بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
العملاء الذكية تتيه في دوائر مغلقة داخل البيئات الافتراضية، تعيد زيارة نفس المناطق مراراً وتتلقى مكافآت خاطئة عن “اكتشافات” سابقة نسيتها. هذه المشكلة الأساسية في الاستكشاف بالفضول الاصطناعي وجدت أخيراً حلاً جذرياً في بحث جديد من فريق متعدد الجامعات.
فريق Lily Goli وزملاؤها من جامعات كاليفورنيا وتورونتو طوروا نظاماً يدمج الإعمار المستمر ثلاثي الأبعاد مع الذاكرة السياقية لإنتاج عملاء قادرين على الاستكشاف الفعال في العوالم المعقدة. النظام المسمى “Remember to be Curious” يحل مشكلتين حاسمتين: فقدان الاستمرارية المكانية بين جلسات التدريب، وغياب السياق التاريخي لمسار العميل (وفقاً للبحث المنشور في ArXiv).
التقنية تعمل عبر محورين متوازيين: نموذج عالم مستمر يُبنى ويُحدث عبر تقنيات الإعمار ثلاثي الأبعاد، ونموذج سياقي يعالج تسلسلات مراقبات RGB للاحتفاظ بذاكرة المسار. هذا التصميم المزدوج يضمن عدم “نسيان” العميل للمناطق المستكشفة مسبقاً، بينما يحافظ على قدرته على التشغيل باستخدام الكاميرا فقط أثناء النشر.
الاختبارات على مجموعة بيانات HM3D أظهرت تفوقاً واضحاً على خوارزميات الخرائط النشطة التقليدية. الأهم من ذلك، العميل المدرب حقق تعميماً صفرياً ناجحاً على بيئات Gibson والعوالم المولدة بالذكاء الاصطناعي، مما يثبت قوة النهج عبر بيئات متنوعة لم يرها أثناء التدريب.
- بناء النموذج المكاني المستمر: العميل يستخدم تقنيات الإعمار ثلاثي الأبعاد لإنشاء خريطة مفصلة تُحدث باستمرار، مما يضمن الاستمرارية المكانية عبر جلسات التدريب المتعددة.
- تطوير الذاكرة السياقية: نموذج sequence يعالج مراقبات RGB لتكوين سجل مستمر لمسار العميل، مما يمنع الدوران في حلقات مغلقة وإعادة زيارة المناطق المكتشفة.
- التدريب بالفضول الخالص: العميل يتعلم بالاعتماد على المكافآت الداخلية المشتقة من عدم التطابق بين توقعات النموذج والواقع المُراقب، دون الحاجة لمكافآت خارجية.
- التشغيل بالكاميرا فقط: رغم استخدام الإعمار ثلاثي الأبعاد أثناء التدريب، العميل النهائي يعتمد على إطارات RGB فقط أثناء النشر، مما يجعله عملياً للتطبيقات الواقعية.
- التكيف السريع مع المهام: بعد التدريب الأولي، العميل يُظهر قدرة على التكيف الفعال مع مهام محددة مثل جمع التفاح والتنقل نحو أهداف بصرية، متفوقاً على النماذج المدربة من الصفر.
- التحقق عبر البيئات المتنوعة: النموذج نجح في الاختبار على ثلاث مجموعات بيانات مختلفة (HM3D، Gibson، عوالم مولدة بالذكاء الاصطناعي)، مؤكداً قوة التعميم.
التطبيقات العملية لهذا البحث تمتد من الروبوتات المستقلة في المستودعات والمنازل، إلى NPCs ذكية في ألعاب الفيديو، وصولاً إلى أنظمة التنقل الداخلي في المباني المعقدة. قدرة العميل على الاستكشاف الذاتي دون خرائط مُعدة مسبقاً تجعله مثالياً للبيئات الديناميكية وغير المنظمة.
لكن النهج يواجه قيوداً عملية واضحة: الإعمار ثلاثي الأبعاد يتطلب قوة حاسوبية كبيرة، والنظام قد يكافح في البيئات سريعة التغيير أو عالية التعقيد البصري. كما أن فعالية التقنية في البيئات الحقيقية مع الضوضاء الحسية والاضطرابات الفيزيائية تحتاج مزيداً من الاختبار.
