في ظل التطورات السريعة في مجال الذكاء الاصطناعي، أصبح من الممكن الآن للآلات التنقل عبر بيئات ثلاثية الأبعاد باستخدام التعليمات اللغوية الطبيعية. إلا أن هناك تحديًّا كبيرًا يتمثل في "انزلاق الحالة" (State Drift) الذي يمكن أن يؤثر بشكل كبير على أداء وكيل الذكاء الاصطناعي في مهام طويلة الأمد.

تظهر الأبحاث أن هذه المشكلة ناتجة عن فقدان الوكيل لتركيز المهام، حيث يعاني من عجزين معرفيين؛ وهما "انزلاق التقدم" (Progress Drift) الذي يؤدي إلى عدم قدرة الوكيل على تمييز الأهداف الفرعية المنجزة عن تلك المتبقية، و"انزلاق الذاكرة" (Memory Drift) حيث تتدهور تمثيلات التاريخ، مما يفقد الوكيل تتبُّع المعالم التي قام بزيارتها.

استجابة لهذه التحديات، قدمت الدراسة الجديدة إطار عمل ثنائي التثبيت (Dual-Anchoring Framework) الذي يركز بشكل صريح على تقدم التعليمات وذاكرة التاريخ. يتضمن هذا النظام:

1. **تثبيت تقدم التعليمات**: حيث يساعد الوكيل على إنشاء رموز نصية منظمة توضح ما تم إنجازه وما هو متبقٍ من الأهداف.
2. **تثبيت معالم الذاكرة**: والذي يستخدم نموذجًا قائمًا على المعالم، ويشجع الوكيل على التحقق من الملاحظات السابقة للحفاظ على تمثيلات دقيقة للمعالم التي تمت زيارتها.

لتسهيل تنفيذ هذا الإطار، تم إنشاء مجموعتين كبيرتين من البيانات تتضمن 3.6 مليون عينة ووصفًا واضحًا للتقدم، بالإضافة إلى 937,000 عينة للمعالم للتحقق منها لاحقًا. أثبتت التجارب التي أُجريت في بيئات المحاكاة والعالم الحقيقي تفوق هذه الطريقة، حيث تحقق تحسنًا بنسبة 15.2% في معدل النجاح و24.7% في المسارات الطويلة.

لمزيد من البحث والتطوير في هذا المجال، تعتزم الفرق البحثية إصدار الأكواد وخطوط إنتاج البيانات والمجموعات التي تم جمعها. هذا التطور يعكس خطوة رائعة نحو تحسين أداء الذكاء الاصطناعي في التنقل، فهل نحن على أعتاب ثورة جديدة؟