تعد نماذج العالم الكامنة (Latent World Models) من بين أكثر الأدوات تطورًا في الذكاء الاصطناعي، لكنها تواجه تحديات كبيرة في التخطيط على المدى الطويل. غالبًا ما تعاني هذه النماذج من الأخطاء المتراكمة عند الاعتماد على الخطط القصيرة. ولكن، ماذا لو كان هناك حل مبتكر؟

نقدم اليوم نموذج العالم المزدوج (Dual-WM) كخطوة جريئة نحو تعزيز استراتيجيات التخطيط. يعتمد هذا النموذج على فكرة فصل التنبؤات قصيرة المدى عن التعليمات طويلة المدى من خلال تمثيلات وحالات ديناميكية متميزة. حيث يقوم النموذج ذو المستوى المنخفض بتوقع الانتقالات المشروطة بالإجراءات، بينما يعمل النموذج ذو المستوى العالي على تخطيط التحركات عبر استخدام إجراءات ماكرو متعلمة لتوسيع نطاق التخطيط الزمني.

**التعلم التمثيلي على المدى الطويل** (Long-Horizon Representation Learning) هو جزء أساسي من هذا الابتكار، حيث يعتمد طريقة توازن وزن التنبؤ الذاتي على كلا المستويين. ومن المثير للاهتمام أن نتائج التجارب توضح أن النموذج المزدوج يمتاز بنجاح أكبر بنسبة تصل إلى 30.8 نقطة مئوية مقارنة بنموذج LeWM التقليدي.

لتعزيز فعالية التخطيط، يقوم النموذج العالي المستوى بإنتاج أهداف فرعية تمكن النموذج المنخفض المستوى من تحويلها إلى إجراءات دقيقة. في خمس مهام تحكم بصرية مشروطة بالأهداف، أظهرت النتائج تحسنًا ملحوظًا في مدى النجاح بفضل تقنيات Dual-WM.

تستند هذه النتائج إلى تحليل شامل حول أهمية فصل الأدوار الزمنية في التنبؤات متعددة الآفاق، مما يبرز قيمة الإبداع في الذكاء الاصطناعي لتحسين التجارب المستقبلية.

إذا كنت ترغب في معرفة المزيد، يمكنك الاطلاع على التنفيذ الأساسي على GitHub. ما رأيكم في هذا النموذج الجديد؟ شاركونا آراءكم في التعليقات!