في عالم الذكاء الاصطناعي (AI)، يتعين على أنظمة التعلم التراكمي (Continual Learning) الموازنة بين القدرة على اكتساب المعرفة الجديدة (Plasticity) واستمرارية استخدام المعرفة المكتسبة سابقًا (Stability). هذه الديناميكية تصبح أكثر تعقيدًا عندما تتشارك المهام في الهياكل مما يعرضها لخطر التداخل.

تهدف أحدث الأبحاث إلى دراسة تأثير الهيكل الوحدوي، تشابه المهام، وأبعاد التمثيل (Representational Dimensionality) في توجيه التعلم التراكمي. في تجربة جديدة تعتمد على نماذج متكررة (Recurrent Networks)، قارنت الدراسة بين شبكة ذات تقسيم للمهام وشبكة واحدة، مع تعديل الأبعاد عبر تغيير وزن المعلمات.

في حالة الأبعاد العالية، حيث كانت الأنظمة تعمل في إطار "الكسول" (Lazy)، حققت كلا الهيكلين نتائج مشابهة، مما يدل على أن الهيكل الوحدوي قد لا يكون له تأثير كبير عندما تكون التمثيلات ضعيفة القيود. لكن في حالة الأبعاد المنخفضة، والتي تعرف بـ"الغنية" (Rich)، اتضح دور الهيكل الوحدوي بشكل جلي: حيث طورت الشبكة الوحدوية مساحات فرعية متخصصة للمهام تداخلت للمشابهة، وتراصت لمهام متباينة بشكل معتدل، وانفصلت للأعمال المختلفة، مما منحها تنظيمًا متسقًا وتقريبيًا أفضل من الشبكة الواحدة.

توصلت الدراسة إلى أن نظام التمثيل الذي يتم تحفيزه من خلال حجم الإعداد يعد عاملاً رئيسيًا في تحديد متى يصبح الهيكل الوحدوي ذا قيمة عملية في عمليات التعلم المستمر. ومن خلال هذه النتائج، ندعو لفهم الروبوتات والأمان والموثوقية كمشكلات تتعلق بتخصيص المساحات التمثيلية بشكل متكيف بدلاً من التفريق الثابت أو المشاركة.