MIT と Microsoft の Murakkab――AI ワークフロー自動最適化で計算量 35% 削減

2026年6月26日 08:13

💡

MIT と Microsoft Azure が共同開発した Murakkab は、自然言語でタスクを指定すると AI モデル・ツール選択とリソース配分を自動最適化。計算量 35%、エネルギー 27% 削減を実現。USENIX OSDI で 7 月発表予定

MIT と Microsoft の Murakkab――AI ワークフロー自動最適化で計算量 35% 削減

MIT 電気工学・コンピュータ科学部門と Microsoft Azure が共同開発した Murakkab（ウルドゥー語で「複合体」の意）は、自然言語で指定された AI ワークフローを自動最適化するシステムです。7 月 13～15 日にシアトルで開催される USENIX OSDI 2026 で正式発表予定。

この研究は、急速に複雑化する「AI エージェント連携」のコスト・エネルギー問題に光を当てています。

課題：Agentic Workflows の非効率性

近年、複数の AI モデル・ツールを連携させた「Agentic Workflows」が主流になりました。例えば：

ビデオ分析タスク：ビデオ理解モデル → テキスト抽出 → 質問回答 AI → レポート生成
コード生成タスク：自然言語理解 → コード生成モデル → 品質チェック → テスト実行

これらのワークフローは強力ですが、深刻な問題があります：

問題1：開発者の手動設定

従来は、開発者が以下をすべて事前に指定する必要がありました：

どの AI モデルを使うか（GPT-4・Claude・Llama など）
各ステップでどのくらいのリソース（GPU・メモリ）を割り当てるか
新しいモデルが登場したときに全ワークフローを再設定

問題2：クラウドプロバイダーの最適化不足

Amazon SageMaker・Google Vertex AI・Azure Machine Learning などのクラウドサービスでも、ワークフロー全体のリソース配分を自動最適化できませんでした。その結果：

過剰なリソース割当：全タスクが「最悪ケース」を想定して実行される
エネルギー浪費：不要な計算が大量に行われている
コスト増大：クラウド料金が必要以上に高くなる

問題3：モデルの急速な進化に非対応

新しく高精度・低コストなモデルが登場しても、既存ワークフローに組み込むには手動の再設計が必要。企業は常に「最新モデルの恩恵」を見落としていました。

Murakkab の仕組み

ステップ1：自然言語でタスク指定

開発者は単に「このビデオから物体を検出して、見つかった物体について質問に回答する」と指定するだけ。技術的詳細は Murakkab が自動処理します。

ステップ2：モデル・ツール選択の自動化

Murakkab は以下を自動判断します：

最適なモデル選択：タスクの要件に合わせて、利用可能なモデルの中から最適なものを自動選択
精度・コストのバランス：高精度が必要か、それとも高速処理が優先か。トレードオフを自動最適化
リソース配分：各ステップに必要な計算リソースを動的に割り当て

ステップ3：実行時リソース最適化

クラウドプロバイダーと連携して、実行時に：

GPU・CPU・メモリ割当を動的に調整
不要な冗長計算を排除
並列実行可能な処理を検出して同時実行

パフォーマンス：数字で示す効果

テスト結果（平均）

メトリクス	削減率	注記
計算量	35% 削減	同じ精度を保持
エネルギー消費	27% 削減	実環境での電力使用量
クラウドコスト	25% 未満削減	計算リソース課金ベース