في عالم الذكاء الاصطناعي المتطور، تعتبر تقنيات تأصيل المهارات (Skill Grounding) أحد العوامل الأساسية لتطبيق المهارات القابلة لإعادة الاستخدام في الوكلاء المجسدين. ومع أن الاعتماد على نماذج اللغة الكبيرة (Large Language Models) يعد حلاً شائعاً، إلا أنه يعاني من صعوبات في البيئات الديناميكية، مما يجعله غير عملي في بعض الأحيان. خصوصاً عندما تطرأ تغييرات بسيطة في البيئات أو تجسيد الروبوتات.

هذا هو المكان الذي تظهر فيه الحاجة الماسة لإطار العمل الجديد المعروف باسم RECENT. يهدف هذا الإطار إلى زيادة فعالية تأصيل المهارات عبر التركيز على إعادة هيكلة الأكواد، وذلك من خلال فصل المعاني الخاصة بالمهارات عن ارتباطات التنفيذ البيئي أو التجسيدي.

ما يميز RECENT هو أنه يعالج المهارات على أنها أكواد قابلة للتنفيذ، مما يحفظ البنية المعنوية للتحكم في المهارة مع تعديل فقط الارتباطات التنفيذية من خلال إعادة هيكلة موضعية، بدلاً من إعادة توليد الكود بالكامل. وقد أظهرت التجارب أن RECENT يحقق أداءً استثنائيًا في سيناريوهات تأصيل المهارات المتنوعة عبر多个 تجسيد للروبوتات في بيئات ديناميكية، حيث يبرهن على أداء قوي على المدى الطويل عند استخدام نماذج لغوية صغيرة (Small Language Models).

بالمقارنة مع طرق Code-as-Policies (CaP) الأخرى المستندة على النماذج اللغوية الصغيرة، يحقق RECENT أفضل أداء، متفوقًا على الكثير، بما في ذلك بعض النماذج اللغوية الكبيرة. في ظل هذه التطورات السريعة، يتجلى لنا سؤال مهم: هل يمكن أن تصبح هذه الطريقة الجديدة ركيزة أساسية في تطوير الروبوتات المستقبلية؟