Naukowcy badają możliwość tworzenia inteligentnych agentów opartych na modelach LLM zdolnych do samodzielnego zarządzania długoterminowymi zadaniami fizycznymi bez udziału człowieka. Głównym wyzwaniem w automatyzacji zadań fizycznych jest potrzeba ciągłego obserwowania środowiska, podejmowania decyzji mających znaczenie dla wyniku oraz dostosowywania się do zmian warunków - coś, co dotychczasowe systemy osiągały kosztem dużych zbiorów danych treningowych lub ograniczały się wyłącznie do wirtualnych środowisk.
Team zaproponował wieloagentowy framework integrujący planowanie strategiczne, wywoływanie specjalistycznych narzędzi, obserwację otoczenia i weryfikację wykonanych działań. Kluczowa innowacja to podejście zero-shot - system nie wymaga dodatkowego trenowania dla nowych warianków zadań, co drastycznie zmniejsza wymagania obliczeniowe i czasowe. Badacze przetestowali swoje rozwiązanie na zadaniach rolniczych w różnych warunkach pogodowych, porównując je z tradycyjnymi agentami RL.
Wyniki pokazują, że agenty LLM osiągnęły porównywalne wyniki co systemy trenowane reinforcement learningiem w niezmiennych warunkach. Jednak gdy środowisko uległo zmianom - inne warunki pogodowe czy anomalie - agenty LLM wykazały znacznie wyższą adaptacyjność. To stanowi obiecującą ścieżkę dla rzeczywistych zastosowań robotyki i autonomicznych systemów, gdzie zmienność jest raczej regułą niż wyjątkiem.