パートナーなど、さまざまなシーンで活用することができる。

現在O3 このモデルは内部テスト段階にあり、ユーザーはウェブ版「Ask Xiaobai」またはアプリで体験する資格があるかどうかをチェックできる。

ウェブベース

モバイル

を受けて O3 このようなネイティブ・エージェント・モデルの出現により、AIは受動的な「質問と回答の機械」から能動的な「タスク・ソルバー」へと進化しつつある。まだ初期段階ではあるが、この技術的な道筋は間違いなく、現在のAIアプリケーションにおける多くのボトルネックを解決するための貴重な探索を提供する。