一度学習した解法をデバイスに保存し再利用するAI技術が登場した。KAISTの研究チームは、小型AIがサーバーの大規模AIの知識を蓄積し活用することで、精度を維持しながらサーバー呼び出しを平均55.61%削減することに成功した。
KAISTは、コンピュータ科学部の李在吉教授の研究チームが、デバイスの小型AIとサーバーの大規模AIを効率的に接続するデバイス-サーバー協業技術『CURE（蓄積知識再利用）』を開発したと21日に発表した。
スマートフォンなどのデバイスは計算能力とメモリの制約から、軽量の小型AIモデルを主に使用する。小型モデルは簡単な問題は迅速に処理するが、複雑または未知の画像に対しては精度が低下する。一方、すべての問題を高性能サーバーAIに任せると、精度は向上するがデータの送受信時間や通信量、サーバーの計算コストが増加する。
このため、デバイスの小型AIがまず判断し、難しい問題だけをサーバーに送る協業方式が研究されてきた。しかし、従来の方式ではサーバーの回答をその時だけ使用し、捨ててしまうため、同様の問題が再度発生してもサーバーに同じ支援を繰り返し要求しなければならなかった。研究チームは、サーバーが提供した回答を一回限りの消費ではなく、デバイスがその後も利用できる知識として蓄積することに注目した。
CUREは、△小型AIが入力を自ら処理できるか判断する、△難しい場合はデバイスに保存されたサーバーの知識を優先的に活用する、△それでも不足する場合のみサーバーにリクエストするという3段階で機能する。サーバーが提供した回答は個別に保存せず、複数の事例が共有する特徴や違いを要約して知識として保管する。これにより、以前に見た事例だけでなく、初めて接する類似事例を判断する際にも蓄積された知識を活用できる。
研究チームは、画像とテキストを同時に理解するビジョン-言語モデルで性能を検証した。デバイス用の小型モデルはMobileCLIP2、サーバー用の大規模モデルはパラメータ180億個規模のEVA-CLIPを使用した。
さまざまな画像分類データセットの実験結果、CUREはすべての入力を大規模サーバーモデルで処理する方式に近い精度を維持しつつ、知識を蓄積しない従来のデバイス-サーバー協業方式よりもサーバー呼び出し回数を平均55.61%削減した。処理速度は従来の協業方式より最大2.8倍、すべての入力をサーバーに送る方式より最大3.67倍速かった。
CUREは小型・大規模モデルを別々に再学習させる必要なく、既存モデルにサーバーの知識を蓄えるストレージを追加するだけで適用可能である。スマートフォンの写真認識や画像検索だけでなく、ロボットやウェアラブルデバイスなど、限られたリソースで周囲の環境を認識する必要があるデバイスにも応用可能である。ただし、実際の適用効果はデバイスの性能や保存容量、通信環境、入力データの特性によって異なるため、さまざまなデバイスや環境での追加検証が必要である。
李在吉教授は「CUREはデバイスの小型AIがサーバーに同じ問題を繰り返し尋ねず、一度得た知識を記憶して再利用できるようにした技術である」と述べた。
今回の研究は、KAIST情報電子研究所の李英俊博士後研究員が第一著者、李在吉教授が責任著者として参加した。金道英アマゾン研究員、姜俊赫LG AI研究所研究員、宋煥俊KAIST産業システム工学科教授が共同著者として名を連ねた。研究結果は、2026年8月8日から12日までスウェーデンのマルメで開催された欧州コンピュータビジョン学会（ECCV 2026）で10日に発表された。今回の研究は、科学技術情報通信部と情報通信企画評価院の『人中心の人工知能核心原天技術開発事業』の『AI学習能力改善技術開発』課題の支援を受けて実施された。
* この記事はAIによって翻訳されました。
亜洲日報の記事等を無断で複製、公衆送信 、翻案、配布することは禁じられています。
