في عالم الذكاء الاصطناعي (AI)، لا يزال توليد حركة البشر موضوعاً معقداً، يتطلب جمع بيانات واقعية تحاكي سلاسل الرحلات للأفراد. تسعى الأساليب الحالية، بما في ذلك النماذج التوليدية العميقة (Deep Generative Models) والأساليب المستندة إلى نماذج اللغات الضخمة (Large Language Models)، في كثير من الأحيان إلى تلبية مطالب معقدة دون أن تنجح في تحقيق توازن بين الفهم والسلوك المعقول والاتساق الجماعي.

من هنا، جاء الابتكار الجديد MobEvolve، الذي يمثل أول إطار عمل ذكي يقوم بتطوير نفسه في مجال توليد حركة البشر. تعمل MobEvolve على إنشاء نظام هجائي مستلهم من سلوكيات معينة، بينما تستخدم وكيلًا قائمًا على نموذج لغوي ضخم لتحديث منطقها الداخلي بشكل تدريجي.

عبر تشخيص الافتقار إلى التطابق والحالات الفاشلة على مجموعة التحقق، يقوم الوكيل باقتراح تحديثات مستهدفة ويقوم بتجميع ذاكرة التطور لتحسين الإجراء بشكل متواصل. هذه الطريقة الجديدة لم تُظهر فقط أداءً متفوقاً في دقة مسارات الأفراد، لكنها كذلك أظهرت توافقاً أفضل مع التوزيع السكاني وسلوكيات واقعية، مع الحفاظ على الفهم العالي وكفاءة الاستنتاج.

تجارب موسعة على معايير سنغافورة ومونتريال أكدت أن MobEvolve يتفوق بشكل ملحوظ على الأساليب التقليدية في مجالات عدة، مما يفتح آفاقاً جديدة لفهم كيف يمكن للنموذج الذكي أن يشكل المستقبل.