في عالم الذكاء الاصطناعي (AI)، تتطلب التطبيقات الذكية، مثل سياسات الرؤية-اللغة-الإجراء (Vision-Language-Action أو VLA)، دقة عالية في التحكم واستجابة سريعة للتغيرات. لكن كيف يمكن تحسين هذا الجانب؟ هنا يأتي دور تقنية GeoAAC!

تعد GeoAAC، وهي طريقة جديدة لتقسيم الإجراءات (Action Chunking) تعتمد على الهندسة، بمثابة نقلة نوعية في كيفية معالجة الذكاء الاصطناعي لتحركاته. في العديد من الأنظمة، تعتمد طرق تقسيم الإجراءات الحالية على أفق ثابت، مما يعني أن جميع المهام تستخدم نفس المستوى من الدقة والاستجابة. إلا أن GeoAAC تُعدل هذا الأفق بناءً على موثوقية كل تنبؤ حركي، وبهذا تتيح مرونة أكبر في التعامل مع مهام تتطلب مستويات مختلفة من التفاعل.

من خلال استخدام الهندسة المتغيرة لبيانات التنظيف (Denoising Trajectories) من نموذج Flow Matching، تتوفر معلومات قيمة لتحديد موثوقية التنبؤات. الأهم من ذلك، أن GeoAAC تستطيع من خلال تحليل البيانات الجيومترية تحديد أفق الحركة بشكل ديناميكي، مما يؤدي إلى تحسينات ملحوظة في الأداء وكفاءة التنفيذ.

تجارب متعددة أجريت باستخدام النماذج GR00T N1.5 وπ0.5 على منصات LIBERO وLIBERO-Pro وRoboCasa365 وأيضًا في مهام حركية واقعية، أظهرت نتائج مبهرة تُشير إلى تحسن ملحوظ في معدل النجاح من 53.3% إلى 74.4%، بالإضافة إلى تحسينات تصل إلى 8.7 نقطة مئوية في محاكاة الأعمال.

الآن، مع GeoAAC، يبدو أن الذكاء الاصطناعي يتجه نحو حقبة جديدة من الأداء الكفء، مما يفتح الأبواب أمام الكثير من التطبيقات المبتكرة.

فما هي آفاق هذا التطور؟ هل تعتقد أن GeoAAC ستحدث ثورة في مجالات أخرى من الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!