تواجه نماذج الذكاء الاصطناعي المعتمدة على رؤية اللغة والعمل (Vision-Language-Action - VLA) تحديات كبيرة في المهام التي تعتمد على التاريخ، حيث لا تحدد الملاحظات الحالية فقط الإجراءات المطلوب اتخاذها. لذا، فإن الحاجة إلى ذاكرة تاريخية فعّالة أصبحت ضرورة ملحة. في السنوات الأخيرة، تم تطوير تقنيات تُعنى بكيفية الاحتفاظ بالمعلومات الهامة، ولكنها غالبًا ما تُظهر نتائج متفاوتة في المهام المختلفة.

في هذا السياق، تم تقديم رواية جديدة تُعرف باسم 'Divide-and-Remember' (D&R)، والتي تُعتبر أسلوبًا مبتكرًا لتوظيف ذاكرة متكررة في نماذج التعلم. تعتمد هذه التقنية على مفهوم تحسين ذاكرة النموذج، بحيث تهدف إلى تحقيق أقصى استفادة من المعلومات ذات الصلة بالإجراء، دون التعرض للزحام بالمعلومات غير الضرورية.

تستند فكرة D&R إلى نموذج POMDP لتعلم التقليد، حيث نسعى للحفاظ على المعلومات التي تدعم الأفعال المستقبلية، مما يُعزز فعالية النموذج في التعامل مع التجارب المعقدة. يتضمن الأسلوب استراتيجيتين رئيسيتين: الأولى هي تقسيم الذاكرة إلى مشكلات فرعية، مما يُمكن للنموذج من البقاء خفيفًا وسريعًا في الأداء. الثانية هي استخدام مُحدد واحد يتشارك في جميع الكتل للتأكد من فعالية الاختيار عبر المراحل المختلفة.

على منصة RoboMME، التي تقدم 16 مهمة تتطلب التذكر أثناء التنفيذ، تمكنت تقنية D&R من تحقيق معدل نجاح أعلى على مستوى الصناعة مع تحسينات متسقة في جميع المهام المدروسة. الأبحاث تأتي لتؤكد الفوائد الواضحة للسماح للأجهزة الروبوتية بالاحتفاظ بمعلومات دقيقة لتمكين اتخاذ قرارات محسوبة. لمزيد من التفاصيل، يمكن الرجوع إلى الكود والنماذج المتاحة على الإنترنت.

تشير هذه النتائج إلى أن المستقبل يحمل الكثير من الفرص لتطوير نماذج ذكاء اصطناعي أكثر ذكاءً وفعالية، مما سيؤدي إلى تحسين الكفاءة والأداء في العديد من التطبيقات العملية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.