Naukowcy przedstawili Neuro-Agentic Control - framework łączący planera opartego na LLM z Time-Series Foundation Model do autonomicznej obrony krytycznej infrastruktury przemysłowej. System opracowano w odpowiedzi na rosnące problemy tradycyjnych systemów monitorowania: ataki na technologię operacyjną (OT) w środowiskach przemysłowych IoT powodują coraz większe straty finansowe i fizyczne uszkodzenia urządzeń, a istniejące rozwiązania oparte na regułach nie potrafią dostosować się do nowych zagrożeń.
Arkusz problemowy sprowadza się do fundamentalnej sprzeczności: duże modele językowe mają zdolności semantyczne do podejmowania decyzji, ale generują halucynacje - fikcyjne informacje, które w systemach sterowania mogą prowadzić do katastrof. Framework rozwiązuje ten problem za pomocą mechanizmu Counterfactual Physics Injection, który symuluje w latentnej przestrzeni modelu, jakie będą konsekwencje każdego proponowanego działania, zanim zostanie ono faktycznie wykonane. Jeśli model předwidzenia wykaże, że akcja jest fizycznie niemożliwa lub niebezpieczna, system ją odrzuca.
Wyniki testów na industryjnym zbiorze danych z obiektu Secure Water Treatment (SWaT) w scenariuszach stochastycznych ataków pokazują przełom: framework powstrzymał 33,3 procent ataków poniżej progu krytycznego, lepiej niż LSTM (26,7 procent) czy TCN (13,3 procent), i co kluczowe - nigdy nie wykonał żadnego fizycznie niepoprawnego działania. To oznacza praktyczną możliwość zastosowania agentic AI w systemach bezpieczeństwa infrastruktury krytycznej bez ryzyka katastrofalnych awarii spowodowanych błędem AI.