Проблема «оторванности» ИИ от физики
Современные системы автономных лабораторий (SDL) часто страдают от фундаментального парадокса: интеграция больших языковых моделей (LLM) повысила их лингвистическую сложность, но лишила физического grounding. Традиционные архитектуры работают как «бестелесные планировщики», которые выдают символьные рабочие процессы для отдельных роботизированных систем. Это блокирует развитие у ИИ интуиции к проведению реальных экспериментов.
Решение: Embodied Science Agent (ESA)
Команда авторов (Yihang Che, Zhongwei Yu, Yang Li и др.) предложила архитектуру ESA, которая учитывает три оси обучаемости:
- Когнитивная обучаемость: понимание того, что исследовать (через память и рассуждения).
- Экспериментальная обучаемость: понимание того, где искать решение (через байесовскую оптимизацию).
- Телесная (embodied) обучаемость: понимание того, как действовать физически (через обобщаемое управление инструментами).
Результаты на практике: Очистка сточных вод
Валидация системы проведена на задаче автономной очистки сточных вод. ESA пришлось навигировать в пространстве более чем 200 миллионов возможных условий. За 15 непрерывных раундов экспериментов агент продемонстрировал впечатляющую динамику:
| Метрика | Начальное значение | Финальное значение | Изменение |
|---|---|---|---|
| Пропускание света (Transmittance) | 82% | 99.7% | Рост |
| Концентрация остаточного красителя | — | — | Снижение на 98.5% |
| Объем пространства поиска | > 200 млн условий | ||
Почему это важно
ESA не просто оптимизирует параметры, но и демонстрирует способность обобщать визуомоторные политики при изменении расположения инструментов. Это шаг к созданию следующего поколения лабораторий, где ИИ не просто планирует, а физически взаимодействует с миром, обучаясь на собственном опыте. Работа принята к публикации в DAI 2026.
Источник: arXiv cs.AI ↗