AIエージェントの普及が進む中、そのエネルギー消費と運用コストが深刻な課題となっています。 MITとMicrosoftが共同開発した新システム「Murakkab」は、この問題を根本から解決しようとしています。
この記事で分かること：
- Murakkabとは何か、どう機能するか
- 従来手法との比較における具体的な効率改善数値
- 開発者・クラウド事業者それぞれへのメリット
- 今後の研究展開の方向性
約6分で読めます。
【結論】重要ポイント3選#
大幅なリソース削減を実現 Murakkabは、従来手法と比べて必要な計算ユニット数を約35%にまで圧縮。エネルギー消費は約27%、コストは25%未満に抑えることが確認されています。
開発者の負担を大幅に軽減 自然言語でアプリの意図を記述するだけで、最適なモデル・ツール・ハードウェア構成を自動で選択します。技術的な詳細を事前に全て指定する必要がありません。
動的に構成を最適化 新しいモデルやGPUアクセラレーターが登場しても、開発者が作業をやり直す必要がなく、システムが自動で対応します。
アジェンティックワークフローとは？基本概念の解説#
アジェンティックワークフロー（Agentic Workflow）とは、複数の自律型AIエージェントが連携し、データベースやPythonプログラムなどの外部ツールを活用しながら、複数ステップの複雑なタスクを動的に処理するシステムです。
例えば、動画を分析してその内容に関する質問に答えるアプリや、コード生成タスクなどが典型的なユースケースです。
これらのワークフローは、ユーザー向けアプリケーションを裏側で支える基盤として機能しています。
「アジェンティックワークフローはますます複雑化しており、クラウドプロバイダーの根幹を担う存在になりつつある」 — Gohar Chaudhry（MIT EECS博士課程・本研究のリード著者）
従来手法の課題：なぜ非効率が生まれるのか#
従来の開発では、以下の全てを開発者が事前に手動で定義する必要がありました。
- 使用するAIエージェント・モデル・ツールの種類
- それらを使用する順序
- 実行するハードウェアの仕様
- 速度とコストのトレードオフバランス
しかし現実には、これら全てを最適に設定するのは極めて困難です。 なぜなら、考えられる設定の組み合わせ空間が非常に広大だからです。
また、アプリをデプロイするクラウドデータセンター側は、ワークフローの内部構造を把握できないため、リクエスト時点でのハードウェアリソース配分を最適化できないという問題もありました。
新モデルがリリースされた場合、開発者は最初からやり直す必要があります。 これが大きな時間・エネルギー・コストの無駄につながっていました。
Murakkabの主な特徴と技術仕様#
| 項目 | 内容 |
|---|---|
| システム名 | Murakkab（ウルドゥー語で「物事の組み合わせ」を意味する） |
| 開発機関 | MIT・Microsoft Azure |
| 発表予定 | USENIX Symposium on Operating Systems Design and Implementation |
| 対象 | アジェンティックワークフローの設計・デプロイ最適化 |
| 計算リソース削減 | 従来手法の約35%で動作 |
| エネルギー消費 | 従来手法の約27% |
| コスト | 従来手法の25%未満 |
Murakkabの動作フロー#
ステップ1：開発者がアプリの意図を自然言語で記述 例えば「動画からキーフレームを抽出し、文字起こしを生成し、ユーザーの質問に答える」と記述するだけで十分です。
ステップ2：最適なモデルとツールを自動選択 システムが既存のモデルとツールの中から最適な組み合わせを特定します。 同時に、逐次実行すべきコンポーネントと並列実行可能なコンポーネントを自動で判別します。
ステップ3：ユーザーの制約条件に応じてリアルタイム最適化 「レイテンシを守りつつ精度を最優先」など、ユーザーの優先事項に基づき、ハードウェア割り当てとデプロイスケジュールをリアルタイムで最適化します。
ステップ4：クラウドプロバイダーへの実行可能ワークフローを生成 クラウドプロバイダーは複数のワークロードを横断してリソースを効率的に共有できます。
業界への影響とメリット：なぜ今重要なのか#
開発者へのメリット#
- 技術的な詳細設定から解放され、アプリの「何をしたいか」に集中できる
- 新しいモデルやハードウェアが登場しても、自動で対応してくれる
- 手動では発見困難な最適設定を自動で発見できる
実際に、動画フレーム選択モデルに対して予想外の理想的な設定を発見した事例が報告されています。 Chaudhry氏によれば、このような最適化は開発者が手動で行うことはほぼ不可能とのことです。
クラウド事業者へのメリット#
- 複数ワークロードを横断したリソース共有が可能になる
- 過剰なリソース割り当てを防ぎ、エネルギーとコストを節約できる
- ユーザーの制約条件を満たしながら最大効率を実現できる
社会・環境へのメリット#
エネルギー消費はAI業界全体の大きな懸念事項となっています。 Murakkabにより、あるワークフローでは精度をわずか約2%低下させるだけで、エネルギー消費を1桁以上（10倍超）削減できたことが示されています。
エネルギー使用量は非常に重要な課題であり、これらのワークフローの効率性を慎重に考慮する必要があります。リソースの過剰割り当ては容易に発生し、エネルギーとコストの無駄につながります。 — Gohar Chaudhry
従来手法との主な違い#
| 比較項目 | 従来手法 | Murakkab |
|---|---|---|
| ワークフロー設計 | 全て手動でハードコード | 自然言語で記述、自動生成 |
| 新モデル対応 | 最初から再設定が必要 | 自動で動的に対応 |
| リソース配分 | 静的・手動設定 | リアルタイムで動的最適化 |
| クラウド側の可視性 | ワークフロー内部を把握困難 | 複数ワークロードを横断して可視化 |
| 計算コスト | 基準値（100%） | 約35%まで削減 |
| エネルギー消費 | 基準値（100%） | 約27%まで削減 |
よくある質問（FAQ）#
Q. Murakkabという名前の意味は？ A. ウルドゥー語で「物事の組み合わせ」を意味します。複数のモデルやツールを組み合わせるシステムの性質を反映した名称です。
Q. どのようなアプリケーションで検証されましたか？ A. 動画Q&AおよびコードGENという多様なアジェンティックワークフローでテストが行われました。詳細は元記事を参照してください。
Q. 今後の研究の方向性は？ A. 研究チームは、より複雑なワークフローや大規模なコンピューティングクラスターへの対応拡張、および新しいアジェンティックアプリケーションの最適化機会の探索を計画しています。
Q. この研究はどこで発表されますか？ A. USENIX Symposium on Operating Systems Design and Implementationでの発表が予定されています。
まとめ：押さえておくべき重要ポイント#
Murakkabは、AIエージェントのワークフロー設計・デプロイを自動最適化するシステムであり、MITとMicrosoft Azureの共同研究です。
開発者は自然言語でアプリの意図を記述するだけでよく、技術的詳細の手動設定が不要になります。
計算リソースを約35%、エネルギーを約27%、コストを25%未満に削減できることがテストで確認されています。
精度を約2%下げるだけでエネルギーを10倍以上削減できるトレードオフの柔軟な制御も可能です。
今後は複数のワークフローや大規模クラスターへの拡張が研究の次のステップとして計画されています。
AIエージェントの普及が加速する中、Murakkabのようなリソース最適化技術は、クラウド事業者・開発者・そして環境の三方にとって非常に重要な意味を持ちます。 研究の詳細や最新動向については、元記事をご確認ください。
