KI-Framework senkt Rechenlast um 2/3 und verdreifacht Erfolg

Forschende um Professorin Minhae Kwon von der School of Electronic and Electrical Engineering der Sungkyunkwan University haben zwei neue KI-Technologien vorgestellt, die leistungsfähigere, zuverlässigere und rechenärmere autonome Assistenzsysteme ermöglichen sollen. Die Ergebnisse wurden im September 2026 auf dem Preprint-Server arXiv veröffentlicht und für die Conference on Neural Information Processing Systems NeurIPS 2026 angenommen, die führende Forschungseinrichtungen und Technologieunternehmen wie Google und OpenAI zusammenbringt. Im Zentrum steht ein Framework namens SAG, Selective Critique for Cost-Aware LLM Agents in Long-Horizon Decision Making. Bisherige KI-Agenten lassen sich bei mehrstufigen Aufgaben häufig bei jedem Schritt von einem separaten leistungsstarken Modell überprüfen, was Serverkosten erhöht und Reaktionszeiten verlängert. Das von Doktorand Heewon Park federführlich entwickelte System SAG reduziert diese Abhängigkeit, indem der KI-Agent seine eigene Unsicherheit einschätzt und externe Kritik nur dann anfordert, wenn ein Feedback erwarteten Nutzen bringt. Parallel sammelt der Agent erfolgreiche Erfahrungen und verbessert sich schrittweise selbst. In komplexen virtuellen Umgebungen sank der Rechenbedarf auf etwa ein Drittel bisheriger Verfahren, während die Erfolgsrate von 24,6 Prozent auf 78,3 Prozent stieg. Ergänzend dazu stellte das Team unter der Leitung des Masterstudierenden Guhyeon Kang VAN-Flow vor, eine Methode für sicherheitskritische Umgebungen, etwa Robotik und autonomes Fahren. Beim Offline-Reinforcement Learning kann ein KI-System aus gesammelten Daten lernen, ohne riskante reale Tests durchführen zu müssen. Dabei besteht jedoch das Risiko, dass gelegentliche Zufallserfolge als stabile Strategien fehlinterpretiert werden. VAN-Flow nutzt einen mathematischen Ansatz zur Varianzvermeidung, um unberechenbare Handlungen zu filtern und stattdessen Aktionen zu bevorzugen, die über wechselnde Bedingungen hinweg verlässlich funktionieren. In mehr als 40 anspruchsvollen Simulationsaufgaben zur Robotersteuerung, die starke Störungen und langfristige Präzisionsanforderungen umfassten, erzielte das Verfahren höhere Erfolgsraten als zahlreiche bestehende Spitzentechnologien. Beide Arbeiten zielen auf zentrale Hindernisse bei der Kommerzialisierung von KI-Assistenten und deren Einsatz in sicherheitskritischen Bereichen ab: hoher Computing-Aufwand, langsame Rückkopplungsschleifen und die Gefahr, dass KI-Systeme aus seltenen Zufallserfolgen riskante Handlungsmuster ableiten. Professorin Kwon betonte, dass studentische Teams praktisch anwendbare Grundlagenforschung geliefert hätten, die unmittelbar in industriellen Umgebungen genutzt werden könne. Der Forschungsschwerpunkt liege auf autonomen KI-Systemen, denen Unternehmen und Nutzer vertrauen könnten, ohne übermäßige Rechenressourcen zu benötigen.