تعتبر تطوير روبوتات ذكية قادرة على حل المهام المعقدة في العالم الحقيقي أحد التحديات الأساسية في عالم الذكاء الاصطناعي. وبعد تحقيق تقدم كبير في بعض الجوانب عبر نماذج اللغات الكبيرة متعددة الوسائط (Multimodal Large Language Models - MLLMs)، وُجد أنها لا تزال ضعيفة عندما تواجه سيناريوهات صعبة تتجاوز نطاق معرفتها.

في هذا السياق، تم اقتراح طريقة جديدة تُعرف باختيار الفعل المعزز بالتحقق (Verifier-Guided Action Selection - VegAS)، وهي إطار عمل مصمم لتحسين قدرة الروبوتات الذكية على التعامل مع المهام المعقدة.

عند وقت الاستنتاج، يقوم نظام VegAS بالتقاط مجموعة من الإجراءات المحتملة بدلاً من الالتزام بخيار واحد. ويستخدم مُحققًا توليديًا لتحديد الخيار الأكثر موثوقية، دون تغيير السياسة الأساسية للنموذج. ومن المثير للاهتمام، أنه تم الاستنتاج أن استخدام MLLM جاهز كمحقق لم يحقق أي تحسين، مما أدى إلى تطوير استراتيجية توليد البيانات القائمة على LLM، والتي تقوم تلقائيًا بإنشاء منهج متنوع من حالات الفشل لتعريض المحقق لبيانات غنية من الأخطاء المحتملة أثناء التدريب.

بانتقالنا عبر مجموعة من اختبارات التفكير المتكامل في بيئتي Habitat وALFRED، أثبتت VegAS باستمرار قدرتها على تحسين التعميم، حيث حققت زيادة في الأداء تصل إلى 36% مقارنة بالنماذج الأساسية القوية على المهام طويلة المدى ومعقدة التعدد.

مع هذه الإنجازات، تبرز VegAS كأداة واعدة في تطوير روبوتات أكثر ذكاءً، قادرة على أداء مهامها بموثوقية أكبر في ظروف صعبة. ما رأيكم في هذه التطورات الجديدة في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات!