Badacze opracowali GROW - metodę, która łączy zaawansowaną technikę optymalizacji polityki z modelowaniem relacji między stanem świata a działaniami agentów opartych na modelach językowo-wizyjnych. Chodzi o to, aby systemy AI mogły lepiej rozumieć konsekwencje swoich decyzji w otwartych, nieprzewidywalnych środowiskach - takich jak świat rzeczywisty. GROW integruje GRPO (Group Relative Policy Optimization) z architekturą pozwalającą agentom na rzeczywiste rozumienie tego, jak ich akcje wpływają na zmianę stanu otoczenia.
To podejście ma fundamentalne znaczenie dla tworzenia bardziej niezawodnych agentów AI zdolnych do samodzielnego działania bez ścisłych instrukcji. Dotychczasowe systemy VLM - czyli modele, które łączą wersję i zrozumienie obrazów - miały trudności z przewidywaniem skutków swoich działań w dynamicznych warunkach. Metodologia GROW rozwiązuje ten problem poprzez lepsze powiązanie procesu uczenia się polityki decyzyjnej z rozumieniem zmian zachodzących w środowisku. To szczególnie ważne dla robotyki, autonomicznych agentów i systemów wspierających złożone zadania.
Badanie otwiera drogę do bardziej zaawansowanego pokolenia systemów AI, które potrafią uczyć się z doświadczeń i adaptować swoje strategie w oparciu o rzeczywiste obserwacje. Takie podejście zmniejsza ryzyko błędnych decyzji w krytycznych aplikacjach i czyni agentów sztucznej inteligencji bardziej praktycznymi do wdrażania w środowiskach, gdzie błędy mogą mieć realne konsekwencje. Zaproponowana metodologia GROW stanowi krok naprzód w kierunku bardziej niezależnych i inteligentnych systemów autonomicznych.