في عصر الذكاء الاصطناعي، تظل عملية ربط نوايا البشر بتنفيذ الآلات واحدة من أكبر التحديات التي تواجه التخطيط الآلي. حيث أن التعبير عن الأهداف بلغة رسمية مثل PDDL يفرض قيودًا على إمكانية وصول غير الخبراء. في هذا السياق، قامت دراسة جديدة بتقييم مدى قدرة نماذج اللغات الكبيرة (LLMs) على تحويل الأهداف المكتوبة بلغة طبيعية إلى صيغ PDDL مناسبة للتخطيط التقليدي.

تقدم الدراسة نموذجًا دقيقًا من القوالب التحفيزية، مستندةً إلى رؤى مستخلصة من تجارب متكررة، بهدف تحقيق أقصى قدر من الدقة والترابط في الاستجابات من عدة نماذج حديثة. تم تقييم ستة نماذج معاصرة بشكل منهجي على عدة جوانب تشمل الدقة والسرعة وأنماط الأخطاء، مستخدمين معايير عالمية محددة في مجال اختبار الألعاب.

أظهرت جميع النماذج دقة عالية، تجاوزت 92٪، حيث سجل نموذج Gemini 2.5 Flash أعلى معدل دقة يصل إلى 96٪ وأقل نسبة من الأخطاء الإيجابية، بينما جاء GPT-4.1 في المقدمة من حيث سرعة الاستجابة. ومع ذلك، تظل الفوارق المهمة في أداء النماذج واضحة، حيث تزداد حالات الفشل بسبب غموض اللغة وقيود تمثيل المجالات.

تشير هذه التحليلات إلى التقدم الكبير الذي تم إحرازه، بينما تسلط الضوء أيضًا على الفجوات المستمرة في تمكين النماذج اللغوية الكبيرة لتكون جسورًا قوية بين الأهداف الطبيعية وعمليات التخطيط الآلي. إن هذه النتائج تفتح آفاقًا جديدة للبحث والتطوير في مجال الذكاء الاصطناعي، لتعزيز قدرة الآلات على فهم نوايا البشر وتنفيذها بشكل أفضل.