Ngày 18/09/2026, nhóm nghiên cứu từ Carnegie Mellon University (CMU) công bố một bài báo trên tạp chí IEEE Transactions on Neural Networks & Learning Systems, đề xuất khung Federated Reinforcement Learning (FRL) cho các thiết bị biên (edge devices).
FRL cho phép các thiết bị IoT, smartphone, và robot học các chính sách tối ưu thông qua việc chia sẻ gradient và mô hình phụ thay vì truyền dữ liệu thô. Điều này không chỉ giảm tải mạng mà còn bảo vệ quyền riêng tư người dùng.
Trong các thí nghiệm, FRL đã đạt được tốc độ hội tụ nhanh hơn 30% so với các phương pháp học tăng cường truyền thống khi áp dụng vào việc tối ưu hoá năng lượng cho mạng lưới cảm biến thông minh. Ngoài ra, độ chính xác của các tác vụ điều khiển robot di động tăng 12% nhờ khả năng học liên tục từ môi trường thực tế.
Kết quả này mở ra cơ hội ứng dụng AI trên các thiết bị có tài nguyên hạn chế, như drone giao hàng và hệ thống giám sát công nghiệp, đồng thời giảm thiểu rủi ro bảo mật dữ liệu.