في عالم الذكاء الاصطناعي، يُعتبر تجميع الحركات (Action Chunking) وسيلة فعالة لتحسين أداء السياسات المستفادة من تقنيات تكرار السلوك (Behavioral Cloning). لكن ما يثير اهتمام العلماء هو كيفية تأثير الأخطاء على الأداء بعد دخولها في النظام.

في دراسة جديدة، تم استخدام نوعين من أنظمة التنفيذ لتحليل كيف تتأثر الأخطاء الحركية: النظام المفتوح (Open-loop) حيث يتم إعادة تشغيل الجزء المتبقي دون إعادة التخطيط، والنظام المغلق (Closed-loop) الذي يتضمن إعادة التخطيط بعد حدوث الاضطراب.

من خلال حقن أخطاء صغيرة في كل حالة، أظهر الباحثون أن هناك تصنيفًا يُحدد كل حالة بحسب سلوكها: انكماش (Contracting)، تمدد (Expanding)، أو غير محدد (Unresolved). ولقد لوحظ أن الحالات المستقرة قليلاً ما تكون شائعة، بينما شاعت حالات تكبير الأخطاء، خاصة في الحالات التي يمكن تحديد معدل انتقالها.

تشير النتائج إلى أن معدل الانتقال يُظهر اعتماداً قوياً على فترة القياس: ففي الفترات القصيرة، قد يتم المبالغة في تقدير التأثيرات على المدى الطويل. والأكثر إثارة للاهتمام، هو أنه يمكن استعادة سلوك النظام المفتوح من خلال صور الكاميرا وحدها، بينما يعتمد سلوك النظام المغلق جزئيًا على كيفية تصرف السياسة بعد حدوث الاضطراب.

هذه النتائج تدعو للتفكير في أن الحجج المتعلقة بتراكم الأخطاء لا تقدم صورة كاملة حول تجميع الحركات، حيث أن ديناميكيات النظام المفتوح أو إعادة التخطيط لا تقلل من الأخطاء المدخلة بشكل فعال في جميع الحالات. لذلك، من المهم تدريب السياسات على إعادة النشاط بشكل صريح والتعرض لتقنيات تدريب تركز على الاضطرابات لتعزيز المرونة بدلًا من الاعتماد على التعلم التقليدي.