دنیای هوش مصنوعی در حال حرکت به سمت سیستمهای «باز» (Open Agent Systems) است، یعنی محیطهایی که تعداد عاملها و وظایف در آنها مدام تغییر میکند. تا امروز، اکثر مدلهای یادگیری تقویتی در چنین شرایطی با محدودیتهای سختی روبرو بودند.
اما محققان با معرفی مدل جدید PLATO (مخفف Pointer Learner for Agent and Task Openness)، راهکار نوآورانهای ارائه دادهاند که:
✅ بدون نیاز به بازآموزی یا ماسکگذاری، با تغییرات در فضای وظایف سازگار میشود.
✅ با استفاده از یک شبکه عصبی گراف (GNN)، تعاملات بین عاملها و وظایف را بهصورت داینامیک تحلیل میکند.
✅ برخلاف روشهای قدیمی، هیچ محدودیت تصنعی در تعداد عاملها ندارد و برای سیستمهای پیچیده دنیای واقعی طراحی شده است.
این مدل میتواند تحولی در عملکرد عاملهای هوشمند در محیطهای متغیر و غیرقابل پیشبینی ایجاد کند. 🤖💡
منبع: arXiv AI