شهد مجال الذكاء الاصطناعي تحولاً جذرياً مع دخول أدوات جديدة مثل PDDLCoder، التي تمثل طفرة في توليد اللغة التخطيطية. تستند هذه الأداة إلى نماذج اللغات الضخمة (Large Language Models)، لكن مع إضافة مكون ذاتي قوي في عملية التوليد.

التحديات التي يواجهها الباحثون في مجال التخطيط الطويل الأجل هي عدم موثوقية نماذج اللغات في إنتاج خطط منطقية ومتسقة. حيث أن الطرق الحالية تعتمد غالبًا على طرق توليد صارمة، وتعريفات PDDL جزئية، أو حتى ملاحظات بشرية، مما يعقد العملية ويؤثر على النتائج.

وفي محاولة لتجاوز هذه العقبات، يأتي PDDLCoder كإطار عمل جديد يقوم بتوليد وتحليل وتطوير مواصفات التخطيط بطريقة تكرارية. واحد من الابتكارات الرئيسية التي تم طرحها هو مجموعة بيانات NL-pddlgym، التي تحتوي على 711 مشكلة تخطيطية عبر 23 مجالاً، مجهزة ببيئات تنفيذ لتمكين التحقق التلقائي من قابلية تنفيذ الخطط.

عند اختبار PDDLCoder على مجموعة بيانات NL-pddlgym، حقق نجاحًا مذهلاً بإنتاج خطط قابلة للتطبيق في 89.6% من المشاكل الاختبارية، وهو ما يُعتبر تقدمًا ملحوظاً مقارنة بالطُرق السابقة التي لم تتجاوز نسبتها 45.3%. كما أظهر تفوقاً ملحوظاً على الأساليب المباشرة في التخطيط باستخدام نماذج اللغات، والتي حققت أعلى نسبة 74.5%.

تُثبت هذه الدراسة فعالية توليد PDDL الذاتي، وتخلق معياراً قابل للتكرار للأبحاث المستقبلية في التخطيط الرمزي المدعوم من الذكاء الاصطناعي. فهل تظن أن هذه التقنية ستكون قادرة على تعزيز قدرات التخطيط بشكل أكبر في المستقبل القريب؟ شاركونا آراءكم في التعليقات!