في عالم يتزايد فيه التعقيد الحضري، تتزايد الحاجة إلى حلول ذكية لمشكلة تنظيم حركة المرور. تتناول هذه المقالة مشروع TrafficClaw الذي يعرض كيفية استخدام نماذج اللغة الكبيرة (LLM) كحل مثير لتحديات التحكم في المرور في المدن الحديثة.

تسعى نماذج LLM التقليدية إلى معالجة مشكلات معقدة في بيئات رقمية، لكن تمتد تحديات جديدة عندما يتعلق الأمر بالتطبيقات الفيزيائية. ففي ظل عدم تماسك الأهداف في البيئات الرقمية السابقة مثل الشبكات أو الألعاب، قد يصبح التنسيق بين نظم المرور والتأثيرات المتبادلة بينها محط صعوبة. تعد أنظمة مرور المدن، مثل إشارات المرور والطرق السريعة وخدمات النقل العامة، نموذجاً مثيراً لهذه التحديات.

يعتمد TrafficClaw على بيئة مرور موحدة تتفاعل فيها الديناميكيات الحضرية بشكل متماس، مما يعزز القدرة على التفكير والاستجابة الطولية من خلال ذاكرة مستدامة. يستخدم النظام أيضاً تقنيات التعلم المعزز (Reinforcement Learning) للتنسيق الفعّال والتحسين على مستوى النظام.

تظهر التجارب التي أجريت في ثلاثة مناطق حضرية مختلفة و6 مهام للتحكم في الحركة نجاحاً ملفتاً في التعميم والصلابة، مما يشير إلى قدرة المشروع على التفاعل بشكل فعّال عبر أنظمة متعددة. بإمكانكم الاطلاع على تفاصيل المشروع ومصادره من خلال الرابط التالي: [https://github.com/usail-hkust/TrafficClaw].

ما رأيكم في استخدام الذكاء الاصطناعي في تنظيم حركة المرور؟ شاركونا آرائكم في التعليقات!