iFLYTEK presenta un modello fondazionale multimodale unificato per agenti robotici, capace di integrare visione, linguaggio e controllo motorio in un'unica architettura. Il sistema supera i limiti dei pipeline tradizionali eliminando i colli di bottiglia tra moduli separati. L'approccio mima la collaborazione cervello-cervelletto del sistema nervoso umano.

Un nuovo studio accademico mette in discussione uno dei metodi più usati per addestrare sistemi di IA alle preferenze umane. I confronti locali tra coppie di opzioni nascondono limiti profondi quando le persone ragionano secondo priorità multiple e potenzialmente in conflitto. Ignorare questa complessità può produrre sistemi di allineamento distorti e poco affidabili.

Un nuovo approccio chiamato ASK+ dimostra che modelli linguistici compatti possono guidare agenti di reinforcement learning in ambienti con informazioni incomplete, migliorando sensibilmente i risultati. La chiave non è la dimensione del modello, ma la qualità del contesto fornito. Questo apre scenari concreti per chi vuole integrare LLM in sistemi autonomi senza costi proibitivi.

Microsoft Research ha presentato SkillOpt, un sistema che trasforma la modifica delle istruzioni degli agenti AI in un vero processo di addestramento. L'obiettivo è rendere il comportamento degli agenti più affidabile e prevedibile, senza dover toccare i pesi del modello sottostante. Una svolta concreta per chi lavora con agenti AI in produzione.

Un nuovo studio propone un'architettura intelligente per gli agenti AI nel servizio clienti, capace di distinguere le richieste semplici da quelle complesse prima di eseguire operazioni critiche. Il sistema instrada automaticamente le sessioni più delicate verso un flusso di controllo rinforzato. I test su scenari retail e compagnie aeree mostrano risultati concreti in termini di affidabilità.

Un team di ricerca ha sviluppato Auto-FL-Research (AFR), un sistema basato su agenti AI capace di esplorare automaticamente combinazioni di algoritmi per il Federated Learning. Il sistema è stato testato su dataset sanitari e benchmark standard, ottenendo miglioramenti concreti in molti scenari. I risultati mostrano però anche i limiti di questo approccio automatizzato.

Un nuovo framework chiamato PACE combina reti neurali e ragionamento simbolico per generare spiegazioni controfattuali che siano non solo corrette ma anche concretamente attuabili. Il problema classico dell'XAI è che i modelli suggeriscono cambiamenti impossibili nella realtà: PACE vuole risolverlo. Il sistema è stato testato sul dataset Adult Income con regole ASP su istruzione, occupazione e orario lavorativo.

Un nuovo paradigma di ricerca, chiamato 'Constructive Alignment', ribalta il modo in cui pensiamo all'allineamento dei sistemi AI. Invece di ottimizzare preferenze umane fisse, propone di governare come le AI plasmano nel tempo i valori e i desideri delle persone. Un cambio di prospettiva con implicazioni profonde per chi progetta sistemi intelligenti.