Affordances ermöglichen Teilmodellierung der Welt mit großen Sprachmodellen

Neue Forschungsergebnisse zeigen, dass große Sprachmodelle (LLMs) nicht nur als reine Wissensdatenbanken dienen, sondern als effektive Teilmodelle der Welt fungieren können. Durch die Nutzung von Affordances – den Handlungsoptionen, die aus einem bestimmten Zustand hervorgehen – lassen sich präzise Vorhersagen für ausgewählte Zustände und Aktionen treffen, ohne die gesamte Komplexität der Welt zu berücksichtigen.

Die Autoren beweisen formal, dass Agenten, die auf sprachgesteuerte, Aufgabenunabhängige Intentionen reagieren, zwangsläufig über partielle Weltmodelle verfügen, die von Affordances geleitet werden. In einem Multi-Task-Setting führen sie die Idee der „distribution‑robusten Affordances“ ein, die es ermöglichen, diese Teilmodelle systematisch zu extrahieren und dadurch die Sucheffizienz signifikant zu steigern.

Experimentelle Tests in Tischroboteraufgaben demonstrieren, dass die affordanzenbasierten Teilmodelle die Verzweigungsfaktoren der Suchbäume reduzieren und gleichzeitig höhere Belohnungen erzielen als herkömmliche, vollständige Weltmodelle. Diese Erkenntnisse legen den Grundstein für effizientere KI‑Agenten, die gezielt und ressourcenschonend handeln können.