في عالم الذكاء الاصطناعي، تمثل كيفية تعلم نماذج العالم (World Models) تحديًا كبيرًا، خاصة عندما يتعلق الأمر بفهم الأفعال والتكيف معها. لذلك، يقدم الباحثون نموذج دلتا-جيبا (Delta-JEPA) الجديد، الذي يعد بمثابة نقلة نوعية في هذا المجال.

تم تصميم دلتا-جيبا (Delta-JEPA) ليكون نموذجًا عالميًا دون الاعتماد على إعادة البناء، حيث يقوم بتعزيز التنبؤات المستقبلية الكامنة باستخدام خوارزمية مبتكرة تُعرف باسم مُشفّر الفعل التفاضلي الكامن (Latent Difference Action Decoder - LDAD). بدلاً من استنتاج الأفعال من خلال دمج التضمينات النهائية، فإن المُشفّر LDAD يعيد بناء الفعل المنفذ من الاختلافات الكامنة بين الملاحظات المتتالية، مما يساعد على الحفاظ على معلومات الأفعال بشكل أكثر فعالية.

توفر هذه التقنية إشرافًا مباشرًا على هندسة الانتقال، مما يعني أنه لا يمكن للتضمينات المجاورة أن تنهار دون فقدان معلومات الأفعال. بالإضافة إلى ذلك، يتم تشجيع الأنشطة المختلفة على إحداث تغييرات ملحوظة في الفضاء الكامن، مما يسهل التخطيط المعتمد على التمدد.

عند إجراء اختبارات عبر أربع مهام تحكم مستمر بصري، أثبت نموذج دلتا-جيبا (Delta-JEPA) تحسنًا ملحوظًا في التخطيط مقارنةً بأساليب النمذجة العالمية المعتمدة على أساليب التعلم القائم على التمثيل. كما أظهرت التحليلات أن فك تشفير الأفعال بناءً على الاختلافات يعد أكثر فعالية بشكل متسق من دمج النهايات، مما يعزز استجابة النموذج للأفعال.

ختامًا، يشير هذا الابتكار إلى أن الإشراف على الفروق الكامنة ليس فقط أسلوبًا بسيطًا، بل آلية فعّالة لتعلم نماذج العالم المقاومة للانهيار والمتفاعلة مع الأفعال بشكل أكثر ذكاءً.