في عالم الذكاء الاصطناعي، يتطلب مشروع التنقل الذكي المعروف باسم التنقل نحو هدف كائن بدون تدريب مسبق (Zero-Shot Object-Goal Navigation) قدرة الوكلاء المجسدين على استكشاف وتحديد المواقع المستهدفة للكائنات دون الحاجة لأي تدريب سابق. ومع ذلك، غالبًا ما تعتمد الأساليب التقليدية على نماذج أساسية ثابتة (foundation models) مما يؤدي إلى عدم التكيف، وبالتالي يتكرر وقوع الأخطاء ويحدث التجريب والخطأ بشكل مكلف.

لتجاوز هذه التحديات، قدمت الورقة البحثية الجديدة EvolveNav والتي تسهم في تطوير إطار جديد للتنقل الذكي (ZS-OGN) يتميز بتطور ذاكرته الذاتية. يتمثل هذا الابتكار الرئيسي في إنشاء ذاكرة قواعد حركية (agentic rule memory) حيث يتم استخراج المعرفة القابلة للتنفيذ من المسارات السابقة، مما يمكن النظام من تحسين أدائه خلال الاختبارات بشكل مستمر.

كما تم تقديم إستراتيجية استرجاع تعتمد على حد الثقة العليا (upper confidence bound) والتي من خلالها يتم اختيار القواعد الأكثر فعالية، متوازنة بين الصلة الدلالية والنجاح التاريخي. علاوة على ذلك، يتضمن الإطار الجديد وحدة تقييم نتيجة موجهة بالذاكرة (memory-guided preflection module) تقوم بتوقع النتائج المحتملة قبل اتخاذ أي إجراء، مما يقلل من الاستكشاف غير الكفء.

أظهرت التجارب الكبيرة التي تم إجراؤها أن نهج EvolveNav يتفوق على المعايير الحالية للتنقل بدون تدريب مسبق، حيث حقق تحسينًا بنسبة 10.1% في معدل النجاح مع تقليل عدد الخطوات غير الضرورية. يعد هذا الإطار خطوة رائدة في المستقبل، حيث يوفر إمكانيات غير محدودة في مجالات عديدة مثل الروبوتات والتفاعل البشري.

ما رأيكم في هذا التطور المثير؟ هل تعتقدون أن الذكاء الاصطناعي سيتجاوز الحدود المعروفة اليوم؟ شاركونا في التعليقات.