Araştırmacılar fiziksel dünyada AI ajanlarını uyarlamak için bir çerçeve sundular

Araştırmacılar grubu Toward Self-Adaptive Physical AI adlı bir çalışma yayınladı ve bu çalışmada LLM ajanlarını kullanarak uzun vadeli fiziksel görevlerin yönetimine yönelik yeni bir yaklaşım önerdi. Sistem, ajanların önceden büyük veri kümeleri üzerinde eğitim görmeden veya belirli koşullara göre yeniden eğitim görmeden özerk olarak çalışmasına olanak tanır.

Çerçeve mimarisi, planlama, dış araç çağırma, çevre gözlemi ve eylem doğrulama modüllerini bir araya getirir. Geleneksel yöntemlerin aksine, pekiştirme öğrenimi (RL) temelinde çalışan bu önerilen model zero-shot modunda çalışır, bu da insan müdahalesi olmadan gerçek zamanlı olarak çevre değişikliklerine uyum sağlamasına olanak tanır.

Sistemin etkinliği, değişen hava koşullarında tarım görevleri üzerinde test edildi. Sonuçlar, LLM ajanlarının stabil koşullarda RL modelleriyle karşılaştırılabilir sonuçlar elde ettiğini ve dış ortam değiştiğinde daha yüksek bir dayanıklılık gösterdiğini gösterdi. Bu, karmaşık fiziksel süreçlerin yönetiminde LLM kullanımının mümkün olduğunu kanıtlar.

Yazarlar, mevcut fiziksel AI yaklaşımlarının genellikle sanal simülasyonlarla sınırlı olduğunu veya yeniden eğitim için önemli hesaplama kaynakları gerektirdiğini belirtiyorlar. Yeni yöntem, işletme koşulları öngörülemez şekilde değişebilen gerçek fiziksel senaryolarda özerk sistemlerin uygulanması için engeli azaltıyor. Çalışma Creative Commons Attribution 4.0 lisansı altında yayınlandı.