في خطوةٍ مبتكرة نحو تطوير وكالات الحركة واللغة (Motion-Language Agents)، ركزت الأبحاث الجديدة على تحسين قدرة هذه الوكالات على فهم حركة الإنسان وتوليدها من النصوص بطريقة تفاعلية ومستمرة. تعتمد النماذج التقليدية على التقنيات الثابتة، لكن الحاجة تبرز في تطبيقات الذكاء الاصطناعي (AI) في بيئات ديناميكية تتطلب التعلم المستمر.

تكمن الفكرة في تحقيق توازن بين الاستقرار والمرونة في التعلم الحركي ثنائي الاتجاه، مما يعني أن الوكالات يجب أن تتمتع بقدرة مستمرة على اكتساب مفاهيم حركية جديدة، كأنماط رياضية مبتكرة أو إشارات متخصصة، دون فقدان المهارات السابقة. ولتحقيق ذلك، تم استخدام أساليب التكيف منخفضة الرتبة (Low-Rank Adaptation - LoRA) لتخفيف التداخل بين المهام المختلفة.

قدم الباحثون هياكل مركزية مكونة من مزيج من الخبراء مع استخدام نظام توجيه يعتمد على Autoencoder، حيث يتم اختيار خبراء محددين للمهمة في وقت الاستدلال، مما يسمح بتنفيذ المهام دون الحاجة لتوسيع تسميات إضافية.

تم تقييم هذه الأساليب من خلال إنشاء اختبار يُعتمد على خمس مهام تم استمدادها من HumanML3D، حيث أظهرت النتائج التجريبية قدرة النموذج على الحفاظ على جودة عالية في توليد النصوص وتفاصيل الحركة، دون حدوث نسيان مهم.

تؤكد نتائج التجارب أن اختيار الخبراء الصحيح أثناء التوجيه يحسن الأداء بشكل كبير، مما يشير إلى أهمية الحفاظ على عزل الخبراء لتحقيق الأداء العالي في إعدادات التعلم المستمر. ومع ذلك، أظهرت الدراسة أيضاً تبايناً محتملاً بين دقة مستوى الرموز وجودة التوليد، مما يستدعي تطوير بروتوكولات تقييم شاملة للمزيد من الأبحاث المتعلقة بالوكالات الحركية المستمرة.

هل تعتقد أن هذه التقنيات ستحدث تغييراً حقيقياً في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!