ทันเอไอ

งานวิจัยเสนอให้ AI เอเจนต์ทดสอบหลายเส้นทางโดยไม่ต้องจำลองระบบทั้งชุด

งานวิจัยใหม่บน arXiv เสนอวิธี Agentic World Modeling ที่ให้ AI ทำนายผลการกระทำโดยค้นหาข้อมูลจากระบบจริงแบบอ่านอย่างเดียว แทนการก๊อปสภาพแวดล้อมทั้งชุด

เทคนิคที่เรียกว่า test-time scaling (การเพิ่มประสิทธิภาพตอนใช้งานจริง) ช่วยให้เอเจนต์ AI ทำงานดีขึ้นด้วยการสุ่มเส้นทางการทำงานหลายเส้นทาง แล้วเลือกเส้นทางที่ดีที่สุด แต่วิธีนี้มักสมมติว่าทุกเส้นทางรันขนานกันได้

ปัญหาคือในสภาพแวดล้อมจริงขององค์กร เช่น พื้นที่ทำงานร่วมกันหรือบริการคลาวด์ ระบบมักใช้ร่วมกันและมีสถานะคงอยู่ การก๊อประบบให้เหมือนเดิมอาจแพงหรือทำไม่ได้ และบางการกระทำอาจสร้างผลข้างเคียงที่ย้อนกลับไม่ได้ หรือกระทบเส้นทางอื่นที่รันอยู่พร้อมกัน

งานวิจัยที่ชื่อ Agentic World Modeling (AWM) เสนอให้เปลี่ยนการทำนายผลลัพธ์ถัดไปเป็นงานค้นหาหลักฐานหลายรอบ โดยโมเดลจำลองจะถามข้อมูลจากระบบจริงผ่านอินเทอร์เฟซแบบอ่านอย่างเดียว และสร้างผลลัพธ์ที่คาดการณ์ได้โดยไม่แก้ไขสถานะที่ใช้ร่วมกัน ต่างจากวิธีเดิมที่มักบีบสถานะของระบบทั้งหมดลงในพรอมต์เดียว

ผู้เขียนรายงานผลทดสอบบน τ-bench, AppWorld และ OfficeBench ว่า AWM ดีกว่าการจำลองแบบครั้งเดียวเฉลี่ยราว 40.07 เปอร์เซ็นต์ และดีกว่าโมเดลโลกที่ผ่านการเทรนเฉลี่ย 12.36 เปอร์เซ็นต์ อย่างไรก็ตาม ตัวเลขเหล่านี้มาจากผู้เขียนเองในพรีปรินต์ฉบับแรก ยังไม่ผ่านการตรวจสอบโดยผู้ประเมินอิสระ และกองบรรณาธิการยังไม่พบแหล่งข่าวอิสระที่สองที่ยืนยันผล