Naukowcy opracowali nowatorską metodę trenowania agentów sztucznej inteligencji opartych na dużych modelach językowych, którzy ulepszają się poprzez wspólną ewolucję swoich strategii decyzyjnych i zbioru dostępnych narzędzi. System pozwala agentom dynamicznie rozwijać zarówno sposób podejmowania decyzji, jak i bank umiejętności potrzebnych do wykonywania złożonych zadań rozciągających się na wiele kroków. To podejście wprowadza istotną zmianę w sposobie myślenia o adaptacji AI - zamiast traktować zdolności decyzyjne i dostępne narzędzia jako osobne elementy, naukowcy pokazali, że optymalnie rozwija się je równocześnie, kiedy mogą się wzajemnie wpływać.
Metodologia ma znaczenie dla zastosowań wymagających wykonania długotrwałych, złożonych planów. Tradycyjnie agenci LLM dysponują stałym zestawem umiejętności i uczą się jedynie lepiej ich wykorzystywać. W tym przypadku system pozwala agentom budować nowe zdolności podczas treningu, przystosowując się do coraz trudniejszych wyzwań. Podejście koewolucyjne oznacza, że zarówno „inteligencja" agenta, jak i jego „narzędziownia" rosną razem, tworząc synergię - agent uczy się, jakie umiejętności potrzebuje, a jednocześnie te umiejętności są kształtowane przez sposób, w jaki agent je chce używać.
Badania mają potencjał wpłynąć na obszary takie jak autonomiczne planowanie, automatyzacja procesów biznesowych czy rozwiązywanie problemów w warunkach niepewności. Jeśli agent potrafi sam rozwijać swoje możliwości i dostosowywać je do nowych zadań, otwiera to drogę do bardziej elastycznych i samosterownych systemów AI, które sprawdzą się w rzeczywistych scenariuszach biznesowych, gdzie wymagania często się zmieniają i evolucjonują.