งานวิจัยชิ้นนี้สำรวจความเป็นไปได้ในการสร้าง AI เอเจนต์ที่สามารถปรับตัวได้เองในโลกทางกายภาพ (Self-Adaptive Physical AI) โดยมุ่งเน้นไปที่การจัดการงานระยะยาว (Long-Horizon Tasks) ที่ต้องมีการสังเกตสภาพแวดล้อมและตัดสินใจอย่างต่อเนื่อง นักวิจัยได้ออกแบบเฟรมเวิร์กแบบหลายเอเจนต์ (Multi-Agent framework) ที่บูรณาการทั้งส่วนการวางแผน การเรียกใช้เครื่องมือ การสังเกตการณ์ และการตรวจสอบเข้าด้วยกัน
การทดสอบประสิทธิภาพทำผ่านงานด้านการเกษตรภายใต้รูปแบบสภาพอากาศที่หลากหลาย ผลลัพธ์แสดงให้เห็นว่าเอเจนต์ที่ใช้ LLM แบบ zero-shot สามารถบรรลุเป้าหมายการจัดการได้ใกล้เคียงกับเอเจนต์ที่ใช้การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning - RL) ภายใต้สภาวะปกติ และที่น่าสนใจคือ เอเจนต์ LLM สามารถปรับตัวเข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงไป (Environment Shift) ได้ดีกว่าโมเดล RL แบบเดิม ซึ่งถือเป็นแนวทางที่มีความหวังในการพัฒนา AI สำหรับงานภาคสนามจริง
