AI-agenterna lär sig tänka och samarbeta – men stora brister kvarstår
AI-agenter lär sig planera och samarbeta – men avgörande brister återstår.
Agenter som tänker, minns och samarbetar
Det händer mycket i laboratorierna just nu. Titta på de senaste veckornas forskningsflöde och ett mönster träder fram: AI-agenter slutar vara passiva svarsmaskiner och börjar i stället agera – de planerar, minns, samarbetar och korrigerar sig själva.
Ett bra exempel är SwarmResearch, där forskare beskriver hur ett svärm av AI-agenter kan utforska flera lösningsvägar parallellt. En övergripande Shepherd Agent håller koll på helheten medan ett antal underagenter arbetar i egna kodgrenar med lokal kontext. Resultatet? Bättre prestanda på 13 av 15 optimeringsuppgifter jämfört med de mest avancerade konkurrenterna. Det är en elegant lösning på ett klassiskt problem: att agenter tenderar att låsa fast sig vid första bästa tillvägagångssätt och sedan bara finjustera, i stället för att utforska radikalt annorlunda strategier.
Liknande tankar driver forskningen bakom OCM (Object-Centric Environment Modeling), som ger agenter ett strukturerat minnessystem. I stället för att lagra erfarenheter som fritext organiseras kunskapen i Python-klasser och återanvändbara interaktionsmönster. Agenten reflekterar efter varje episod, uppdaterar sin kunskapsbas och verifierar att procedurerna fortfarande stämmer. Det påminner om hur en erfaren programmerare bygger upp ett mentalt bibliotek av lösningar – och resultaten visar färre ogiltiga handlingar och bättre genomsnittlig placering på flera riktmärken.
På liknande spår ligger ProGPO, en ny inlärningsmetod som tacklar ett grundproblem i förstärkningsinlärning: hur man rättvist värderar handlingar som sker i olika kontexter. Metoden kombinerar exakta prefixjämförelser med ett kreditbedömningssystem och slår jämförbara metoder på de välkända riktmärkena ALFWorld och WebShop – utan att kräva mer beräkningskraft.
Kropp, känsla och visualisering
Forskningsfronten stannar inte vid textbaserade agenter. iFLYTEK:s Embodied-Omni förenar syn, språk och rörelsestyrning i ett och samma ramverk, inspirerat av hjärna-lillhjärna-metaforen. Tanken är att en robotagent ska kunna planera på hög nivå och samtidigt omvandla planerna till precisa rörelskommandon – utan de flaskhalsar som uppstår när separata moduler ska prata med varandra.
Ännu ett spår handlar om inre visualisering. MentalThink ger språkmodeller förmågan att skapa skalbar vektorgrafik som ett mellansteg i resonemang – ett slags externt skissblock för rumsligt tänkande. På riktmärket MindCube når systemet 76 procent, vilket är ett tydligt tecken på att visuellt resonemang inte längre behöver vara en svag punkt för textmodeller.
Infrastrukturen bakom allt detta förbättras också. Ny forskning visar hur trafikstyrning för AI-tjänster kan formuleras som ett matematiskt optimeringsproblem, med tydliga förbättringar i svarstid och hantering av trafiktoppar. Och ramverket REDI automatiserar dataförberedelse för vetenskaplig AI, med nästan linjär skalning upp till 100 processornoder.
Där det fortfarande skär sig
Men det vore fel att bara lyfta framstegen. Flera studier pekar på fundamentala svagheter som kvarstår.
Ett nytt riktmärke kallat APeB visar att moderna agenter hanterar välformulerade frågor bra men tappar greppet när användare är vaga eller ofullständiga – precis som i verkliga situationer. Modellerna har särskilt svårt att tolka dolda avsikter och att utnyttja tidigare interaktionshistorik effektivt.
Nog så allvarligt är fyndet att förstärkningsinlärning kan försämra generaliseringsförmågan på ett strukturerat och doldt sätt. Forskare skapade modeller som presterar utmärkt på en uppgift men faller till noll på en identisk uppgift – om en kort triggersträng finns i texten. Det är ett obehagligt resultat som borde ge alla som driftsätter AI-system i okontrollerade miljöer anledning till eftertanke.
Utvärderingsramverket Incognita bekräftar bilden: AI-agenter i komplexa sociala miljöer når bara upp till 17 procents framgångsgrad, och ett återkommande problem är att de avslutar uppgifter i förtid utan tillräckligt underlag. Och forskning om hur AI lär sig mänskliga värderingar via parvisa jämförelser ifrågasätter om metoden ens fångar upp de globala och ibland motstridiga prioriteringar som styr mänskliga beslut.
Den samlade bilden är alltså inte enkel. AI-agenter tar verkliga och mätbara kliv framåt – men varje framsteg blottlägger nya lager av komplexitet.
Vår analys
Det som slår mig när jag läser igenom den här forskningsvågen är hur mognadsglappet synliggörs. Vi har nu agenter som kan svärma, minnas strukturerat och resonera visuellt – men som ändå misslyckas katastrofalt när en användare ställer en lite för vag fråga eller när träningsdata inte matchar verkligheten.
Det är inte ett skäl till pessimism, utan ett skäl till precision. Forskning som APeB och Incognita gör oss en tjänst genom att kartlägga precis var bristerna sitter – det är förutsättningen för att åtgärda dem. Och mönstret från t.ex. ASK+ är uppmuntrande: rätt promptdesign kan väga tyngre än råstyrka i form av modellstorlek.
Min gissning är att de närmaste åren inte handlar om att bygga en enda allsmäktig modell, utan om att designa system – med smarta minneslager, biologiskt inspirerade felsäkringar och bättre sätt att fånga mänskliga värderingar. Det är ett ingenjörsproblem lika mycket som ett AI-problem. Och det gillar jag.