PAN: A World Model for General, Actionable, and Long-Horizon World Simulation
تقدم هذه الورقة البحثية PAN، وهو نموذج عالم مبني على بنية التنبؤ الكامن التوليدي (GLP) التي تتغلب على القيود الحالية في التنبؤ العام مفتوح النطاق والموجه بالأفعال والاتساق طويل الأمد من خلال الجمع بين التمثيلات الكامنة ذات الحالة، وتدفق المعلومات مغلق الحلقة، ونواة مختلطة من النماذج اللغوية الكبيرة (LLM) والانتشار لتمكين الاستدلال والمحاكاة والتخطيط المتقدمين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عقلاً لا يكتفي بمجرد الاستجابة للعالم، بل يتوقع ما سيحدث فيه. لعقود من الزمن، سعى العلماء لبناء ذكاء اصطناعي يمكنه القيام بما هو أكثر من مجرد التعرف على قطة في صورة أو كتابة قصيدة؛ إنهم يريدون آلات تفهم كيف يتغير العالم المادي عندما تدفع كوباً، أو تدير عجلة القيادة، أو تفتح باباً. هذه القدرة على التنبؤ بالمستقبل بناءً على الأفعال الحالية تُعرف باسم "نموذج العالم". إنه المحرك المعرفي الذي يسمح للكائنات الحية بالتخطيط، وتخيل "ماذا لو"، وتجنب الخطر قبل وقوعه. وبينما أصبحت الحواسيب الحديثة بارعة في توليد الصور والنصوص، إلا أنها غالباً ما تعاني في محاكاة منطق السبب والنتيجة للواقع. يمكنها إنشاء فيديو جميل لسيارة تسير، لكنها لا تستطيع التنبؤ بشكل موثوق بما سيحدث إذا انحرفت تلك السيارة فجأة لتفادي حفرة. وبدون هذه القوة التنبؤية، يظل الذكاء الاصطناعي مراقباً سلبياً بدلاً من كونه مشاركاً نشطاً قادراً على اتخاذ القرارات في بيئة معقدة ومتغيرة.
قدم فريق من الباحثين في جامعة محمد بن زايد للذكاء الاصطناعي نظاماً جديداً يسمى PAN، صُمم لسد هذه الفجوة. بدلاً من مجرد توليد مقاطع فيديو من الصوامع، يعمل PAN كمحاكي يتعلم كيف يتطور العالم استجابةً لتعليمات محددة. بنى الباحثون هذا النظام على أساس يسمى "التنبؤ الكامن التوليدي" (Generative Latent Prediction)، وهي طريقة تجبر الحاسوب على الحفاظ على ذاكرة داخلية متسقة للعالم أثناء تنبئه بالمستقبل. وبدلاً من محاولة تخمين كل بكسل منفرد في صورة مستقبلية دفعة واحدة، مما يؤدي غالباً إلى الارتباك والأخطاء بمرور الوقت، يقوم PAN بتجزئة المهمة. فهو أولاً ينشئ ملخصاً مختصراً ومجرداً للمشهد الحالي والفعل الذي يتم اتخاذه. ثم يستخدم محرك استدلال قوياً قائماً على اللغة للتنبؤ بكيفية تغير ذلك الملخص. وأخيراً، يقوم بترجمة ذلك الملخص الجديد مرة أخرى إلى فيديو. تسمح هذه العملية المكونة من ثلاث خطوات للنظام بتتبع الأشياء، والأشخاص، والفيزياء عبر فترات زمنية طويلة، مما يضمن بقاء الشجرة شجرة والسيارة سيارة حتى بعد مرور العديد من الثواني من الوقت المحاكى.
درب الباحثون نظام PAN على مجموعة بيانات ضخمة تضم ثمانية ملايين مقطع فيديو مقترنة بأوصاف تفصيلية للأفعال التي تحدث داخلها. غطت هذه الفيديوهات كل شيء، من الأنشطة البشرية اليومية إلى التفاعلات المعقدة بين الناس ومحيطهم. ومن خلال تعليم النظام التنبؤ باللحظة التالية في الفيديو بناءً على أمر لغوي مثل "القيادة عبر غابة مغطاة بالثلوج" أو "التقاط كوب أزرق"، مكن الفريق نظام PAN من تعلم قواعد السبب والنتيجة الفيزيائية. وعند اختباره، أظهر النظام قدرة ملحوقة على الحفاظ على الاتساق عبر تسلسلات طويلة. وفي إحدى مجموعات التجارب، طلب الباحثون من النموذج محاكاة سلسلة من الأفعال، مثل تحريك روبوت للأشياء بين الصواني. وبينما كانت الأنظمة الأخرى تفقد تتبع الأشياء بسرعة أو تتخيل فيزياء مستحيلة بعد بضع خطوات، استمر PAN في توليد نتائج متماسكة ومنطقية لأكثر من عشر خطوات. لقد تنبأ بنجاح أنه إذا أمسك روبوت بعلبة صفراء ونقلها إلى صينية جديدة، فإن العلبة ستظهر في تلك الصينية الجديدة في الإطار التالي، وستكون الصينية القديمة فارغة.
