韩国研究团队开发出能自主规划复杂长期作业的分层式AI技术。该分层作业规划AI技术减少了幻觉,成功率提高两倍,有望助力机器人与智能体执行长期任务。
韩国电子通信研究院(ETRI)12日表示,已开发出可将需要复杂而漫长流程的作业自主分解为下位目标加以执行的分层作业规划人工智能(AI)技术“ReAcTree”,并将在AI智能体领域世界最高权威学术会议AAMAS 2026上发表。
此项研究成果被评价为重要的技术进步,使大型语言模型(LLM)超越单纯生成文本的水平,让机器人或虚拟智能体能够更稳定地执行现实生活中的复杂任务。
近期大型语言模型展现出出色的语言理解与推理能力,但在执行如烹饪、清扫等多个步骤依次衔接的长期作业(Long-Horizon Task)方面仍显现局限。
现有方式将所有流程作为一条长流程处理,步骤越长就越频繁出现忘记先前指示或做出离谱行为的“幻觉(Hallucination)”现象。
ETRI研究团队为解决这一问题,开发了引入“分层智能体树结构(Hierarchical Agent Trees)”的ReAcTree。该结构类似企业的组织结构图,由上位智能体管理整体目标,并将细分任务分配给下位智能体。
例如给出“把土豆片煮熟后放进冰箱”的指令时,ReAcTree不会一次性处理,而是将目标细分为“找菜刀”“找到土豆并切片”“把切好的土豆用微波炉加热”“存放到冰箱”等,再让各下位智能体履行各自角色。
现有AI常犯遗漏中途加热土豆等逻辑错误,而ReAcTree则能成功完成。此外,在寻找物品时,它也会自主生成依次搜索各个房间的下位目标,从而以较高概率找到目标物。
研究团队为提升智能体的执行能力,结合了两种记忆体系。一种是存储过去成功经验并在类似情况下加以利用的“情景记忆(Episodic Memory)”,另一种是让所有智能体共享当前环境信息的“工作记忆(Working Memory)”。
例如“冰箱里有果汁”这一信息通过工作记忆立即由所有智能体共享,过去成功的搜索方法则通过情景记忆再次利用。由此,智能体的判断力和执行准确度大幅提升。
该技术性能以ETRI自主开发的以语言为中心的流程生成AI基准“LoTA-Bench”为基础,在虚拟家庭环境数据集ALFRED与WAH-NL上得到验证。在反映现实条件、视野受限的环境下进行评估的结果显示,达成了世界最高水平的作业成功率。
特别是,使用720亿(72B)参数语言模型的现有方式(ReAct)任务成功率为31%,而ReAcTree达到61%,性能提升近两倍。
尤其在70亿(7B)参数规模的小型语言模型上应用ReAcTree时,成功率(37%)高于使用720亿(72B)参数大型模型的现有方式。这表明以相对较少的计算资源也能实现媲美大型模型的性能,被评价为大幅提高技术运用效率的成果。
ETRI社会机器人研究室室长金道亨表示:“ReAcTree是能够在逻辑上分解复杂流程、通过智能体间协作在不确定环境中灵活应对的技术”,“今后计划进一步减少幻觉现象,并增加智能体通过向人提问来消除不确定性的功能,将其高度化至可应用于现实生活的水平。”






