米国南加州大学の博士課程学生・楊威（Yang Wei）らの研究チームが、大型言語モデル（LLM）を活用した多智能体システムにおける「協調の本質」に着目し、新たな「メタ戦略協議フレームワーク」（Meta-Policy Deliberation Framework, MPDF）を提案した。この研究は、単一モデルの限界を補うための「集団知性」の実現に向け、従来の「ルール依存型」の協調から「自律的・戦略的」な協調へと進化させる画期的なアプローチを提示している。 これまでの多智能体研究は、主に三つの方向に分かれていた。一つは「合意強化」で、Self-ConsistencyやTree-of-Thoughts、議論型協調などを通じて精度を向上。二つ目は「外部知識・ツールの統合」で、検索やAPI連携を協調プロセスに組み込む。三つ目は「学習ベースの協調」で、SFTや強化学習（PPO/DPOなど）を用いて協調プロセスをデータ駆動で最適化する試みだ。しかし、これらの手法は「いつ堅持するか」「いつ修正するか」「いつ譲歩するか」といった戦略的判断を内生的に学べず、話題の過剰発言や早期固定、反復揺らぎといった課題を抱えていた。 楊威らの研究は、この「戦略的判断の欠如」に着目。各智能体が「自分と他者の認知状態」を評価し、自ら「堅持（Persist）」「最適化（Refine）」「譲歩（Concede）」の三つの高次行動を選択できる「メタ戦略（meta-policy）」を学習可能にする。これにより、智能体は「協調のルール」を単に実行する存在から、「どう協調すべきかを判断する主体」へと進化する。 技術的には、研究チームは「SoftRankPO」と呼ばれる強化学習アルゴリズムを設計。報酬のスケールや長尾分布に強い、分位数に基づく平滑な優位性評価を導入し、訓練の安定性を大幅に向上。さらに、チーム効果を「個人の自己改善度」と「最終合意への限界貢献度」に分解する「差分共識報酬」による信用割当を採用。これにより、誰がいつ何を貢献したかが明確になり、システムの可解性と安全監査が可能になる。 実験では、数学推論や一般知識問題において、従来手法より高い精度と安定性を達成。特に、少数派の論理的整合性が高い場合でも「堅持」を選択し、他の智能体を誘導する「戦略的収束」が観測された。これは「多数決」ではなく「論理的説得力」が優先される集団知性の実現を示唆している。 今後の展開として、より大規模なモデルでの拡張や、人間とAIの協調（Human-AI Collaboration）への応用が計画されている。研究チームは、AIが「どう協調すべきか」を学ぶことで、金融リスク評価や災害対応、新薬開発など、高リスク・高複雑度の現場での信頼性を飛躍的に高められると期待している。