لقد أحدثت أساليب التفكير المدمج (Embodied Chain-of-Thought) ثورة في نماذج الذكاء الاصطناعي، خصوصاً في مجالات رؤية الكمبيوتر من خلال لغة الأفعال (Vision-Language-Action). ومع ذلك، فإن المشاكل التي تواجهها هذه النماذج الحالية تتمثل في اعتمادها على قوالب جامدة تحدد مكونات التفكير، مثل العناصر الموجودة في المشهد أو الخطط العليا.

هذا الاعتماد قد يتسبب في اشتباك النماذج بمعلومات غير ذات صلة، مما يصعب عليها تحديد الإشارات الحيوية المتعلقة بالتنبؤ بالأفعال. وبالتالي، يظهر لدينا عنق زجاجة: عدم وجود سياسات ناجحة يعني عدم القدرة على التحقق من جودة التفكير، وفي المقابل، تؤدي جودة التفكير المنخفضة إلى عدم القدرة على بناء سياسات قوية.

لذا، تم الكشف عن R&B-EnCoRe، الذي يتيح للنماذج الاستفادة من المعرفة الواسعة على الإنترنت سراً وبشكل ذاتي من خلال تحسين البيانات. ويتم ذلك من خلال التعامل مع التفكير كمتغير كامِن داخل استدلال تبايني وزني، مما يمكن النماذج من توليد وتنقية مجموعة بيانات تدريب مُحسّنة لاستراتيجيات خاصة بتجسيد الأفعال دون الحاجة إلى مكافآت خارجية أو تأكيدات بشرية.

لقد تم اختبار R&B-EnCoRe عبر مجموعة من التطبيقات، بما في ذلك التلاعب بالأغراض، التنقل باستخدام الروبوتات ذات الساقين، والقيادة الذاتية، مستخدمين مجموعة متنوعة من نماذج VLA التي تحتوي على عددا كبيرا من المعاملات تصل إلى 30 مليار.

والنتيجة؟ تحسن بنسبة 28% في نجاح التلاعب، وزيادة مذهلة مقدارها 101% في درجات التنقل، وتقليص بمعدل 21% في معدل التصادم مقارنة بالنماذج التي تعالج جميع العناصر المتاحة دون تمييز.

R&B-EnCoRe يمثل قفزة نوعية تسمح للنماذج بتشكيل تفكير تقديري يتنبأ بنجاح التحكم، متجاوزاً الحاجة إلى الهندسة اليدوية في التعليقات أو التقييمات، وهو ما يربط المعرفة الموجودة على الإنترنت بالتنفيذ الفعلي.