في عالم الذكاء الاصطناعي، يعتمد نجاح التخطيط على النماذج العالمية (World Models) على كيفية إدارتها للعمق المكاني وليست مجرد التوسع. ومن هنا، تأتي DeepJEPA كنظام جديد رائد يعمل على تحسين هذه العملية بطريقة لم نشهدها من قبل.

تعمل الأنظمة التقليدية عادةً على زيادة العمق من خلال الاستمرار في حساب المزيد من المسارات (trajectories) أو تحسين الحسابات لفترات أطول، مما يؤدي إلى تعيين نفس كمية الحوسبة لكل انتقال مُتخيل. لكن، ما وجدته دراسة جديدة هو أن رفع العمق بشكل موحد قد يؤدي إلى إهدار القوة الحاسوبية بل ويؤثر سلبًا على التخطيط.

تدخل DeepJEPA في الصورة، حيث تقدم نموذجًا تنبؤيًا مشتركًا بالتضمين عبر معالجة العمق كمعامل رئيسي في تحديد الأداء. فهي تعلم متى يكون من المجدي القيام بتحديث متكرر آخر لكل خطوة متنافسة. هذا يعني أن الانتباه يتركز بشكل أكبر على اللحظات الحرجة التي تتطلب تحسينات، مما يتيح تحسين الأداء دون الحاجة إلى تمديد متواصل.

وقد أثبتت DeepJEPA تفوقها في خمس إعدادات للتحكم البصري، وجاءت نتيجتها بمعدل تحديث يتراوح بين 1.00 إلى 1.26 تحديث لكل انتقال، مع التركيز على مواقف مثل بداية الاتصال والتفاعل الدائم مع الكائنات. هذه الإدارة الذكية يؤدي إلى تحسين عمليات التخطيط، مما يجعلها أكثر كفاءة بكثير.

في النهاية، تعيد DeepJEPA تشكيل عملية التخطيط بشكل جذري، حيث تؤكد على أهمية الاختيار الذكي للموارد الحاسوبية في اللحظات الحاسمة، مما يمثل طفرة في عالم ذكي الاصطناعي قد تشكل مستقبل التخطيط العالمي.