神经代理控制：一种基于深度学习、由法学硕士支持的代理人工智能框架，用于控制安全控制

arXiv:2607.09076v1 公告类型：新 摘要：对操作技术的网络攻击越来越多地造成代价高昂的停机和物理损坏，暴露了工业物联网环境中传统基于规则的监控的局限性。虽然大型语言模型（LLM）具有强大的语义推理能力来协助决策支持，但它们的幻觉性质给闭环控制带来了不可接受的安全责任。本文介绍了一种神经代理控制框架，这是一种新颖的架构，它将基于 LLM 的规划器（即 Gemini 2.5 Flash-Lite）与预先训练的时间序列基础模型（TimesFM）相结合，以实现基于物理的自主防御。该论文引入了一种“反事实物理注入”机制，该机制可以模拟法学硕士提出的干预措施在驱动之前对基础模型的数字潜在空间的影响，同时允许系统拒绝幻觉或不安全的行为。在随机攻击场景的背景下对工业数据集（例如安全水处理 (SWaT)）进行评估，该框架表现出比 LSTM 和 TCN 基线更好的性能。与 LSTM (26.7%) 和 TCN (13.3%) 相比，神经代理环路防止了 5 次低于阈值的违规行为 (33.3%)，执行的物理无效（幻觉）动作为零。这些结果证明了使用基础模型作为确定性“哨兵”来保护关键基础设施中的代理人工智能的有效性。