A Google Dream-RSI-je: az MI-ügynökök „álmodással” gyorsíthatják a keresést

• A Google és a DeepMind kutatói olyan módszert mutattak be, amely a korábbi keresések nyomvonalát használja fel az MI-ügynökök keresési stratégiájának finomítására.[^1]
• A Dream-RSI nem az alapul szolgáló MI-modellt tanítja tovább, hanem azt optimalizálja, hogy az ügynök mely megoldási irányokat vizsgálja meg, folytatja vagy veti el.[^1]
• A kísérletekben a megközelítés több feladaton kevesebb próbálkozással ért el hasonló vagy jobb eredményeket, mint a rögzített keresési stratégiák.[^1]

A Google és a DeepMind Dream-RSI nevű kutatási megközelítése a bonyolult feladatokon dolgozó MI-ügynökök egyik költséges problémáját célozza: hogyan lehet hatékonyan eldönteni, mely megoldási lehetőségeket érdemes tovább vizsgálni. A rendszer a már lezárt keresések adatait játssza vissza, hogy új keresési stratégiákat értékeljen anélkül, hogy minden alkalommal újra lefuttatná a teljes feladatot.[^1]

A Dream-RSI az MI-ügynök keresési stratégiáját fejleszti

Összetett keresési feladatoknál az ügynöknek folyamatosan mérlegelnie kell, hogy mely ígéretes irányokat kövesse, melyeket próbálja ki párhuzamosan, és melyeket hagyja el. Ezt a folyamatot explorációnak nevezik, és jelentősen befolyásolja a számítási költséget, valamint a végeredményt.[^1]

A kutatók szerint a korábbi módszereknek két alapvető korlátjuk volt: az előre rögzített stratégia nem tanul a tapasztalatokból, míg a futás közben módosított stratégia értékelése sok időt és számítási erőforrást igényelhet. A Dream-RSI ehelyett a már felépített keresési fát használja új stratégiák szimulálására.[^1]

„Az ügynök gondolatban több ezer változatot játszik le, és csak ezután választja ki a következő tényleges kereséshez használható stratégiát.”[^1]

A korábbi keresésből gyakorlótér lesz

A rendszer minden keresési futás során rögzíti, milyen próbálkozások történtek és milyen eredményt hoztak. Ezekből az adatokból egy visszajátszási környezet épül, amelyben az ügynök megvizsgálhatja például azt, mi történt volna, ha egy irányt korábban megszakít, vagy egy másik lehetőséget hamarabb helyez előtérbe.[^1]

A Dream-RSI nem hoz létre teljesen új, korábban fel nem fedezett megoldási ágakat ebben a szimulációban. A már rögzített keresési fán belül próbál ki eltérő döntési sorrendeket, így nincs szükség arra, hogy az MI-modell újra megoldást generáljon, vagy egy értékelő rendszer ismét elbírálja az eredményt.[^1]

Kevesebb próbálkozás, alacsonyabb számítási igény

A kutatócsoport a Dream-RSI-t a Gemini 3.1 Pro és a Gemini 3.7 Flash modellekkel vizsgálta nyolc, három területhez kapcsolódó feladaton. Az összehasonlítási alapot olyan változatok adták, amelyek azonos kiindulási feltételeket kaptak, de rögzített keresési stratégiát alkalmaztak.[^1]

Programoptimalizálási tesztek

Az egyik feladatban a rendszernek statisztikai számításokhoz kellett gyors programot írnia. A forrás szerint a Dream-RSI által előállított program mind a hat vizsgált adathalmazon gyorsabb volt a sklearn és a glmnet programkönyvtáraknál.[^1]

A Gemini 3.1 Pro használatával az átlagos futási idő 3587 ezredmásodpercről 2931 ezredmásodpercre csökkent, miközben a rendszer 550 helyett 317 próbálkozást használt. A beszámoló szerint a Dream-RSI a SimpleTES 51 200 futásával szemben 317 próbálkozással is jobb eredményt ért el ebben az összevetésben.[^1]

Grafikus processzorokra írt számítási rutinoknál a módszer egyes tesztekben azonos teljesítményt ért el akár 2,43-szor kevesebb generálással, más esetekben pedig azonos költségkeret mellett akár 2,09-szer nagyobb teljesítményt mutatott.[^1]

Miért lassíthatják a túl konkrét utasítások az explorációt?

A kiegészítő elemzés azt is vizsgálta, hogy mi történik, ha a korábbi keresési tapasztalatokat nem szimulációra használják, hanem konkrét útmutatásokká sűrítik az ügynök számára. Egy grafikus processzoros feladatnál az ilyen iránymutatásokkal működő változat gyengébben teljesített, mint az útmutatás nélküli megoldás.[^1]

A kutatók értelmezése szerint a túlságosan egyértelmű utasítások beszűkíthetik a keresési teret, ezért az ügynök kevésbé fedezhet fel új, ígéretes irányokat. A Dream-RSI által tanult stratégia ezzel szemben a beszámoló alapján csökkentette a próbálkozások számát, amikor javult a teljesítmény, majd ismét növelte a keresési erőfeszítést, amikor a fejlődés megtorpant.[^1]

Összefoglaló

A Dream-RSI arra utal, hogy az MI-ügynökök hatékonysága nem kizárólag nagyobb vagy újabb modellekkel javítható. A keresési folyamat korábbi döntéseinek visszajátszása lehetőséget adhat arra, hogy az ügynökök olcsóbban tanulják meg, mikor érdemes szélesebben keresni, és mikor célszerű szűkíteni a vizsgált lehetőségeket. A kutatók a kódot és a további anyagokat nyilvánosan elérhetővé tették.[^1]

Forrás:

[^1]: The Decoder (2026. szeptember 19.). „A Google kutatása MI-ügynököket „álmodtat” a gyorsabb önfejlesztéshez”. The Decoder. Közzétéve 2026. 09. 19.