Mjukvaran som bestämmer själv – AI-agenter tar plats i verkliga system

Fem modeller, en marknad – och en lektion i systemdesign

Låt oss börja med det roligaste exemplet. På Hugging Face-bloggen beskriver en utvecklare hur spelet Thousand Token Wood har byggts om från ett passivt sandlådeexperiment till ett aktivt finansdrama – där spelaren agerar skuggfinansiär, sprider rykten, blankar marknaden och muter aktörer, medan en magistrat jagar en för insiderhandel. Det låter som ett brädspel från helvetet, och det är ungefär det poängen är.

Det tekniskt intressanta är att varje spelkaraktär drivs av en egen språkmodell: GPT-OSS-20B från OpenAI, MiniCPM3-4B från OpenBMB, Nemotron-Mini-4B från NVIDIA och en egenutvecklad finjusterad Qwen på bara 0,5 miljarder parametrar. Tanken är att en marknad behöver deltagare som verkligen tänker olika – och modeller tränade med olika metoder på olika data ger just det.

Den viktigaste lärdomen från projektet är rent systemmässig: friktionen uppstår inte i modellerna själva, utan i serveringslagret som ska hålla ihop dem. Det är ett mönster jag känner igen från praktiken – integrationsarbetet äter upp mer tid än själva AI-delarna. Värt att ha i bakhuvudet för alla som bygger system med flera samverkande modeller.

Satelliter som inte frågar om lov

Uppe i rymden är utmaningen en annan. Traditionell satellitschemaläggning bygger på matematiska optimeringsmodeller – men de krackelerar när miljön är dynamisk och oförutsägbar. Forskare presenterar nu HADT, en hetrogen multiagentarkitektur som via förstärkningsinlärning styr kluster av jordobservationssatelliter helt autonomt, utan kontakt med markstationer.

Systemet hanterar satelliter med olika sensortyper – optiska kameror och syntetisk aperturadar – och fattar beslut i realtid. Resultaten visar tydliga prestandaförbättringar jämfört med befintliga metoder, och arkitekturen håller sig stabil även när antalet satelliter i klustret förändras. Det handlar alltså inte bara om att automatisera det befintliga – utan om att göra saker som tidigare var praktiskt omöjliga på grund av tidsfördröjningarna i kommunikationen med marken.

Vetenskapens tråkigaste jobb – äntligen automatiserat

En av de mest tidskrävande delarna i vetenskapliga arbetsflöden är att anpassa kvantitativa modeller till insamlade data: iterativ kurvanpassning, statistiska tester, visualisering och hypotesprövning i oändliga varv. VESTA (Visual Exploration with Statistical Tool Agents) automatiserar just det.

Systemet utrustar synvänliga språkmodeller med ett dynamiskt växande verktygsbibliotek och låter dem aktivt utforska data – inte bara reagera på återkoppling i efterhand. För att utvärdera ramverket introducerar forskargruppen också riktmärket DAWN, som inkluderar verkliga astronomiska uppgifter som analys av gravitationsvågor. VESTA presterar bäst på just de svåraste, mest domänspecifika uppgifterna – vilket är precis där manuellt arbete kostar mest tid.

86 procent rätt på ingenjörsproblem som kräver år av erfarenhet

Finita elementanalys – FEA – är ett av de mer brutalt svårtillgängliga verktygen inom hållfasthetsmekanik. Felaktigt definierade randvillkor kan ge helt missvisande simuleringsresultat, och det tar år att lära sig yrket ordentligt. AbaqusAgent är ett ramverk med sex specialiserade agenter som tillsammans översätter instruktioner på naturligt språk till fullständiga simuleringar i Abaqus – ett av branschens mest använda FEA-verktyg.

I tester med 50 mekanikproblem nådde systemet en framgångsgrad på 86 procent. Det är inte perfekt, men det är tillräckligt bra för att vara genuint användbart – särskilt för studenter och nybörjare som annars skulle behöva år av handledning innan de ens kan ställa rätt frågor till verktyget.

Det gemensamma mönstret

De fyra exemplen är ytligt sett spridda – spel, rymdfart, vetenskap, ingenjörskonst. Men de delar en och samma grundstruktur: en agent (eller ett kluster av agenter) får ett mål, tillgång till verktyg och en miljö att agera i – och löser sedan uppgifter som tidigare krävde antingen mänsklig expertis eller statiska, bräckliga regelbaserade system. Det är den agentbaserade vändningen i praktiken, inte som vision utan som faktiskt fungerande kod.