I ricercatori hanno presentato un framework per l'adattamento di agenti AI nel mondo fisico

Un gruppo di ricercatori ha pubblicato un lavoro Toward Self-Adaptive Physical AI, in cui ha proposto un nuovo approccio alla gestione di compiti fisici a lungo termine con l'aiuto di agenti LLM. Il sistema consente agli agenti di funzionare in modo autonomo senza la necessità di un addestramento preliminare su enormi quantità di dati o di un addestramento aggiuntivo per condizioni specifiche.

L'architettura del framework combina moduli di pianificazione, invocazione di strumenti esterni, osservazione dell'ambiente e verifica delle azioni. A differenza dei metodi tradizionali basati sull'apprendimento per rinforzo (RL), il modello proposto funziona in modalità zero-shot, che gli consente di adattarsi ai cambiamenti dell'ambiente circostante in tempo reale senza l'intervento umano.

L'efficacia del sistema è stata testata su compiti agricoli in condizioni di pattern meteorologici in continua evoluzione. I risultati hanno mostrato che gli agenti LLM raggiungono risultati paragonabili ai modelli RL in condizioni stabili e dimostrano una maggiore resilienza al cambio dell'ambiente esterno. Ciò conferma la possibilità di utilizzare LLM per la gestione di processi fisici complessi.

Gli autori notano che gli approcci attuali all'AI fisica sono spesso limitati alle simulazioni virtuali o richiedono risorse computazionali significative per il riaddestramento. Il nuovo metodo riduce la barriera per l'implementazione di sistemi autonomi in scenari fisici reali, dove le condizioni operative possono cambiare in modo imprevedibile. Il lavoro è pubblicato sotto licenza Creative Commons Attribution 4.0.