في عالم الذكاء الاصطناعي المتطور، تظهر تقنيات جديدة تبتكر في كيفية تفاعل الأنظمة مع التعليمات والمعلومات. من أحدث الابتكارات هو نظام DISC، الذي يعيد تشكيل طريقة التحكم الذكي (Intelligent Control) عبر فصل التعليمات عن حالة المهمة.

تُعاني الأنظمة التقليدية من مشكلة "تشابك المهام"، حيث تتداخل التعليمات مع الملاحظات مما قد يؤدي إلى تسرب المعلومات ويجعل الشبكات تتعلم اختصارات غير موثوقة وغير مبنية على اللغة. لكن نظام DISC يتجاوز هذه العوائق بنجاح.

بدلاً من الاعتماد على سياسة عامة تتوسّع حول لغة معينة، يقوم DISC باستخدام شبكة هايبر (Hypernetwork) لتوليد مجموعة كاملة من معلمات سياسة التلاعب البصرية (Visuomotor Policy) المتخصصة استنادًا إلى التعليمات فقط. هذه السياسة المولدة لا تصل مباشرة إلى اللغة، مما يعزز من وعيها بالمهام ويمنع أي تسرب للملاحظات.

ومع ذلك، فإن إنشاء معلمات سياسة مُتسقة في أبعاد عالية هو تحدٍ بحد ذاته. يواجه DISC هذا التحدي عبر اعتماد شبكة هايبر ذات مرحلتين، حيث تتضمن مرحلة التحسين بنية التحسين المعتمد على التدرج كتحيز استدلالي، مما ينتج معلمات متسقة على مستوى عالمي دون الحاجة إلى حساب التدرجات الفعلية.

من خلال التدريب من الصفر على ميزانيات بيانات قياسية، أثبت نظام DISC كفاءته عند مقارنته بجميع السياسات السابقة المتشابكة على مجموعة بيانات LIBERO-90 وMeta-World، مع تحقيق مزايا تتسع في المهام المعقدة والطويلة الأمد. كما يتجاوز أداء نظام DISC نطاق التمهيد المسبق على الرغم من عدم الاعتماد على أي بيانات تمهيدية خارجية.

علاوة على ذلك، في معيار واقعي حيث تتشارك جميع المهام نفس السياق البصري، يتفوق DISC بشكل ملحوظ على البدائل المتشابكة، مؤكداً أن مُعلمات السياسة المولدة من قبل اللغة، وليس الاختصارات المرئية، هي التي تدفع السلوك. ولتسهيل التكيف السريع والتعميم القوي عبر التعليمات المُعاد صياغتها، تتعلم شبكة الهايبر أيضًا مجموعة معلمات بنائية دلاليًا.

للاستزادة، يمكنك الاطلاع على الشيفرة المصدرية الخاصة بنظام DISC على GitHub.