في عالم الذكاء الاصطناعي، أصبحت القدرة على الفهم المكاني أساساً للاستراتيجيات الذكية في التخطيط للروبوتات والتفاعل مع بيئات متعددة الأبعاد. مؤخرًا، قُدِم نموذج جديد يُعرف بـ "الذاكرة المكانية" (Spatial Memory Agent - SMA)، والذي يُعد طفرة في تحقيق تجربة فريدة من نوعها. يعتمد هذا النظام على تجربة مثبتة لتطوير استراتيجيات جديدة بطرق مبتكرة.

توجهت الأبحاث السابقة نحو تحسين القدرات الفهمية للذكاء الاصطناعي من خلال عدد من الطرق مثل التعليم المباشر أو التعلم التعزيزي، بينما استخدم البعض الآخر أدوات خارجية مثل تقدير العمق وإعادة بناء ثلاثي الأبعاد. لكن النظام الجديد يدرس نهجاً مكملاً وغير مستكشف بعد، بحيث يمكن لوكيل VLM الثابت أن يحسن من تفكيره المكاني عن طريق "التطور الذاتي الخالي من تحديث المعلمات"، دون الاعتماد على أدوات الخبراء الخارجية عند استدلال النتائج.

يعمل نموذج SMA كإطار عمل مبتكر يعتمد على التجارب المكانية الموثقة لتحويلها إلى دروس قابلة لإعادة الاستخدام. من خلال بيئة مكانية قابلة للتحقق، يقوم SMA بالاستعلام عن النموذج الثابت للحصول على إجابة متوقعة ومكافأة، ثم يستخدم "التفكير المدعوم من قبل المُحقق" لتقطير الدروس المكانية من التجربة. كما يقوم بتعيين كل درس بمؤشر "موثوقية النقل" (Transfer Reliability Score - TRS) لضمان جودة الاستدلالات المستقبلية.

عند نشر النموذج في وضع القراءة فقط، يُمكنه استرجاع الدروس باستخدام filtros دلالية وتصنيفات TRS لترتيب المعلومات المستخرجة، مما يتيح استخدام هذه الذاكرة لتوجيه استنتاجات النموذج الثابت بشكل أكثر فعالية. تتجلى نتائجه المبهرة من خلال تحقيق أعلى متوسط مجمع في خمس مرجعيات مكانية نموذجية وأربعة نماذج C قاعدية، مما يحقق دقة استثنائية في معظم التقييمات.

هذا الاتجاه الجديد يقدم مسارًا واقعيًا لتطور الذكاء المكاني في نماذج ثابتة، مما يعد خطوة مهمة نحو تحقيق ذكاء اصطناعي أكثر قدرة على التعامل مع المهمات المعقدة في البيئات الواقعية.