في عالم الروبوتات، يعد التلاعب المعقد من خلال الذاكرة الطويلة الأمد لماضي الأحداث والأعمال من الأمور الحيوية. لكن التخصيص على التاريخ الكامل غالبًا ما يؤثر سلبًا على الأداء بسبب الارتباطات الزائفة. ولهذا السبب، يلجأ الكثيرون إلى طرق تستخدم ذاكرة السياسات عن طريق ضغط معلومات التاريخ عبر استعلامات نماذج لغات ضخمة (VLM) باهظة الثمن أثناء المهمة.

ومع ذلك، اقترح الباحثون في دراسة حديثة نهجًا بديلًا، حيث يتم تنفيذ استعلامات VLM المكثفة من الناحية الحسابية خلال مرحلة التدريب، بهدف تعلم ذاكرة خفية خفيفة الوزن يمكن الاستعلام عنها بشكل فعال عند نشر النموذج. هذه الذاكرة تُعرف باسم "رمز مساحة العمل" (workspace token).

كيف يعمل هذا المفهوم؟
أولاً، يستخدم النموذج VLM لتحديد المعلومات التاريخية والحالية اللازمة لإتمام مهمة معينة. وبعد ذلك، يتم تقطير هذه المعلومات إلى رمز مساحة العمل باستخدام خسارة فك تشفير تعيد بناء المجموعة. لقد أظهرت التجارب في بيئات محاكاة وأجهزة حقيقة أن رمز مساحة العمل يمكن استخدامه كبديل للبيانات الملاحظة أثناء النشر.

الأكثر إثارة للاهتمام هو أن هذه الرموز لا تجعل النموذج أخف وزنًا فحسب، بل تؤدي أيضًا إلى تحسين أداء السياسات في المهام المعقدة التي تتطلب ذاكرة كبيرة.

هذا البحث يمثل خطوة هامة نحو تحسين تقنية الروبوتات، مما يتيح معالجة أكثر كفاءة للمهام، ويعزز من القدرة على استخدام الروبوتات في مجالات متعددة تكتسب فيها الذاكرة دورًا محوريًا.