新型AI框架算力降至约三分之一 虚拟任务成功率三倍

韩国成均馆大学电子电气工程学院教授Minhae Kwon带领团队推出两项面向长周期任务的人工智能基础技术，在显著降低算力成本的同时提升复杂环境下的任务成功率与安全性。相关成果已被神经信息处理系统大会NeurIPS 2026接收，并发表于arXiv预印本平台。 针对ChatGPT类智能体在复杂任务中频繁依赖高性能模型反馈、导致服务器负担增加和响应延迟的问题，由博士生Heewon Park主导的团队提出SAG选择性点评框架。该机制让智能体自主判断不确定性，仅在关键节点请求外部反馈，并不断积累成功经验，从而逐步降低对外部监督的依赖。实验显示，系统算力消耗降至传统方法约三分之一，复杂虚拟环境任务成功率从24.6%提升至78.3%，提高逾三倍。 另一项由硕士生Guhyeon Kang主导的VAN-Flow技术则面向机器人、自动驾驶等安全关键场景。团队提出新的数学算法，从离线强化学习中筛除因偶然因素成功的不稳定行为，优先保留在不同扰动下均能稳定奏效的策略。在40余个复杂仿真控制任务中，VAN-Flow成功率超过多数现有先进方法。两项成果为智能体商业化和高风险场景部署提供了更低成本、更可靠的底层技术路径。