研究人員提出了一個框架，用于在物理世界中適應AI代理人

一組研究人員發表了題為 Toward Self-Adaptive Physical AI 的論文，提出了一種新的方法來使用LLM代理管理長期的物理任務。該系統允許代理在不需要預先在大量數據上進行訓練或對特定條件進行微調的情況下自主運作。

框架的架構結合了規劃模組、外部工具調用模組、環境觀察模組和行動驗證模組。與基於強化學習（RL）的傳統方法不同，所提出的模型以 zero-shot 方式運作，允許它在不需要人工干預的情況下實時適應環境的變化。

系統的有效性在變化的天氣模式下進行了 農業任務 的測試。結果表明，LLM代理在穩定條件下達到了與RL模型相似的結果，並在外部環境變化時表現出更高的穩健性。這證實了使用LLM管理複雜物理過程的可能性。

作者指出，目前的物理AI方法往往局限於虛擬模擬或需要大量的計算資源來重新訓練。新的方法降低了將自主系統應用於實際物理場景的門檻，在這些場景中，操作條件可能會不可預測地改變。該論文在 Creative Commons Attribution 4.0 許可下發表。