في عالم الذكاء الاصطناعي، طور الباحثون تقنية جديدة تُدعى PHASER، والتي تُعد طفرة فريدة في مجال نماذج الرؤية واللغة والحركة (Vision-Language-Action) للروبوتات. رغم النجاح الباهر الذي حققته هذه النماذج في التلاعب بالروبوتات بناءً على اللغة، إلا أن تنفيذها في بيئات مفتوحة يتطلب اكتساب مهارات جديدة باستمرار. وهذا ما يؤدي غالبًا إلى نسيانها السريع للسلوكيات التي تم تعلمها سابقًا، وهي ظاهرة يُعرف بها بإسم "النسيان الكارثي" (catastrophic forgetting).

عادةً ما يُستخدم استرجاع الخبرات (Experience Replay) كاستراتيجية لتخفيف هذه المشكلة. لكن، يعتبر التكرار العشوائي البسيط غير كافٍ، نظرًا لأنه يُهمل الخصائص الزمنية لفترات التلاعب، مما يؤدي إلى سوء عينة المهارات الحرجة.

للتغلب على هذه القيود، يقدم PHASER إطار عمل تعليمي قائم على تحديد المراحل (phase-centric)، حيث يضمن توزيعًا متوازنًا للذاكرة لكل المهارات الفرعية. كما يُدمج استراتيجيات توجيه تداخل متعددة الوسائط تُعطي الأولوية ديناميكيًّا للمراحل التاريخية التي تتعرض لخطر أكبر للنسيان.

علاوة على ذلك، يتيح PHASER التكيف المستمر بشكل ذاتي تمامًا من خلال دمج "Auto-PC"، وهو خط أنابيب خفيف الوزن يجمع بين الكشف عن نقاط تغيير إشارات الإجراءات بدون إشراف مُكثف والتحقق الدلالي القائم على نماذج اللغة المرئية (VLM).

عند تقييمه عبر ثلاثة هيكليات VLA في مجموعات تعلم LIBERO، أظهر PHASER تحسينات ملموسة، حيث زاد من معدل النجاح المتوسط (Average Success Rate - ASR) بنسبة تصل إلى 31% مقارنة باسترجاع الخبرات المتطابقة في الميزانية، محققا معدل نهائي بلغت نسبته 87.8% في إعداد LIBERO-Goal CL.

تبشر هذه التقنية المستقبلية بإمكانيات هائلة للروبوتات، مما يفتح آفاقًا جديدة أمام التعلم المستمر والتكيف في البيئات المتغيرة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!