في عالم متسارع وتزداد فيه التعقيدات البيئية، ظهرت حاجة ملحة لتطوير أنظمة ذكاء اصطناعي تتسم بالكفاءة في التنقل. هنا يأتي دور النموذج الجديد المعروف بـ BCM، الذي يمثل قفزة نوعية في فهم كيفية تنقل الكائنات الحية في بيئات مألوفة.

يعتمد نموذج BCM على مفهوم الخرائط المعرفية القابلة لإعادة الاستخدام، حيث لا يحتاج هذا النموذج لإعادة حل المسارات عند تغيير الأهداف. بفضل استخدام هدف مبني على مفهوم بيليمان (Bellman-grounded) وتشفير مضغوط، يستطيع BCM دعم استعلامات الأهداف المتغيرة دون الحاجة إلى إعادة تدريب كل هدف على حدة.

تظهر التجارب أن BCM يحافظ على نسبة نجاح عالية تصل إلى 100% مع فارق متوسط لا يتجاوز 5% مقارنةً بالطريقة التقليدية المعروفة بتقنية Dijkstra. ومن المثير للاهتمام أن النموذج اقترب من تحقيق فعالية في الذاكرة عند زيادة حجم الرسوم البيانية من 400 إلى 3600 عقدة، مما يجعله أداة قوية وقابلة للتوسع في التعامل مع البيئات المعقدة.

تمكن هذه النتائج الباحثين من دمج التكاليف الإضافية للطرق ضمن تمثيل معرفي مضغوط، مما يتيح جسرًا بين المرونة البيولوجية والتخطيط الأمثل للمسارات. إن هذا الابتكار يعد خطوة كبيرة نحو تحسين قدرات الذكاء الاصطناعي في فهم وتفاعل الأهداف المتنوعة.