في عالم الذكاء الاصطناعي، يمثل التخطيط تحدياً كبيراً، خاصة عندما يتعلق الأمر بتحديد الأهداف من خلال اللغة بدلاً من استخدام الأطر التقليدية. نتحدث هنا عن نموذج JEPA الذي يعكس هذه الديناميكية الجديدة.

وقد تم الكشف عن تفاصيل البحث في الورقة الجديدة التي تحمل العنوان 'Keeping JEPA World Models Plannable When Little of the Frame Moves'. يعتمد هذا النموذج على نظام مختبرات SLIM، الذي يختبر قدرة الأنظمة على التمييز بين عدة أشياء ضمن مشاهد متطابقة باستخدام الأهداف اللغوية.

أظهرت التجارب أن نموذج LeWM، وهو نموذج عالم يُستخدم لحل مشكلة الدفع (PushT)، تمكن من النجاح في أقل من 1% من التجارب. وبالرغم من ذلك، كان من الممكن لعناصر التحكم المبرمجة أن تنجح في كل مرحلة. وهذا التشخيص يشير إلى أن الفشل كان مرتبطاً بالمُشفر (encoder) الذي لم يكن حساسًا بشكل كافٍ للأفعال – إذ لم يكن بمقدوره استخلاص مواقع الدفع أو العناصر، مما يعني أن النماذج كانت تخفق في التخطيط.

باستخدام فقدان العكس الديناميكي (inverse-dynamics auxiliary loss) المُطبق على العقول الكامنة، تمكن الباحثون من زيادة نسبة النجاح من 0.003 إلى 0.35، وهو تقدم مذهل.

وبالإضافة إلى ذلك، أظهر البحث كيف يمكن للعقل اللغوي الصغير أن يخطط من الجمل دون الحاجة إلى إعادة تدريب نموذج العالم. تحت تأثير الأهداف اللغوية، استقر النجاح في الوصول إلى 0.84 في التنقل، مما يظهر جدوى استخدام النموذج بشكل فعال. وقد تمكن النموذج من التكيف مع شروط جديدة، والتعامل مع الأسماء غير المرئية بسلاسة، مما يعكس قدرة النظام على التفكير والتخطيط بذكاء.

تعد هذه التطورات خطوة مهمة نحو تحقيق نماذج عالم أكثر فاعلية، وهو ما قد يؤثر بشكل كبير على طريقة تعاملنا مع الذكاء الاصطناعي في المستقبل. ما رأيكم في هذه التطورات المثيرة؟ شاركونا آرائكم في التعليقات!