Naukowcy opracowali nową metodę optymalizacji agentów AI, która uczy modele sterować komputerem poprzez optymalizację poszczególnych kroków zamiast całego systemu naraz. Zamiast tradycyjnego podejścia globalnego, gdzie trenuje się całą sieć neuronową jednocześnie, podejście krokowe skupia się na doskonaleniu każdego pojedynczego ruchu myszki, kliknięcia czy wpisanego znaku. To znacząco zmniejsza zapotrzebowanie na moc obliczeniową i przyspieszył trenowanie modeli, co otwiera drogę do bardziej praktycznych wdrożeń systemów automatyzujących zadania na komputerze.
Dotychczas agenci AI działający w interfejsach graficznych wymagali ogromnych zasobów obliczeniowych i długich czasów trenowania. Nowa metoda zmienia to radykalnie, pozwalając na bardziej wydajne uczenie się strategii działania. Badacze udowodnili, że optymalizowanie każdego kroku z osobna prowadzi do szybszych i tańszych modeli, które jednocześnie osiągają lepsze wyniki w wykonywaniu rzeczywistych zadań. To ma znaczenie dla komercyjnych rozwiązań automatyzacyjnych, które do tej pory były niedostępne dla mniejszych organizacji ze względu na wysokie koszty infrastrukturalnej.
Innowacja ma potencjał zmienić krajobraz automatyzacji procesów biznesowych i pracy asystentów AI na poziomie interfejsu użytkownika. Jeśli systemy będą mogły działać wydajniej i taniej, może to przyspieszyć ich masowe wdrażanie w firmach, szkołach i instytucjach. Jednocześnie zmniejszenie wymagań obliczeniowych oznacza, że takie agenty mogłyby działać nawet na słabszych urządzeniach, co demokratyzuje dostęp do zaawansowanych technologii AI.