Платформа искусственного интеллекта сокращает использование вычислений на две трети и более чем втрое увеличивает успех в решении виртуальных задач

Исследовательская группа под руководством профессора Минхэ Квона из Школы электроники и электротехники разработала две основные технологии искусственного интеллекта нового поколения (ИИ), которые позволяют системам ИИ более эффективно справляться со сложными долгосрочными задачами, снижая при этом вычислительные затраты и повышая безопасность. Результаты исследования направлены на решение ключевых проблем, которые препятствовали коммерциализации дорогостоящих услуг ассистента с искусственным интеллектом, а также внедрению ИИ в критически важных для безопасности областях, таких как робототехника и автономное вождение. Результаты опубликованы на сервере препринтов arXiv.

Помощники с искусственным интеллектом, которые получают инструкции пользователя и автономно планируют и выполняют задачи, такие как агенты на базе ChatGPT, получают все большее распространение. Однако многие существующие ИИ-агенты полагаются на повторяющуюся обратную связь от другой высокопроизводительной модели ИИ на каждом этапе выполнения задачи, по сути, задавая вопрос "Правильно ли я это делаю?" на каждом этапе. Этот процесс значительно увеличивает серверные и вычислительные затраты, а также замедляет время отклика.

Чтобы решить эту проблему, исследовательская группа во главе с аспирантом Хивон Парк (Heewon Park) в качестве первого автора разработала систему выборочной критики под названием SAG (Self-improving Agent with Gated critique). Подобно студенту, который учится самостоятельно и обращается за помощью к преподавателю только тогда, когда сталкивается с особенно сложной проблемой, SAG позволяет ИИ-агенту оценивать собственную неопределенность и запрашивать внешнюю обратную связь только тогда, когда это, вероятно, того стоит. Фреймворк также позволяет ИИ накапливать успешный опыт и постепенно совершенствоваться самостоятельно, со временем снижая свою зависимость от внешней обратной связи.

В результате система сократила потребление вычислительных ресурсов примерно на треть по сравнению с традиционными подходами, одновременно увеличив вероятность успешного выполнения задач в сложных виртуальных средах с 24,6% до 78,3%, что более чем в три раза больше.

Параллельно исследовательская группа, возглавляемая магистрантом Гухен Каном в качестве первого автора,developed VAN-Flow, a high-reliability reinforcement learning technology designed to prevent AI systems from mistaking chance successes for genuinely effective strategies in safety-critical environments such as robotics and autonomous vehicles.

When AI is trained solely on previously collected data because real-world trial and error could lead to accidents, the system may occasionally learn from risky actions that happened to succeed by chance. This can cause the AI to incorrectly regard unstable behavior as an effective strategy, potentially resulting in system failures or malfunctions.

The team devised a new mathematical algorithm that filters out unreliable behaviors dependent on chance and instead prioritizes actions that produce consistently successful outcomes across varying conditions. Based on this approach, VAN-Flow achieved higher success rates than most existing state-of-the-art methods across more than 40 complex robotic-control simulation tasks involving significant environmental disturbances and long-horizon precision control.

Both studies by the SKKU research team were accepted for the 40th Conference on Neural Information Processing Systems (NeurIPS 2026), where leading researchers and global technology companies such as Google and OpenAI gather to present advances in the field.

Kwon said, "It is particularly meaningful that our student researchers took the lead in developing practical foundational technologies that can be readily applied to real-world and industrial environments."

She added, "We will continue contributing to the development of next-generation autonomous AI systems that businesses and individuals can rely on with confidence, without excessive computational costs."