لقد أصبح نموذج الانتشار وتقنيات مطابقة التدفق ركيزة أساسية في مجال تعلم التقليد من قبل الروبوتات. إلا أن هذه الأساليب تواجه تحديًا كبيرًا يتمثل في نقص الكفاءة الهيكلية، حيث تكون الاستدلالات غالبًا مرتبطة بجدول حسابي ثابت، مما يعيق معالجة التعقيد في الحالات المختلفة. في هذا الإطار، يبرز مفهوم "التحكم التوليدي كوسيلة لتحسين الأداء" (Generative Control as Optimization - GeCO)، الذي يقدم إطارًا زمنيًا غير مشروط يحدث تحولًا جذريًا في كيفية توليد الأفعال.

تعمل GeCO على تعلم حقل سرعة ثابت في فضاء تسلسل الأفعال، حيث تشكل سلوكيات الخبراء نقاط جذب مستقرة. من خلال هذا النهج، يصبح الاستدلال في وقت الاختبار عملية تكيفية تُخصص الحسابات بناءً على سرعة التقارب، حيث يمكن للخوارزميات التوقف مبكرًا عن الحالات البسيطة وقضاء مزيد من الوقت في تحسين تلك المعقدة.

بالإضافة إلى ذلك، تنتج هذه الجيومتري الثابت إشارة أمان داخلية، تظل منخفضة للحالات ضمن التوزيع، بينما تزداد بشكل ملحوظ عند مواجهة الحالات الشاذة. لقد تم اختبار GeCO على مجموعة من معايير المحاكاة القياسية، وأثبتت قدرتها على التوسع بسلاسة لتلبية متطلبات نماذج السلسلة Pi0-Vision-Language-Action (VLA).

ومع كونها بديلاً بسيطًا لأجزاء مطابقة التدفق التقليدية، تحسن GeCO من معدلات النجاح وكفاءة الأداء من خلال آلية تحسين آمنة، مما يجعلها مكونًا مثاليًا للنشر الآمن للتطبيقات الذكية. لمشاهدة الفيديو، يمكنك زيارة الموقع [هنا](https://hrh6666.github.io/GeCO/).