Исследователи представили фреймворк для адаптации AI-агентов в физическом мире

Группа исследователей опубликовала работу Toward Self-Adaptive Physical AI, в которой предложила новый подход к управлению долгосрочными физическими задачами с помощью LLM-агентов. Система позволяет агентам функционировать автономно без необходимости предварительного обучения на огромных массивах данных или дообучения под конкретные условия.

Архитектура фреймворка объединяет модули планирования, вызова внешних инструментов, наблюдения за средой и верификации действий. В отличие от традиционных методов, основанных на обучении с подкреплением (RL), предложенная модель работает в режиме zero-shot, что позволяет ей адаптироваться к изменениям окружающей среды в реальном времени без участия человека.

Эффективность системы была протестирована на сельскохозяйственных задачах в условиях меняющихся погодных паттернов. Результаты показали, что LLM-агенты достигают результатов, сопоставимых с RL-моделями при стабильных условиях, и демонстрируют более высокую устойчивость при смене внешней среды. Это подтверждает возможность использования LLM для управления сложными физическими процессами.

Авторы отмечают, что текущие подходы к физическому AI часто ограничены виртуальными симуляциями или требуют значительных вычислительных ресурсов для переобучения. Новый метод снижает барьер для внедрения автономных систем в реальные физические сценарии, где условия эксплуатации могут непредсказуемо меняться. Работа опубликована под лицензией Creative Commons Attribution 4.0.