في عالم الذكاء الاصطناعي، يمثل التعلم التعزيزي (Reinforcement Learning) إحدى الأدوات الرئيسية التي يستخدمها الباحثون لتطوير نماذج قادرة على اتخاذ القرارات. ومع ذلك، فإن هذه النماذج التقليدية لا تعكس بشكل كامل تعقيدات التعلم البشري. وفي خطوة هامة نحو تطوير هذه النماذج، تم تقديم الخوارزمية الجديدة MI-SARSA التي تأخذ في الاعتبار القيود المعرفية التي يواجهها الكائنات الحية.

القيود على الإدراك، الانتباه، والذاكرة العاملة تؤثر على كيفية تعلم الأفراد واختيارهم. غالبًا ما تفتقر النماذج القياسية إلى تمثيل هذه التكاليف الداخلية، مما يجعلها غير مناسبة كنماذج للذكاء البيولوجي. لكن MI-SARSA تتجاوز ذلك من خلال دمج قاعدة المعلومات المتبادلة كمؤشر يمكن التعلم منه، مما يؤدي إلى تحسين أداء النماذج.

تتميز MI-SARSA بقدرتها على استخدام المعلومات ذات الصلة فقط عندما تكون الفوائد المرتبطة بها تستحق التكلفة الإضافية. ومن أبرز مميزاتها هو أنها لا تكتفي بتوقع النتائج ولكن أيضًا تدرس زمن الاستجابة، مما يجعلها فريدة عن معظم نماذج التعلم التعزيزي.

تُظهر التجارب أن MI-SARSA تؤدي إلى توازن بين المكافأة وتعقيد النماذج. بالإضافة إلى ذلك، يعكس الاستخدام الأكثر صرامة للمعلومات سياسات أبسط مع تكاليف تحكم أقل وأوقات استجابة أسرع. ومع تغير البيئة، يؤدي زيادة التنظيم في النموذج إلى تقليل تدهور الأداء بعد الانتقال، لكنه أيضًا يتسبب في انخفاض الأداء على المدى الطويل.

بشكل عام، تُضع خوارزمية MI-SARSA في مقدمة النماذج التي تعكس التعلم التسلسلي المقيد تحت القيود المعرفية، مما يفتح الأفق لفهم أعمق للذكاء البيولوجي وكيف تُستخلص القرارات تحت ظروف مختلفة.