في عالم الذكاء الاصطناعي، يعد التعلم المستمر (Continual Learning) أحد المجالات الأكثر حيوية. يتطلب هذا النوع من التعلم من النماذج جمع الخبرات السابقة ونقلها إلى مهام جديدة. لكن على الرغم من الأبحاث الكبيرة التي أجريت في هذا المجال، إلا أن معظم الأعمال الحالية تركز على الإعدادات غير المتجسدة، مما يحد من تطبيقاتها في بيئات محاكاة أكثر تعقيدًا.

لتجاوز هذه الفجوة، تم تقديم معيار جديد يُعرف باسم EmbodiedCLBench، وهو الأول من نوعه الذي يقيّم قدرة التعلم المستمر لوكلاء متطورين ذاتياً. يعتمد هذا المعيار على فكرة التعميم التكويني (Compositional Generalization)، بحيث يتم اختبار قدرة الوكلاء على اكتساب المهارات الأساسية ومن ثم إعادة دمجها لحل مهام جديدة معقدة لم يسبق لهم تجربتها.

من خلال EmbodiedCLBench، تم إجراء تجارب شاملة عبر العديد من أنظمة الوكلاء وطرق التعلم، معززة بنقاط ضعف وسلوكيات مميزة. تظهر النتائج أن المهام المتقدمة يصعب حلها في إعداد عدم القدرة على التوقع (Zero-shot Setting)، ولكن الخبرة المكتسبة من المهام الأساسية تمكنت من تحسين الأداء بشكل تدريجي. ومع ذلك، لا تتناسب هذه التحسينات مع زيادة عدد عينات التعلم، حيث لا يمكن للوكلاء الحاليين استخراج معلومات ذات مغزى من الخبرات الإضافية.

تشدد نتائج هذه الدراسات على أن التعلم المستمر يعد قدرة أساسية لكنها لا تزال غير مكتشفة بشكل كاف، ويقدم معيار EmbodiedCLBench موارد قيمة لتصميم وكلاء متطورين ذاتياً في بيئات محاكاة. لمزيد من المعلومات، يمكنكم زيارة الرابط. ما رأيكم في أهمية التعلم المستمر في تحسين أداء الذكاء الاصطناعي؟ شاركونا في التعليقات!