في ظل التطورات المتسارعة في عالم الذكاء الاصطناعي، يبرز نموذج World Action Modeling (WAM) كأحد الابتكارات الرائدة في السيطرة الروبوتية. يتميز هذا النموذج بتنبؤه الديناميكي المستقبلي للأفعال مع مراعاة التعليمات الأولية والملاحظات المتاحة.

ومع ذلك، يواجه العديد من نماذج WAM الحالية تحديات في التنبؤ على المدى الطويل، حيث إن عملية إنتاج فيديوهات كثيفة للتنبؤ تعتبر غير فعالة. هذا في حين أن بعض النماذج الحديثة تعالج هذه المشكلة من خلال التركيز على توقع إطار واحد مستقبلي، لكن ذلك قد يفوت طرق التحرك نحو الهدف المرغوب.

هنا يتدخل الابتكار، حيث نقدم نموذج ProWAM - النموذج المطور الذي يدمج التنبؤ بالأفعال مع سلسلة مرتبة من الأهداف البصرية الفرعية، مما يوجه عملية إنشاء الأفعال بدقة رياضية أثناء تنفيذ المهمة. هذه الطريقة تتوسع بسلاسة، حيث يمكن التعلم من فيديوهات كبيرة غير موجهة دون الحاجة للأعمال المعقدة.

إحدى الجوانب المميزة في ProWAM هي إجراء عملية واحدة فقط لتخزين ميزات الأهداف الفرعية، مما يلغي الحاجة لإنتاج فيديوهات كاملة في كل مرة. وبهذا، يتطلب النموذج عملية تنقيح خفيفة للأفعال عند إعادة التخطيط.

في اختبارات شاملة، أظهر ProWAM قدرات استثنائية في تحمل التحديات الموزعة. فقد حقق أعلى النتائج على منصة LIBERO-Plus بحصوله على 85.8%، وتجاوز أيضًا أبرز النماذج الحالية بفارق 35.9%. في سياق التجارب الواقعية، تمكن ProWAM من تحقيق نجاح بنسبة 70% في سيناريوهات جديدة، متفضلًا على النماذج الأساسية السابقة بمعدل اكتساب نسبته 27.3%.

هذه النتائج تبرز أهمية القدرة التنبؤية البصرية في السيطرة الديناميكية المغلقة. لهذا، يعد ProWAM خطوة جديدة في رحلة الذكاء الاصطناعي نحو أفق جديد.

ما رأيكم في هذه الابتكارات الثورية؟ شاركونا آرائكم في التعليقات!