Wetenschappers hebben een innovatieve methode ontwikkeld om kunstmatige intelligentie effectiever in te zetten voor langdurige fysieke opdrachten. In een recent onderzoek, getiteld "Toward Self-Adaptive Physical AI: Can LLM Agents Manage Long-Horizon Physical Tasks?", analyseren Varun Kaushik, Yayun Tan en Xiaofan Yu hoe Large Language Model (LLM) agenten kunnen worden ingezet om complexe taken autonoom uit te voeren zonder constante menselijke sturing.
De kern van het probleem bij huidige fysieke AI-systemen is de starheid van bestaande modellen. Volgens de publicatie op arxiv.org kampen veel systemen met een overmatige afhankelijkheid van enorme hoeveelheden data. Wanneer de fysieke omgeving verandert, is vaak intensieve hertraining nodig om de effectiviteit te behouden. Bovendien zijn veel AI-agenten primair ontwikkeld voor virtuele omgevingen, wat de transitie naar de echte, fysieke wereld bemoeilijkt.
Om deze beperkingen te overbruggen, hebben de onderzoekers een multi-agent framework geïmplementeerd. Dit systeem is opgebouwd rond vier centrale pijlers: planning, het aanroepen van specifieke tools, observatie en verificatie. Door deze structuur kan een agent niet alleen een vooraf bepaald plan volgen, maar ook voortdurend de omgeving scannen en acties bijsturen op basis van actuele waarnemingen. Zoals beschreven op catalyzex.com, stelt dit framework de AI in staat om zelfadaptief te opereren in de fysieke ruimte.
De praktische haalbaarheid van dit systeem werd getest binnen de landbouwsector. Hierbij werden de LLM-agenten vergeleken met traditionele systemen die gebruikmaken van reinforcement learning (RL). Een cruciaal aspect van dit experiment was de 'zero-shot' benadering. Volgens berichtgeving via aicompass.dev betekent dit dat de agenten de taken moesten volbrengen zonder dat zij specifiek waren getraind op de exacte scenario's waarin zij werden geplaatst.
De resultaten tonen een interessant contrast in prestaties. In stabiele omstandigheden presteerden de zero-shot LLM-agenten nagenoeg gelijk aan de RL-agenten. Echter, zodra de omgeving veranderde — een zogenaamde 'shifted environment' met variabele weersomstandigheden — bleken de LLM-agenten superieur. Waar RL-systemen vaak vastliepen omdat de nieuwe situatie afweek van hun trainingsdata, konden de LLM-agenten hun redeneervermogen gebruiken om flexibel te adapteren aan de nieuwe omstandigheden.
Deze ontwikkeling past in een bredere wetenschappelijke trend naar AI die over een langere tijdspanne doelen kan nastreven, ook wel 'long-horizon tasks' genoemd. Deze focus op langdurige autonomie wordt breed ondersteund door de presentatie van het onderzoek op risewave.com, waar de nadruk ligt op de weg naar volledig zelfadaptieve fysieke AI.
Door de integratie van een verificatiestap kunnen de agenten hun eigen fouten herkennen en corrigeren. Dit is essentieel voor toepassingen in de echte wereld, waar een verkeerde actie direct fysieke gevolgen kan hebben. De studie concludeert dat de combinatie van de redeneercapaciteit van LLM's met een gestructureerd multi-agent framework een krachtig en minder data-intensief alternatief biedt voor traditionele methoden in de robotica en automatisering.