ثورة التعلم الذاتي: وكالات معتمدة على الأهداف تتعلم كل شيء دفعة واحدة!

في عالم الذكاء الاصطناعي، تمثل نقلة جديدة قيد التنفيذ تموجات الكبيرة. يتمثل هذا في وكيل تعلم معتمد على الأهداف (Goal-Conditioned Agent) يسعى لاستخراج أكبر قدر ممكن من المعلومات خلال مسيرته في بيئة معينة. وعلى الرغم من أن هذه الوكالات قد تجمع كمية هائلة من المعلومات، إلا أن معظمها يتم إهماله عند القيام بالتحديثات على السياسة الناجحة بالنسبة للهدف المحدد.

لكن ماذا لو تمكن هذا الوكيل من التعلم من كل تلك المعلومات مرة واحدة؟ هنا يأتي مفهوم التعلم لجميع الأهداف (All-goals Learning)، والذي يسمح للوكيل باستخدام كل انتقال لتعلم معلومات خارج السياسة بالنسبة لكل هدف. وبالرغم من فعالية هذه الطريقة، فإنها غالبًا ما تكون معقدة من الناحية الحسابية عند تطبيقها بطريقة تقليدية.

استُخدمت فكرة جديدة تُعرف باسم "تعلم كل شيء دفعة واحدة" (Learning Everything all at Once - LEO) لمعالجة هذه الأبعاد مع مجموعة من الفعالية. باستخدام هذه التقنية، يمكن لوكلاء الذكاء الاصطناعي إخراج القيم والإجراءات لكل هدف في نفس الوقت، مما يتيح تحديثات فعالة ومتوازية لكل الأهداف من خلال تمريرة واحدة فقط عبر الشبكة.

أثبتت هذه الطريقة تفوقها بشكل كبير على الأساليب الأخرى في تحدي Craftax المعتمد على الأهداف، بحيث حققت تقدمًا ملحوظًا مقارنةً بالأساليب التقليدية، وظهرت كتنافس قوي في بيئات التحكم المستمر. ولعل الأهم، أن LEO تقدم تسريعًا يصل إلى أكثر من 250 مرة مقارنة بإعادة تصنيف الأهداف التقليدية.

ليس ذلك فحسب، بل أظهر الباحثون أنه يمكن تعزيز هذه الطريقة أكثر عندما يتم استخدامها كشبكة تعليمية بدلاً من كونها وكيلًا مباشرًا. فإذا تمكنت LEO من فتح إمكانيات التعلم لجميع الأهداف على نطاق واسع، سيكون لها تأثير ثوري على ممارسي التعلم المعزز (Reinforcement Learning) في البيئات المعقدة.

في ظل الابتكار المستمر، تم إطلاق الشيفرة البرمجية لهذه التقنية كمصدر مفتوح، مما يتيح للباحثين والمهتمين استكشاف إمكانياتها.