Svenska forskare utvecklar schack-AI som lär sig som människor – når mästarklassnivå utan traditionella algoritmer
Svenska forskare skapar schack-AI som lär sig som människor.
Svenska genombrott driver fram nästa generation autonoma system
Svenska forskare står i frontlinjen för en revolution inom autonoma system som fundamentalt förändrar hur maskiner lär sig och fattar beslut. Enligt nya studier från arXiv utvecklas AI-system som inte längre är bundna till traditionella programmeringsmetoder, utan istället utvecklar egen förståelse genom erfarenhet.
När schackrobotar lär sig tänka som människor
Ett banbrytande exempel kommer från en schack-AI som nått 2570 i rating på hastighetsschack – utan att använda traditionella sökalgoritmer. Istället för att beräkna miljontals möjliga drag analyserar systemet enbart sekvenser av tidigare partier, precis som en mänsklig spelare bygger upp sin intuition över tid.
Forskarna löste ett fundamentalt problem: hur ska en AI lära sig både att följa spelets regler och fatta smarta beslut? Genom att skala upp modellen från 28 till 120 miljoner parametrar och införa så kallad Elo-viktad träning kunde systemet uppnå 55,2% träffsäkerhet vid förutsägelse av mänskliga drag – bättre än tidigare system som Maia-2.
Agenter som utvecklas genom samarbete
Parallellt revolutioneras hur AI-agenter samarbetar genom HERA-ramverket, som låter agenter utveckla sina roller och sitt samarbete över tid. Till skillnad från statiska system som följer förutbestämda mönster, anpassar sig HERA-agenter baserat på erfarenhet och uppnår genomsnittligt 38,69% bättre resultat än befintliga metoder.
Denna utveckling får särskild betydelse när forskare samtidigt visar att nuvarande AI-assistenter för smartphones presterar mycket dåligt när det gäller personalisering. Den nya riktmärkningen PSPA-Bench avslöjar att även de starkaste AI-assistenterna har begränsad framgång i att anpassa sig till individuella användares arbetsflöden.
Robusthet för verkliga tillämpningar
En avgörande utmaning för autonoma system är säkerhet i verkliga miljöer. Svenska forskare har därför utvecklat spatiotemporal robusthet (STR) – en metod som mäter hur väl system hanterar störningar både i rummet och tiden samtidigt. Detta är kritiskt för flerrobotsystem, smarta städer och flygtrafikkontroll.
Metoden formuleras som flermålsoptimering och kan leda till säkrare autonoma system inom samhällskritiska funktioner. Samtidigt har andra forskare utvecklat verktyg som VCC (View-oriented Conversation Compiler) för att analysera komplexa AI-agentloggar, vilket halverat tokenförbrukningen samtidigt som träffsäkerheten ökat.
Effektiv inlärning med begränsade resurser
En genomgående trend är utveckling av metoder för resursseffektiv inlärning. Forskare presenterar Occupancy-based Policy Compression (OPC) som fokuserar på långsiktig täckning av tillståndsrymden istället för enskilda handlingar, vilket ger bättre generalisering.
Parallellt har en ny minnesmodell för kontinuerlig inlärning utvecklats som använder Bridge Diffusion-processer. Metoden kräver endast O(LKd²) beräkningar per dag utan återpropagering eller lagrade data, vilket gör den lämplig för hårdvara med begränsad processorkraft.
Från teori till verklig påverkan
Att denna forskning når praktisk tillämpning visas av PASM-modellen som förutsäger orkanflykt mellan olika regioner. Genom att kombinera stora språkmodeller med symbolisk regression skapar systemet läsbara beslutsregler som katastrofplanerare kan använda direkt.
Simula-ramverket för syntetisk datagenerering löser samtidigt problmet med databrist genom att låta AI-agenter självständigt generera träningsdata utan ursprungsdata eller manuella instruktioner.
Vår analys: Autonoma system mognar för storskalig implementering
Dessa genombrott signalerar att autonoma system står vid en vändpunkt. Vi ser en tydlig utveckling från regelbaserade system mot verkligt adaptiva intelligenser som lär sig genom erfarenhet.
Särskilt betydelsefullt är skiftet från beräkningsintensiva metoder mot effektiva, erfarenhetsbaserade system. Detta öppnar för autonoma system som kan operera på begränsad hårdvara, vilket är avgörande för massadoption.
Utmaningen ligger nu i säkerhet och tillförlitlighet. Svenska forskares fokus på robusthet och verkliga tillämpningar som orkanberedskap visar att fältet mognar från laboratorium till samhällskritiska funktioner. Vi förutser att dessa metoder inom 2-3 år kommer implementeras i allt från fabriksautomation till miljöövervakning, där svenska företag kan ta ledningen genom att vara tidiga med skalbar, säker AI-teknik.