تشهد مجالات التخطيط تطورًا غير مسبوق بفضل الاعتماد على نماذج الذكاء الاصطناعي. في بحث جديد نشر في arXiv، تم تناول تحديات التخطيط التقليدي من خلال تقديم أساليب مبتكرة تعتمد على نماذج توليدية (Generative Models) مدربة على بيانات خطة صناعية. وتتمثل النقطة الرئيسية في كيفية إنتاج خطط ذات جودة عالية، وهو ما يعد تحديًا حسابيًا معقدًا.

يتمثل الإنجاز الأول في قدرة نموذج المستخرج الوحيد (Decoder-only Transformer) على توليد خطط ذات جودة مرتفعة للمسائل غير المعروفة، وذلك عندما يتوفر له بيانات مثالية. وبدلاً من التركيز فقط على العثور على أي خطة يمكن تنفيذها، يتم العمل على إيجاد حلول تفوق التوقعات.

كما تم تقديم استراتيجية التحسين الذاتي (Self-improvement) لنموذج أولي تم تدريبه على بيانات غير مثالية، حيث يتم دمج عدة استدعاءات نموذجية مع بحث رسومي (Graph Search) لتوليد خطط محسنة تُستخدم لتعديل دقيق للنموذج. قدمت الدراسة التجريبية على أربعة مجالات: Blocksworld وLogistics وLabyrinth وSokoban، تحسنًا بنسبة 30% في متوسط طول الخطط مقارنةً بخطوط التخطيط الرمزية الأصلية، مع أكثر من 80% من الخطط التي تم تحديدها على أنها مثالية.

تظهر النتائج أن جودة الخطط تستمر في التحسن من خلال البحث في وقت الاستدلال، مما يميز هذا النموذج عن غيره من المخططات الرمزية. كما أن زمن الاستجابة للنموذج يتزايد بشكل غير أسلوبي، مما يعد تقدمًا ملحوظًا مقارنةً بمخططات التخطيط الرمزية المثلى.

في المجمل، تشير تلك النتائج إلى أن تحسين الذات باستخدام نماذج توليدية يمثل نهجًا قابلًا للتوسع لإنتاج خطط عالية الجودة. هذه الدراسات تمهد الطريق لتطبيقات مبتكرة في مجالات متشعبة، فهل نحن على مشارف ثورة جديدة في عالم الذكاء الاصطناعي؟