في عالم الذكاء الاصطناعي، تتسارع الخطوات نحو تحسين نماذج التنبؤ، وأحدث نتائج دراسة نشرت على arXiv تشير إلى أهمية تعديل الثوابت الفيزيائية في تحسين أداء نماذج العالم (World Models). هذه الدراسة تستند إلى استخدام نموذج *DreamerV3* الذي تم تدريبه فقط على فيديوهات لآليات البندول.

تم استخدام نموذج *DreamerV3* المجمد لاختبار ما إذا كان بإمكانه تعلم ثابت عددي تعتبره الانتقالات الكامنة الخاصة به محفوظة تقريباً. ونتيجة لذلك، أظهرت التجارب أن البحث الخالي من التسمية استعاد ثابتاً يشبه الطاقة، كما أنه تم استخدام نماذج محافظة مستقلة. بالمقابل، لم تُظهر النماذج المكافئة أي ثابت مشابه في النماذج المت damped.

أثناء استخدام نماذج العالم لعمليات التنبؤ الذاتي، لوحظ أن هذه الثوابت تعاني من تباين. إلا أنه من خلال إعادة توجيه الحالة الكامنة نحو مستوى البداية، تم تقليل خطأ التنبؤ في جميع النماذج المحافظة الثلاثة، في حين أن القيود العشوائية المقابلة عادة ما تزيد من هذا الخطأ.

تكشف هذه النتائج عن كيفية تمييز الثابت الديناميكي المفيد عن العلاقة القابلة للفك، كما تسلط الضوء على فشل ملموس: يمكن لنموذج العالم أن يتعلم قيداً فيزيائياً من الصور، لكنه قد ينتهك هذا القيد عند تصوره للأحداث المستقبلية. هذه الديناميكية تبرز أهمية إدراك العوامل الفيزيائية في تعزيز الذكاء الاصطناعي وتحسين دقته في التنبؤ بالمستقبل.