Google AIのTTD-DR：人間着想の拡散モデルで高度な深層研究を推進

大規模言語モデル（LLM）の最近の進歩は、学術および産業の両分野で深層研究（DR）エージェントの人気を急速に高めています。しかし、これらのAIエージェントの多くは、人間の研究に不可欠な構造化された反復的な思考および執筆プロセスを欠いています。彼らはしばしば、人間研究者にとって極めて重要な、下書き、検索、フィードバックの活用といったステップを組み込むことに失敗します。現在のDRエージェントは、統一されたフレームワークなしに様々なアルゴリズムやツールをまとめる傾向があり、人間の研究能力に匹敵するか、それを超えることができる専用システムの大きな必要性を浮き彫りにしています。既存の方法に人間着想の認知プロセスが欠如していることは、AIエージェントが複雑な研究タスクを扱う方法と、その人間の対応者との間に顕著なギャップを生み出しています。

AI駆動型研究に対する既存のアプローチは、いくつかの方法を模索してきました。これには、反復的洗練アルゴリズム、議論メカニズム、仮説ランキングのためのトーナメント形式のシステム、および研究提案を生成するための自己批判システムが含まれます。マルチエージェントシステムは、プランナー、コーディネーター、研究者、レポーターなどの専門コンポーネントを利用して詳細な応答を生成します。一部のフレームワークでは、フィードバックを統合するために人間コパイロットモードも許可されています。さらに、エージェントチューニングアプローチは、多タスク学習目標、個々のコンポーネントの教師ありファインチューニング、および検索およびブラウジング能力を強化するための強化学習を通じたトレーニングに焦点を当てています。LLM拡散モデルは、完全な「ノイズの多い」下書きを生成し、それを反復的に洗練することで、線形かつ自己回帰的なサンプリングを超えようと試みていますが、包括的な人間着発想のフレームワークは依然として捉えどころがありません。

これらの限界に対処するため、Googleの研究者たちは「テストタイム拡散深層研究者（TTD-DR）」を導入しました。この新しいフレームワークは、情報の検索、思考、洗練という繰り返しのサイクルを含む、人間の研究の反復的な性質からインスピレーションを得ています。TTD-DRは、研究レポートの生成を「拡散プロセス」として概念化しています。これは、進化するアウトラインと基礎として機能し、研究の方向性を動的に導く初期ドラフトから始まります。このドラフトは、「デノイズ」プロセスを通じて反復的に洗練され、各ステップで外部情報を組み込む検索メカニズムによって継続的に情報が提供されます。このドラフト中心の設計は、レポート作成をよりタイムリーかつ一貫性のあるものにすると同時に、反復的な検索プロセス中の情報損失を大幅に削減することを目的としています。TTD-DRは、集中的な検索と複雑な多段階推論を必要とするベンチマークで最先端の結果を達成しています。

TTD-DRフレームワークは、線形または純粋に並列化されたプロセスをしばしば採用する既存のDRエージェントの限界を克服するように設計されています。そのコアアーキテクチャは、研究計画生成、反復検索と合成、最終レポート生成の3つの主要な段階で構成されています。各段階は、専門のLLMエージェント、独自のワークフロー、およびエージェントの状態を統合しています。主要なイノベーションは、エージェントが自己進化アルゴリズムを利用することです。AIにおける自己改善の最近の進歩に触発され、これらのアルゴリズムは並列、シーケンシャル、およびループのワークフローで実装され、3つのすべての段階に適用できます。これにより、エージェントは継続的にパフォーマンスを向上させ、高品質のコンテキスト情報を見つけて保存し、全体的な出力品質を向上させることができます。

OpenAI Deep Researchとの並行比較において、TTD-DRは優れた性能を示しました。長文の研究レポート生成タスクにおいて、TTD-DRは69.1%と74.5%の勝率を達成しました。また、短文の正解を必要とする3つの研究データセットにおいて、OpenAI Deep Researchをそれぞれ4.8%、7.7%、1.7%上回りました。このフレームワークは、特にLongForm Researchデータセットにおいて、自動化された有用性と網羅性のスコアで強力な性能を示しました。さらに、自己進化アルゴリズム単独で、LongForm ResearchでOpenAI Deep Researchに対して60.9%、DeepConsultで59.8%という印象的な勝率を達成しました。TTD-DRはHLEデータセットの正解スコアでも1.5%と2.8%の向上を示しましたが、GAIAでの性能はOpenAI DRより4.4%低いままでした。全体として、RetrievalとDiffusionの統合は、評価されたほぼすべてのベンチマークでOpenAI Deep Researchに対して大幅な向上をもたらしました。

結論として、GoogleのTTD-DRは、AI駆動型研究における重要な進歩を表しています。人間着想の認知設計を通じて根本的な制約に対処することで、このフレームワークは研究レポート生成を動的な拡散プロセスとして効果的にモデル化します。更新可能なドラフトスケルトンを使用し、各ワークフローコンポーネントに適用される自己進化アルゴリズムと組み合わせることで、研究の全過程で高品質のコンテキスト生成が保証されます。TTD-DRが様々なベンチマークで示した最先端の性能は、AI研究エージェントの能力を向上させ、包括的な長文レポートと簡潔な多段階推論タスクの両方で優れた結果を提供する可能性を強調しています。