I ricercatori hanno presentato il framework Dream-RSI per l'apprendimento autosufficiente ricorsivo

I ricercatori hanno pubblicato Dream-RSI — un nuovo framework per l'apprendimento ricorsivo degli agenti AI in ambienti dinamici. Il sistema utilizza la storia accumulata delle scoperte come simulatore di replay, consentendo ai modelli di valutare e correggere le loro strategie senza la necessità di eseguire costosi test online.

L'obiettivo principale di Dream-RSI è quello di minimizzare i costi computazionali migliorando iterativamente gli agenti. Invece di interagire direttamente con l'ambiente esterno a ogni fase, l'algoritmo crea un modello interno del mondo basato sui dati passati. Ciò consente al sistema di eseguire migliaia di simulazioni in modalità autonoma, mantenendo al contempo un'elevata precisione decisionale.

Durante il test, il framework ha dimostrato la capacità di accumulare esperienza in modo autonomo, in cui l'agente identifica autonomamente le lacune nelle proprie conoscenze e le colma attraverso mondi in evoluzione. Il metodo consente di evitare la degradazione delle strategie, caratteristica degli approcci standard all'apprendimento per rinforzo, grazie alla costante convalida attraverso i dati storici.

La tecnologia è orientata a risolvere problemi in condizioni di risorse limitate, dove l'apprendimento tradizionale richiede potenze significative. Gli sviluppatori notano che l'utilizzo del replay storico riduce il carico sull'infrastruttura durante la scalabilità degli agenti a compiti complessi a più livelli. I risultati dettagliati degli esperimenti e la descrizione matematica dell'algoritmo sono disponibili nella pubblicazione scientifica.