في عالم الذكاء الاصطناعي، يبرز نموذج Jev كأحد أحدث التطورات المثيرة. يتميز هذا النموذج بقدرته على إرجاع احتمالية لكل خيار وصف في عملية اتخاذ القرار، مما يجعله مثيراً للاهتمام في مجالات متعددة. وقد تم اختبار Jev في مجموعة من السيناريوهات، منها اختبارات التفكير التأملي وألعاب المصفوفة الواحدة، بالإضافة إلى التحكم في الروبوتات.

تُظهر النتائج أن نموذج Jev يُحقق نجاحاً مذهلاً في المهام التي تعتمد على التقييم، حيث يتمكن من حل 99% من الأسئلة المضادة للحدس في اختبارات التفكير. لكن الأمور تتعقد عندما نصل إلى مهام تتطلب إدارة المحاكاة، مثل توقع سلوك الخصم أو تحليل الأهداف الفرعية.

في الألعاب، يظهر Jev استراتيجيات غير مثالية حيث يتصرف كما لو أن الخصم يتخذ قرارات عشوائية، مما يعكس غياب المعلومات حول حركة الخصم. أما في سيناريو ALFWorld، فإنه يفضل أوامر تشير إلى كائن أو مكان موجود في وصف المهمة، مما يظهر تفوقه في التقييم ولكنه يجعله غير قادر على تنفيذ المهام بشكل مناسب.

هذا الافتقار إلى المهارة في المحاكاة ليس نتيجة لعدم المعرفة، بل يظهر نموذج Jev قدرة على الإجابة بشكل صحيح عندما يُسأل عن تصرف الخصم. ومع ذلك، تفشل أداؤه عندما يتطلب الأمر إجراء المحاكاة والتقييم في نفس الوقت.

تشير هذه النتائج إلى أهمية استخدام الشيفرة لجعل التوقعات أو المحاكاة، حيث يصبح نموذج Jev خبيراً في التحكم عند استخدامه لوحدات خارجية لتوفير التوقعات.

ختاماً، يطرح سؤالاً مهماً: كيف يمكن لتعزيز المهارات المحاكاة في نماذج الذكاء الاصطناعي أن يؤثر على قدرتها في اتخاذ القرارات؟