تشهد الساحة التكنولوجية اليوم تحولاً مبهراً في تصميم أنظمة الذكاء الاصطناعي، حيث نرى كيف تتمكن الوكالات الرقمية من العمل كمدربين مستقلين لتعزيز الذكاء الجسدي. يبحث العلماء حالياً في كيفية تجاوز الاعتماد على الإشراف اليدوي، مما كان يشكل عقبة كبيرة بسبب العمليات المعقدة مثل تشكيل المكافآت وضبط المعلمات.

بتحفيز من نجاحات نماذج اللغات الضخمة (Large Language Models) في أتمتة البرامج واكتشاف العلوم، تم تقديم extsc{EmboCoach-Bench}، وهو معيار يقيّم قدرة الوكالات الرقمية على هندسة السياسات المتجسدة بشكل مستقل. يتضمن هذا الإطار مجموعة من 32 مهمة تم إعدادها بعناية من قبل خبراء في التعلم المعزز (Reinforcement Learning) والتعلم بالمشاهدة (Imitation Learning)، مع استخدام التعليمات البرمجية القابلة للتنفيذ كواجهة عالمية.

ما يميز هذه الدراسة هو الانتقال من عملية التوليد الثابت إلى تقييم سير عمل مغلق ديناميكي، حيث تستفيد الوكالات من تغذية راجعة من البيئة لتحسين حلولها بشكل تكراري، بدءًا من تحسين تصميم المكافآت المستندة إلى الفيزياء وحتى استراتيجيات السياسات مثل سياسات الانبعاث (Diffusion Policies).

تظهر التقييمات الواسعة ثلاث رؤى أساسية: (1) يمكن أن تتفوق الوكالات المستقلة نوعياً على النماذج التي أعدها البشر بنسبة 26.5% في متوسط معدل النجاح؛ (2) يعزز سير العمل المدعوم بتغذية راجعة من البيئة تطوير السياسات ويضيق الفجوة في الأداء بين النماذج مفتوحة المصدر والتجارية؛ و(3) تتمتع الوكالات بقدرات تصحيح ذاتي لحالات الهندسة الشاذة، حيث تستطيع إعادة إحياء أداء المهام من حالات الفشل شبه التام من خلال تصحيح الأخطاء بشكل تكراري داخل المحاكاة.

ختامًا، يؤسس هذا العمل قاعدة لتطوير ذكاء متجسد ذاتي التطور، مما يسرع التحول من التعديل اليدوي القائم على الجهد إلى الهندسة الذاتية القابلة للتوسع في مجال الذكاء الاصطناعي المتجسد. ماذا يعني لكم هذا التطور في عالم التكنولوجيا؟ شاركونا آرائكم في التعليقات.