في عالم الذكاء الاصطناعي، تسعى النماذج والترتيبات الجديدة إلى جعل التخطيط طويل الأمد أسهل وأكثر فعالية. تقدم نماذج الانحلال المركب (Compositional Diffusion Models) إطارًا مثيرًا يُمكن من تخطيط طويل الأمد عن طريق تقليل الضوضاء من مسارات متداخلة متعددة، مع التأكد من أن هذه المسارات تمثل حلاً كليًا متكاملًا.

ومع ذلك، فإن فرض السلوك المحلي على سلاسل طويلة قد يكون غير كافٍ في بعض الأحيان لظهور هيكل عالمي متماسك. وفي هذا السياق، حاولت أعمال سابقة تجاوز هذه العقبة من خلال البحث الداخلي، الذي يستكشف مسارات متعددة أثناء عملية تقليل الضوضاء. ورغم أن البحث الداخلي يسهم في تحسين التجانس العالمي، فإنه يتطلب تكلفة إضافية تتمثل في تقييم متكرر لنموذج ثقيل حسابيًا.

هنا يظهر الابتكار الجديد مع البحث الذي يطرح طريقة البحث الخارجي (Extrinsic Search) كخيار أكثر فعالية للتخطيط طويل الأمد، مما يسمح بإنجاز مهام تركيبية غير مرئية باستخدام خوارزميات تقليدية. تقدم خوارزمية XDiffuser، الموجهة عبر البحث الخارجي، خطة على رسم بياني لحالة النظام – مما يعمل كوسيلة خفيفة للاتصال المحلي لنموذج الانحلال.

تستخدم هذه الخطة لتوجيه عملية تقليل الضوضاء لمسار واحد، مشغلة بذلك عبء الاستكشاف عن النموذج. ونتيجة لذلك، تبين أن XDiffuser يتفوق على نماذج الانحلال التقليدية في المهام طويلة الأمد، خاصة في ظروف البيانات ذات الجودة المنخفضة، وعلى المهام الجديدة التي تتجاوز مجرد الوصول إلى الأهداف، بما في ذلك تنسيق المهام متعددة الوكلاء والاستدلال بأسلوب TSP.

اكتشف المزيد حول هذا المشروع المثير من خلال زيارة الموقع الرسمي لـ XDiffuser.

ما رأيكم في استخدام البحث الخارجي لتسهيل عمليات التخطيط في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!