في عصر الذكاء الاصطناعي، تظهر النماذج العالمية كعنصر أساسي في بناء الذكاء المتجسد، حيث توفر توليد مقاطع الفيديو المعتمدة على الأفعال تنبؤات دقيقة حول كيفية تطور المشاهد بعد تدخلات الوكلاء. ومع ذلك، فإن النماذج الحالية غالباً ما تُدرب باستخدام خطأ متوسط مربع موحد عبر الزمان والمكان، مما يسمح لعناصر الخلفية المهيمنة بالتأثير على التدرج بينما تظل الديناميات التفاعلية النادرة غير محسنة بشكل كافٍ.

في هذا السياق، يتم تقديم تقنية جديدة تُسمى Causal Action Effect Reweighting (CAER)، وهي منهجية تدريب عامة تعيد توزيع إشارات التعليم نحو العناصر التي يتأثر مستقبلها بصورة سببية بفعل معين. هذه التقنية تميز بين التنبؤات التي يقدمها النموذج، سواء باستخدام شروط العمل أو بدونها، لتحديد تلك العناصر التي تتأثر بشكل مباشر، ثم تقوم بتطبيع خريطة التأثير الناتجة إلى وزن يحافظ على إجمالي كمية المعامل، ويغيير فقط المكان الذي يُستثمر فيه.

تتميز هذه الإشارات عبر الإنترنت بعدم الحاجة إلى تعليقات خارجية أو معالجة مسبقة، مما يوفر الوقت في معالجة البيانات، ويتوسع بشكل طبيعي مع حجم النموذج وبياناته.

تظهر التجارب على مهام نماذج العالم المعتمدة على الأفعال المختلفة أن CAER تتقارب إلى حلول أفضل مقارنةً بتدريب المتوسط المربع الموحد، حيث تحقق تحسينات مستمرة في الاتساق الفيزيائي، والقابلية للتحكم، والجودة البصرية لمقاطع الفيديو الناتجة.

إذاً، هل أنتم مستعدون لاكتشاف المزيد عن هذه التقنية الرائدة وكيف يمكن أن تؤثر على مستقبل الذكاء الاصطناعي؟ شاركونا برأيكم في التعليقات!