في عالم الذكاء الاصطناعي، يعد مفهوم الذاكرة المستقبلية (Prospective Memory) أحد التحديات المعقدة التي يسعى الباحثون إلى حلها. يقتضي الأمر القدرة على تنفيذ نية مؤجلة استجابة لإشارة معينة، في وقت ينافس فيه الذكاء الاصطناعي لإنجاز مهام متعددة.

بينما عانت نماذج اللغات الكبيرة (Large Language Models) من عدم القدرة على تحقيق الأهداف المرجوة في هذا المجال، أثبتت دراسة حديثة أن النماذج الأصغر يمكن أن تحقق إنجازات ملحوظة بدعم من تقنية جديدة تسمى 'Prospective Intention Store' (PIS).

وفقًا للدراسة، التي تم نشرها على موقع arXiv، تم اختبار أداء نموذج 'DeepSeek-Chat' مع 'PIS' على معيار PM-Bench، محققًا نسبة تعيين (Set-F1) تصل إلى 82.9%. في المقابل، بلغت نسبة الأداء للنموذج الآخر 4.2% فقط بدون استخدام 'PIS'. الأمر لم يتوقف هنا، حيث استطاعت 'PIS' أن تتفوق على الأنظمة التقليدية في استرجاع الذاكرة بنسبة 70.1%، بينما لم تصل طرق استرجاع الذاكرة التقليدية إلى 54.4%.

تقدم 'PIS' حلاً فعالاً من دون الحاجة إلى إعادة تدريب النماذج، حيث يقوم بترتيب رغبات الذاكرة في التطبيق البرمجي نفسه، مما يسلط الضوء على كيفية جعل نماذج الذكاء الاصطناعي أكثر ذكاءً ومرونة.

لم يكن التحكم في الحلقات الزمنية المعقدة أسهل مما هو عليه الآن، مما يمكن النماذج الصغيرة من التفوق وترك بصمة جديدة في عالم الذكاء الاصطناعي.