تعتبر البيئات القابلة للملاحظة جزئياً تحدياً كبيراً لوكالات الذكاء الاصطناعي، ففي هذه الظروف، يتعين على الوكلاء تنسيق الاستشعار النشط مع الذاكرة العاملة للحفاظ على حالة إدراكية متطورة. ومع ذلك، كانت المعايير السابقة تواجه صعوبة في عزل القدرة على بناء وتفسير الحالة الإدراكية بسبب التعقيدات الفيزيائية والرقابية المقدمة.

تأتي MNIST-PRO كمبادرة دراسية جديدة تهدف إلى معالجة هذه الفجوة من خلال تحويل مهمة التعرف على الأرقام في MNIST إلى مهمة بحث متسلسلة تعتمد على اللمحات، مع قيود على العودة. عبر تقييم عشرة نماذج متعددة الوسائط على أربعة تمثيلات للذاكرة، بما في ذلك التاريخ البصري الخام، والحالات النصية، وخرائط الشبكة المهيكلة، ولوحة بصرية موحدة، استكشفت الدراسة كيفية أداء هذه النماذج تحت ظروف الملاحظة الكاملة والجزئية.

بينما تتفوق النماذج في ظروف الملاحظة الكاملة، تكشف الملاحظة الجزئية عن فجوة واضحة في الأداء. حدد البحث ثلاثة عوائق متميزة تواجه الوكلاء:
1. بناء وتفسير الحالة الإدراكية يعد تحديًا حيث يجد الوكلاء صعوبة في دمج اللمحات المجزأة.
2. يتوقف الوكلاء أحياناً عن الاستكشاف قبل رؤية التسلسل الكامل.
3. تفشل النماذج أحيانًا في تعديل المعتقدات الخاطئة المبكرة، حتى عندما تواجه أدلة متناقضة لاحقة.

تظهر هذه النتائج أنه لا يكفي مجرد جمع الأدلة البصرية، بل يجب على الوكلاء أيضًا أن يكونوا قادرين على بناء وتحديث حالة إدراكية موثوقة. هل أنتم مهتمون بمعرفة كيف ستؤثر MNIST-PRO على تطوير ذكاء الوكلاء؟ شاركونا آرائكم!