プロアクティブエージェント研究環境：アクティブユーザーのシミュレーションによるプロアクティブアシスタントの評価

プロアクティブエージェントはユーザーのニーズを予測し自律的にタスクを実行する能力を持ち、デジタルアシスタントとして大きな可能性を秘めています。しかし、現実的なユーザーシミュレーションフレームワークの欠如がその開発を妨げています。既存のアプローチではアプリケーションをフラットなツール呼び出しAPIとしてモデル化しており、デジタル環境におけるユーザーインタラクションの状態性と順序性を捉えられず、現実的なユーザーシミュレーションは不可能でした。この問題に対処するため、カリフォルニア大学サンタバーバラ校、独立研究者、ワシントン大学、Appleの研究者らは、プロアクティブエージェント研究環境（Pare）を提案しました。Pareはアプリケーションを有限状態機械としてモデル化し、状態に依存したナビゲーションとアクション空間をユーザーシミュレータに提供することで、アクティブなユーザーシミュレーションを可能にします。この基盤に基づき、研究チームはPare-Benchベンチマークを公開しました。これは、コミュニケーション、生産性、スケジューリング、ライフスタイルアプリにわたる143の多様なタスクで構成され、コンテキスト観察、目標推論、介入タイミング、マルチアプリオーケストレーションをテストするために設計されています。コンテキスト観察ではエージェントが現在のユーザー状態と環境を理解する必要があり、目標推論ではユーザーの行動から意図を推測します。介入タイミングはエージェントが適切なタイミングで積極的に支援できるかどうかを評価し、マルチアプリオーケストレーションは複数のアプリケーションを調整して複雑なタスクを完了する能力を評価します。このベンチマークはプロアクティブエージェントの標準化された評価プラットフォームを提供します。さらに、論文では関連研究として、長期対話型LLMエージェントの強化学習（2025年2月発表）や、マルチエージェント交渉の自己対戦学習（2019年ICCVワークショップ）についても言及しています。これらの研究は、Pareフレームワークとともにプロアクティブエージェント研究の最前線を形成しています。Pareフレームワークの提案により、プロアクティブエージェントの評価と開発のためのより現実的なシミュレーション環境が提供され、この分野の進展が期待されます。本研究は2026年7月にApple機械学習研究サイトで公開されました。