في عالم الذكاء الاصطناعي، تسعى الأبحاث دائمًا إلى دفع الحدود نحو تحسين أداء الوكلاء المتجسدين (Embodied Agents). وبدلاً من التركيز التقليدي على تحديث النموذج الأساسي من خلال التدريب، يقدم البحث الجديد مسارًا مثيرًا للاهتمام.

يعرض الباحثون في ورقتهم العلمية الجديدة، التي تم نشرها على arXiv تحت الرقم 2610.08432v1، مفهومًا مبتكرًا يعرف باسم تحسين أدوات الوكيل المتجسد (EMbodied Agent Harness Optimization) أو اختصارًا EMHO. تعتمد هذه الطريقة الجديدة على فكرة أن الوكيل يمكنه تحسين أدوات التحكم الخاصة به من خلال تحليل تجاربه السابقة بدلاً من مجرد الاعتماد على البيانات البيئية المحدودة.

يتميز نظام EMHO بإبقائه نموذج الوكيل ثابتًا بينما يقوم بتحسين أدوات الضبط الخاصة به من خلال تحليل مسارات التنفيذ (Execution Trajectories) وتاريخ الأدوات السابقة، مما يساعد الوكيل على تحسين كيفية مراقبة تقدمه واستخدام أدوات الرؤية وتأسيس الملاحظات والاستجابة للفشل.

ولتعزيز أداء المهام المتعددة باستخدام أدوات واحدة، تم أيضًا تقديم نموذج EMHO-Merge، الذي يعمل على حل التحديات المرتبطة بتحسين هذه الأدوات المشتركة عبر المهام، باستخدام المكاسب والخسائر على مستوى الحلقات كمرشد لتحسين السلوكيات المعدلة.

عند اختبار نموذج EMHO على مجموعة EmbodiedBench عبر مهام التنقل والتلاعب، أظهر نتائج ملحوظة، حيث ساهم في تعزيز النجاح في المهام لكل من نماذج Qwen 9B و27B. تحليل النتائج النوعية يشير إلى أن EMHO لا يتوقف عند حدود التعافي من الفشل، بل يعمل أيضًا على إعادة تشكيل كيفية تفسير الوكيل المتجسد وتفاعله مع بيئته.

في النهاية، يبدو أن EMHO يمثل خطوة مهمة نحو تحسين قدرات الوكلاء المتجسدين بشكل مستقل، مما يفتح آفاقًا جديدة لتطوير الذكاء الاصطناعي المستقل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.