في عالم الذكاء الاصطناعي، تُعد نماذج التعلم ذات الارتباطات المشتركة (Joint Embedding Predictive Architectures - JEPAs) من بين الابتكارات الرائدة في تمثيل نماذج العالم. ومع ذلك، تم التعرف على مشكلة جديدة تُعرف بانهيار التداخل بين الأهداف (Objective Interference Collapse - OIC) التي تظهر عند استخدام نماذج JEPA مع إشارات خارجية متباينة.

تحدث هذه المشكلة عندما تؤدي ديناميكيات العالم الفيزيائي (التي تتسم بتصحيحات عكسية عالية المدى) إلى تدمير الفضاء التمثيلي القائم على ديناميكيات السلوك الاجتماعي. وهو ما يستدعي ضرورة ابتكار نموذج جديد يجمع بين القناتين بشكل فعّال.

النموذج الجديد، المعروف باسم نموذج العالم المستند إلى قناتين (Dual-Channel Grounded World Modeling - DCGWM)، يقدم حلاً مبتكرًا عن طريق تقسيم الفضاءات اللاتينية إلى فرعين مختلفين: أحدهما للفضاء الفيزيائي (Z_p) والآخر للسلوك (Z_b)، مع تدفق محدد للعوامل نحو الداخل فقط.

تعمل قنوات الاستناد الفيزيائية على تحديث الفضاء الفيزيائي فقط، في حين تقوم قنوات الاستناد الاجتماعي بتحديث الفضاء السلوكي، مما يجنب النموذج أي تقاطع بين المجالين. يتضمن التصميم الجديد أيضًا وحدة واجهة بين القنوات دون تأثيرات سلبية من الفضاءات المتقطعة.

إضافةً إلى ذلك، يقدم النموذج خسارة الالتزام غير المتماثل لتعزيز الدقة وتجنب الانحراف. تسلط النتائج النظرية الضوء على إمكانية تجنب مسارات التداخل الضار، مما يعزز فعالية كل فضاء متعدد الأبعاد في التنفيذ العملي.

اجتمع كل ذلك لتعزيز إمكانية تطبيق النموذج بأسلوب معزول على المستوى التوليدي، مما يضمن عدم التأثير المتبادل على النتائج. الدراسات التجريبية للتأكيد على هذه الفرضيات جارية، مع عرض النتائج في نسخة مستقبلية من البحث.