تتطور تقنيات الذكاء الاصطناعي بشكل متسارع، حيث تُعد نماذج العمل العالمية (World Action Models) من العناصر الأساسية في التحكم الروبوتي متعدد الأغراض. لكن هذه النماذج تعتمد بشكل رئيسي على مدخلات الكاميرا، والتي يمكن أن تتعرض للتلاعب، مما يؤدي إلى تشويه التمثيلات البصرية المستخدمة عبر المهام والسياسات التنفيذية.

في ورقة جديدة منشورة، قدم الباحثون تقنية مبتكرة تُدعى TAPDreamer التي تهاجم نماذج العمل العالمية من خلال استخدام انحرافات عدائية قابلة للنقل. ما يميز هذه التقنية هو استغناءها عن الحاجة للوصول إلى مخرجات النموذج المستهدف، حيث تعتمد فقط على ترميز عام لبناء انحراف محلي ثابت يمكنه الانتقال عبر المهام والهندسات المختلفة.

الفكرة الرئيسية وراء TAPDreamer تكمن في التفاعلات بين التغيرات التي تطرأ على أوزان الانتباه وقيم التمثيلات، مما يولد تحولاً شبه متطابق في التمثيلات عبر مساحة واسعة بعيدة عن أثر الانحراف. باستخدام ستة إطارات من مهمة واحدة، يسعى TAPDreamer إلى زيادة المسافة العامة بين التمثيلات النقية وتمثيلات الانحراف.

تظهر نتائج التجارب أن استخدام انحراف واحد لكل معيار، يغطي حوالي 6.5٪ من المدخلات، أدى إلى انخفاض معدل نجاح نموذج FastWAM من 97.7٪ إلى 0.0٪ عبر 40 مهمة، ومن 90.86٪ إلى 0.0٪ عبر 50 مهمة من RoboTwin. كما أن الانحرافات العشوائية المطابقة احتفظت بمعدلات نجاح تصل إلى 81.5٪ و79.2٪ على التوالي.

هذه النتائج توضح أن حماية توليد العمل في النماذج السفلية وحده لا يكفي. يجب أيضًا تأمين الواجهات البصرية المشتركة ضد الانحرافات المحلية المستمرة، مما يسلط الضوء على ضرورة تطوير استراتيجيات دفاعية متكاملة في هذا المجال.