MIT и Microsoft научили AI-агентов работать в 3 раза эффективнее
Исследователи из MIT и Microsoft создали систему Murakkab, которая автоматически оптимизирует работу AI-агентов (agentic workflows). Разработчик просто описывает задачу обычным языком, а система сама подбирает модели, инструменты и железо. Результат: на 65% меньше вычислений, на 73% меньше энергопотребления, на 75% ниже стоимость — без потери качества.
Энергопотребление AI — одна из главных проблем индустрии, а agentic workflows становятся основой облачных сервисов. Технология MIT/Microsoft показывает, что можно снизить затраты в 3-4 раза без потери качества — это критично для масштабирования AI.
Проблема: AI-агенты жрут ресурсы впустую
Современные AI-приложения — это не одна модель, а целые конвейеры из нескольких AI-агентов, моделей и инструментов (называются agentic workflows). Например, чтобы ответить на вопрос по видео, нужно извлечь кадры, сгенерировать транскрипт, проанализировать контекст.
Но сейчас разработчики вручную прописывают каждую деталь: какие модели использовать, в каком порядке, на каком железе запускать. Это сложно, неэффективно и приводит к перерасходу вычислительных мощностей.
Решение: Murakkab — умный оптимизатор
Исследователи из MIT и Microsoft создали систему Murakkab (с урду — «композиция вещей»), которая автоматизирует весь процесс.
Как работает: - Разработчик описывает задачу обычным языком (например, "сделай приложение для Q&A по видео") - Murakkab сама выбирает оптимальные модели, инструменты и порядок их работы - При запуске система динамически настраивает железо под требования пользователя (скорость, стоимость, точность) - Облачный провайдер получает готовый оптимизированный workflow
Магия в цифрах: - 65% экономия вычислительных ресурсов (использует только ~35% от обычного объёма) - 73% меньше энергопотребления - 75% ниже стоимость выполнения - Качество работы не страдает
Почему это важно сейчас
AI-агенты становятся основой облачных сервисов, но энергопотребление дата-центров — огромная проблема. Традиционные подходы приводят к избыточному выделению ресурсов: лучше перестраховаться, чем рисковать производительностью.
Murakkab решает эту дилемму: система видит всю картину целиком и умеет балансировать между скоростью, точностью и затратами в реальном времени. Если завтра выйдет новая модель или GPU — разработчику не нужно ничего переделывать, система сама адаптируется.
Работа будет представлена на USENIX Symposium on Operating Systems Design and Implementation.
Ключевые выводы
- AI-агенты (agentic workflows) быстро становятся стандартом индустрии, но их ручная настройка неэффективна и приводит к перерасходу ресурсов
- Система Murakkab позволяет описывать задачу обычным языком, автоматически подбирая оптимальные модели, инструменты и железо
- Динамическая оптимизация снижает вычислительные затраты на 65%, энергопотребление на 73% и стоимость на 75% без потери качества
- Облачные провайдеры получают полную видимость процессов и могут эффективнее распределять ресурсы между клиентами
- Система автоматически адаптируется к новым моделям и железу, избавляя разработчиков от постоянных переделок
Автор: Никита Громов · Источник: news.mit.edu
**Наконец-то кто-то занялся энергоэффективностью AI по-взрослому.** Agentic workflows (когда несколько AI-моделей работают цепочкой) — это уже реальность, но пока их настраивают как в каменном веке: вручную прописывают каждую модель, каждый параметр железа. Результат предсказуем — облачники перестраховываются и выделяют ресурсов с запасом, а счёт за электричество улетает в космос.
Murakkab решает проблему элегантно: ты описываешь задачу простым языком, а система сама жонглирует моделями и железом в реальном времени. Цифры впечатляют (65-75% экономии), но главное — это **системный подход**. Не "давайте возьмём модель поменьше", а "давайте сделаем так, чтобы вся эта франкенштейновская конструкция из агентов работала умно". Если подход зайдёт в продакшн у крупных облачников — это реально может сдвинуть индустрию с мёртвой точки по энергоэффективности.
Комментарии