في عالم يتقدم فيه الذكاء الاصطناعي بوتيرة سريعة، تبرز الابتكارات الجديدة كأدوات تكميلية لشبكة عمران الروبوتات. في دراسة منشورة تُعرف بمؤلفيها الجريئين، تم تقديم مفهوم جديد يسمى برامج SEMANTICALLY UNIFIED (SUN)، والذي يعد نقطة تحول في كيفية إدارة التحكم الآلي والسياسات التعلمية في الروبوتات.

يبدو أن هناك فجوة تاريخية في الفهم بين نموذج التحكم والسياسات المتعلمة. بينما يهتم التحكم بتحقيق أهداف محددة، فإن عمليات التعلم تهتم بتحويل هذه الأهداف إلى استجابة سريعة. وبدلاً من التطبيقات الحالية التي غالباً ما تتجاهل الدلالات المهمة للأهداف، introduce برامج SUN، حيث تم تعريف العلاقات الهندسية والعلاقات التلامسية مرة واحدة فقط، مما يتيح تجميعها في تكاليف السيطرة التنبؤية (Model Predictive Control - MPC)، معايير الرضا، مكافآت التعلم العميق (RL) وغيرها.

يقدم النظام الجديد، Kuafu، الذي يعتمد على أنظمة اللغة البصرية الكبيرة، القدرة على توليد برامج SUN تلقائيًا من أساسيات اللغة والسيناريوهات، مما يسهل فحص القابلية عبر MPC. البلاغة هنا تأتي من الحفاظ على الدلالات المهمة خلال مرحلة تدريب السياسات المشروطة.

على مدار تسعة مهام، حقق Kuafu نسبة نجاح مذهلة بلغت 82.03%، وهو ما يتفوق على أنظمة المكافآت القليلة (35.67%) وأيضاً على معيار Stage-BC (24.75%). عند استخدامه على نطاق واسع، أنتج Kuafu 10.57 ضعف الوقت الناجح للمسارات لكل ساعة من التشغيل البشري. علاوة على ذلك، مع 500 مسار لكل مهمة، درب نظام Kuafu السياسات DP3، محققاً 46.0% من النجاح في المحاكاة.

هذه النتائج تبرهن على قدرة النماذج التي تتم فحصها بالسيناريوهات المهمة على تكوين سياسات موثوقة - وهذا دون الحاجة إلى عروض توضيحية أو مكافآت كثيفة يدويًا، مما يحقق الربط بين التخطيط الرمزي والتنفيذ المدفوع بالبيانات.

الآن، يتجه السؤال إلى الأمام: كيف ستؤثر هذه الابتكارات على مستقبل الروبوتات والأجهزة الذكية؟ شاركونا آرائكم في التعليقات!