Avec le développement de l'intelligence artificielle, les systèmes multi-agents deviennent de plus en plus performants pour traiter des tâches complexes dans divers domaines. Ces systèmes sont composés de plusieurs agents spécialisés qui collaborent en utilisant leurs compétences respectives pour atteindre un objectif commun. Cette collaboration s'avère particulièrement efficace dans des domaines tels que le raisonnement complexe, la programmation, la découverte de médicaments et l'assurance sécurité, car les interactions structurées entre les agents améliorent non seulement l'efficacité de la résolution de problèmes, mais permettent également une correction mutuelle, améliorant ainsi les résultats individuels. Des études montrent que cette approche collaborative surpasse souvent les méthodes traditionnelles pour les tâches nécessitant un raisonnement rigoureux ou une vérification factuelle.

Boston Dynamics a récemment attiré l’attention en publiant une vidéo impressionnante de son robot humanoïde Atlas de nouvelle génération. Dans des vidéos précédentes, l’Atlas entièrement électrique avait déjà démontré ses capacités de mouvement agiles. Cette fois-ci, il est présenté dans un environnement simulé d’usine, où il effectue de manière autonome une tâche de tri grâce à l’apprentissage automatique et à des capteurs améliorés. La tâche consiste à déplacer un capot de moteur entre un conteneur fournisseur et un chariot de tri mobile. Bien que cette tâche puisse sembler peu spectaculaire, elle représente en réalité...

Baichuan Intelligence, en collaboration avec l'Université de Tianjin, a lancé le framework d'agent intelligent « Sibyl System », qui a obtenu la première place du classement GAIA Leader Board. GAIA est un nouveau schéma d'évaluation proposé par Meta, Huggingface et AutoGPT en novembre 2023, qui évalue principalement les capacités et les solutions des agents dans l'exécution de tâches complexes. Ce schéma d'évaluation met en lumière les lacunes des modèles existants et fournit des orientations pour l'amélioration des modèles et des agents.