2026. augusztus 13., csütörtök · Kutatás

Új rendszer automatizálja az AI-ügynökök viselkedéstudományi vizsgálatát

Kutatók bemutatták az AEROBAT nevű többágenses rendszert, amely automatizálja az AI-ügynökök viselkedésének tudományos vizsgálatát: a felhasználó által megadott célviselkedéshez hipotéziseket generál, kontrollált kísérleteket tervez és futtat, majd értékeli az eredményeket és jelentést készít. A fejlesztők állítása szerint 12 célviselkedésre 79 hipotézist teszteltek, összesen 1240 kísérletet és 23512 szimulációs kört futtatva, és 26 hipotézisre találtak közepes-erős statisztikai bizonyítékot. A munka jelenleg egy nem lektorált arXiv-preprintben szerepel, így az eredmények független megerősítésre várnak. A kutatók szerint az ilyen automatizált megközelítés kiegészítheti és bővítheti a manuális viselkedéstudományi kutatás kapacitását az AI-ügynökök terén.

Miért fontos?

Ha beigazolódik, az automatizált viselkedéstudományi kutatás jelentősen felgyorsíthatja és skálázhatóvá teheti az AI-ügynökök megbízhatóságának tudományos vizsgálatát.

Források

MIT Technology Review arXiv cs.AI Preprint

Említve a tudásbázisban

szál Az AI-ügynökök térhódítása és korlátai

Kapcsolódó témák

Napi összefoglalók AI kutatás #AEROBAT#AI-ügynökök

Napi összefoglaló

Ez a hír a 2026. augusztus 13., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Guixu: adatértékelés-alapú keresőrendszer autonóm AI-ügynököknek

Kutatók bemutatták a Guixu nevű rendszert, amely kulcsszavas keresés helyett feladat- és költségkorlát-tudatos adatfeltárást kínál autonóm AI-ügynököknek. A fejlesztők állítása szerint a rendszer háromfázisú értékelési folyamatot alkalmaz proxy-jelölés-terjesztéssel és többkörös hátizsák-optimalizálással, hogy megbecsülje az adatok feladat-specifikus hasznosságát. A leírás szerint a Guixu ágentikus fizetési protokollt integrál a költségkorlátos adatbeszerzéshez, valamint on-chain adatpiaci és attesztációs jeleket használ a megbízhatóság igazolására. Egy demonstrációban egy ügynök természetes nyelvű feladatmegadástól a többforrású keresésig és a visszaigazolt tranzakcióig viheti végig a folyamatot. A dolgozat egy még nem lektorált arXiv-közlemény, így az állítások jelenleg a szerzők saját bemutatásán alapulnak, független megerősítés nélkül.

Vélemény: AI-ügynökök gyorsíthatják fel a tudományos kutatást

Eric Schmidt, a Google korábbi vezérigazgatója és Suhas Mahesh, a Schmidt Sciences AI-kutatási vezetője a MIT Technology Review-n közölt véleménycikkében amellett érvel, hogy az AlphaFold nem feltétlenül a legjobb minta a tudomány AI-alapú felgyorsítására. Az AlphaFold-hoz mintegy 170 000 kísérletileg igazolt fehérjeszerkezetre volt szükség, amelyek összegyűjtése a szerzők szerint 53 évet és nagyjából 21 milliárd dollárnyi kísérleti munkát emésztett fel, és sok tudományterületen ilyen méretű adatbázis nem is hozható létre. Ehelyett a szerzők az AI-ügynökök alkalmazását javasolják, amelyek nem egyetlen szűk kérdésre adnak választ, hanem a kutatás iteratív, esetleges emberi folyamatát modellezik digitálisan. Fontos hangsúlyozni, hogy ez egy vállalati-intézményi szereplők által jegyzett véleménycikk, nem lektorált tudományos eredmény vagy kísérleti bizonyíték.

Csali-eszközökkel tesztelték, mennyire dőlnek be az AI-ügynökök hamis funkcióknak

Kutatók új diagnosztikai módszert dolgoztak ki annak feltárására, miért választanak rossz eszközt a nagy nyelvi modellek alapú AI-ügynökök. A módszer úgynevezett csali-eszközöket épít be a rendelkezésre álló eszközkészletbe, amelyek hat kategóriába sorolt módon próbálják megtéveszteni a modellt, például hamis képességet sugallva vagy hiányzó előfeltételt elrejtve. A szerzők nyolc modellt teszteltek 120 feladaton, több ezer futtatásban, és azt találták, hogy a megtévesztésre való hajlam a modellek között akár 36-szoros különbséget mutatott: a Claude Opus 4.8 volt a legellenállóbb, a Llama 3.1 8B a legsérülékenyebb. A kutatás szerint a modell mérete önmagában nem garantálja a biztonságos eszközválasztást, egy gyártón belül néha az olcsóbb modell teljesített jobban. Az eredmény jelenleg lektorálatlan preprintként érhető el.

Új rendszerezés az AI-ügynökök hibáinak eredetéhez

Kutatók egy nem lektorált arXiv-tanulmányban olyan osztályozási rendszert mutatnak be, amely az AI-ügynökök hibáit nem a végeredmény, hanem az interakció szintjén azonosítja. A szerzők szerint a jelenlegi értékelések gyakran csak a látható hibát rögzítik, anélkül hogy elárulnák, a modell utótanítására, a vezérlőprogram javítására, a környezet átalakítására vagy a benchmark hibájára van szükség. A taxonómia 41 hibatípust rendel hozzá a rendszer komponensei (modell, harness, felhasználó, eszközök, memória, környezet) közötti kapcsolatokhoz, jelezve a javítás oldalát. A módszert nyilvános benchmarkokból és rögzített ügynök-interakciókból vett példákon tesztelték, és négy modellt bíráló szerepben alkalmazva a legjobb egyezés az emberi címkézéssel Cohen-kappa 0,76 volt.