Система MIT и Microsoft сократила потребление энергии ИИ-агентов на 73%
Исследователи из Массачусетского технологического института и Microsoft представили систему Murakkab, которая автоматически оптимизирует работу так называемых агентных рабочих процессов — цепочек ИИ-инструментов, выполняющих сложные задачи. Работа опубликована 25 июня 2026 года на сайте MIT News.
Проблема, которую решает Murakkab
Агентный рабочий процесс — это набор языковых моделей, внешних инструментов и логических шагов, связанных в единую автоматизированную цепочку. Например, система может автоматически просматривать видео, отвечать на вопросы об увиденном и одновременно генерировать программный код для обработки этого видео. Такие системы стремительно усложняются и становятся основой для облачных сервисов автоматизации.
Проблема в том, что разработчики вынуждены вручную выбирать, какую модель использовать на каждом шаге, как их связывать и как балансировать между точностью и стоимостью. Сделать это правильно вручную — практически невозможно: пространство вариантов слишком велико.
Murakkab («сложный» в переводе с арабского) автоматизирует этот процесс. Система анализирует требования к задаче и динамически подбирает оптимальную конфигурацию агентного рабочего процесса.
Цифры эффективности
По результатам испытаний на задачах видеоответов и генерации кода система Murakkab в сравнении с альтернативными методами:
- Использовала лишь около 35% от объёма вычислений
- Потребляла около 27% от объёма энергии
- Стоила менее 25% от стоимости альтернативных подходов
- В одном из тестов снизила потребление энергии на порядок при потере точности лишь около 2%
- Выявила неожиданно эффективную конфигурацию выбора видеокадров, которую разработчик вручную не нашёл бы
Почему это важно сейчас
Рост потребления электроэнергии дата-центрами для обучения и запуска ИИ стал одной из главных проблем отрасли: по оценкам Национальной лаборатории Беркли, к 2028 году дата-центры будут потреблять до 12% всего электричества в США. Автоматизированная оптимизация агентных рабочих процессов — один из немногих способов получить больше полезной работы при меньших энергозатратах без изменения аппаратной базы.
Читайте также по теме: объяснимом применении ИИ в сложных задачах.
По словам ведущего автора работы Гохар Чодри, агентные рабочие процессы «становятся очень сложными и быстро превращаются в основу того, что делают облачные провайдеры». Следующий шаг — распространить подход Murakkab на более широкий спектр задач и проверить его в реальных промышленных условиях.
