تسعى العديد من أنظمة التخطيط في مجال الروبوتات إلى فهم العالم من خلال الاعتماد على الشكل والمظهر الخارجي للأشياء. غالباً ما يُستخدم أسلوب يعتمد على تدريس الآلات كيفية تمييز الأشياء بناءً على مظهرها فقط، دون القدرة على التفاعل بطريقة فعالة مع الوظائف الحيوية لهذه الأشياء. لكن ما يحمله المستقبل هو نقلة نوعية في كيفية فهم الروبوتات للعالم.

في هذا الإطار، ظهرت فكرة جديدة تُعرف باسم "التفكير بالقدرات" (Affordance Reasoning)، والتي تتيح للروبوتات القدرة على التخطيط بناءً على الوظائف الفعلية للأشياء. بمعنى آخر، بدلاً من التعرف على كائن مثل "العربة" بناءً على شكلها فقط، يمكن للروبوت أن يتعلم ما إذا كانت هذه العربة "قابلة للحركة" أو "يمكن رفعها".

في خطوة ثورية، تم تقديم نظام A4D الذي يقوم بإنشاء فضاءات كامنة (Latent Spaces) تعتمد على القدرات الوظيفية للأشياء. النظام يربط الملاحظات البصرية بمساحات كامنة مشتركة منظمة حول هذه القدرات. من خلال استخدام هذا الفضاء الوظيفي، يمكن لنظام A4D أن يستنتج القدرات المتعلقة بالأشياء التي يراها.

الأكثر إثارة هو أن A4D لا يركز فقط على الحقائق المعروفة، بل يمتلك آلية لاكتشاف القدرات، مما يمكنه من التعامل مع سيناريوهات غير مرئية لم يُدرَّب عليها. من خلال تحديد القرب من الفضاء الوظيفي، يستطيع A4D تقييم عدم اليقين في استنتاج القدرات وتفعيل اكتشاف القدرات بشكل انتقائي.

هذا النظام يحقق دقة تصل إلى 94% في استنتاج القدرات المعروفة، متفوقاً على الأساليب الرائدة بأكثر من 15 نقطة. كما تم تحسين دقة استنتاج القدرات الجديدة من 70% إلى أكثر من 90% باستخدام أقل من 10% من بيانات التدريب الأصلية، مما يتيح له زيادة سرعة الاستنتاج بمقدار 100 مرة.

إذا كنت مهتمًا بعالم الروبوتات وكيف يمكنها أن تتفاعل بذكاء مع محيطها، فالنظام A4D يمثل خطوة مذهلة نحو تحقيق ذلك!