물리적 인공지능의 자기 적응형 향상: LLM agent가 장기 물리적 작업을 관리할 수 있을까?

대규모 언어 모델(LLM) agent는 인간의 개입 없이 장기간의 물리적 작업을 자동으로 관리하는 데 hứ부한 길을 제공합니다. 그러나 물리적 작업은 agent가 환경을 지속적으로 관찰하고 결과적인 행동을 하며 환경이 변하는 동안에도 효과를 유지해야 합니다. 기존의 방법은 대부분 대규모 데이터와 재학습을 필요로 하거나 주로 가상 세계에서 작동하는 agent에 초점을 맞추고 있습니다. 이 연구에서는 인간의 개입 없이 환경 변화를 adapting하는 self-adaptive 물리적 AI agent를 구축하는 가능성을 탐구합니다. 장기간 물리적 작업을 관리하는 zero-shot 방식으로 환경 변화를 adapting하는 agent를 설계하고, multi-agent framework를 계획, tool calling, 관찰, 그리고 verification를 통합하여 평가합니다. 우리는 RL agent와 비교하여 다양한 기상 패턴에서 농업 작업을 평가하여, 결과가 RL agent와 동일한 기상 패턴에서 유사한 관리 결과를 달성할 수 있으며, shifted 환경에서 RL보다 더 효과적으로 adapting하는 zero-shot LLM agent를 확인했습니다.