للتحقق من أن PAN يحاكي الواقع حقاً وليس مجرد إنشاء صور جميلة، قيم الباحثون النظام مقابل معيار صارم يسمى "ساحة الاستدلال العالمي" (World Reasoning Arena). قاس هذا الاختبار ثلاث مهارات محددة: مدى دقة النظام في محاكاة النتيجة المباشرة لفعل ما، ومدى قدرته على الحفاظ على عالم متسق لفترات طويلة، وما إذا كانت تنبؤاته يمكن أن تساعد برنامج كمبيوتر آخر على اتخاذ قرارات أفضل. أظهرت النتائج أن PAN تفوق على النماذج مفتوحة المصدر الأخرى وتنافس عن كثب الأنظمة التجارية الرائدة. وفي المهام التي تتطلب من الآلة التخطيط لتسلسل من التحركات لتحقيق هدف ما، مثل فرز العناصر على طاولة، أدى دمج PAN إلى تحسين معدل نجاح وكيل التخطيط بأكثر من عشرين بالمائة مقارما باستخدام نموذج قياسي. وهذا يشير إلى أن تنبؤات النظام لم تكن مجرد صور مقبولة بصرياً، بل كانت دقيقة سببياً، مما وفر خريطة موثوقة للمستقبل يمكن لوكيل اتخاذ القرار الوثوق بها.
كما سلطت الدراسة الضوء على ما يحدث عندما تفتقر هذه الأنظمة إلى المكونات الرئيسية. أجرى الباحثون اختبارات حيث قاموا بإزالة محرك الاستدلال القائم على اللغة أو الطريقة المتخصصة المستخدمة لتنعيم الانتقالات بين مقاطع الفيديو. بدون محرك الاستدلاء، عانى النظام في فهم التعليمات المعقدة التي تتضمن عناصر فاعلة، مثل شخص أو روبوت، وأصبحت انتقالات الفيديو متقطعة. وبدون آلية التنعيم، تدهورت جودة الفيديو بسرعة مع استمرار المحاكاة، حيث تشوهت الأشياء أو اختفت. أكدت هذه النتائج أن الجمع بين "عقل استدلالي" وعملية توليد دقيقة خطوة بخطوة أمر ضروري للاستقرار طويل الأمد. النظام لا يعتمد على خدعة واحدة؛ بل يعتمد على حلقة مغلقة حيث يتم فحص التنبؤ باستمرار مقابل شرط وجوب ظهوره كتغيير حقيقي وملاحظ في العالم.
رغم نجاحه، يوضح الباحثون حدود النظام الحالية. يعمل PAN بأفضل حالاته عندما توصف الأفعال بلغة طبيعية، مثل "انعطف يساراً" أو "افتح الباب". وهو ليس مصمماً بعد للتعامل مع أوامر العضلات المستمرة والدقيقة المطلوبة للمهام الروبوتية الدقيقة، مثل التحكم في قوة القبضة بدقة. علاوة على ذلك، بينما يعد النظام أكثر استقراراً بكثير من المحاولات السابقة، فإنه لا يزال بإمكانه الانحراف عبر فترات طويلة جداً، حيث يفقد أحياناً تتبع التفاصيل الصغيرة أو يخترع أشياء لم تكن موجودة. ويشير المؤلفون إلى أن النظام يرث بعض العادات البصرية من نماذج توليد الفيديو التي بُني عليها، والتي تعطي الأولوية للمظهر الواقعي على حساب الكمال الفيزيائي. وهذا يعني أنه بينما تعد المحاكاة موثوقة بشكل عام، إلا أنها ليست تمثيلاً خالياً من العيوب للفيزياء.
يمثل هذا العمل خطوة كبيرة للأمام في تعليم الآلات التفكير في المستقبل. فمن خلال الجمع بين القدرة على الاستدلال باللغة والقدرة على توليد تسلسلات بصرية، يقدم PAN طريقة جديدة للذكاء الاصطناعي لاستكشاف الاحتمالات دون المخاطرة بعواقب في العالم الحقيقي. فهو يسمح للوكيل بإجراء "تجارب ذهنية"، واختبار مسارات عمل مختلفة لمعرفة أي منها يؤدي إلى النتيجة المرجوة. يخطط الباحثون لإطلاق الكود والبيانات الخاصة بهم للجمهور، داعين الآخرين للبناء على هذا الأساس. ومع تقدم المجال، يظل الهدف هو إنشاء أنظمة لا يمكنها رؤية العالم فحسب، بل فهم كيفية عمله، مما يمهد الطريق لآلات ذكية يمكنها التنقل والتخطيط والعمل بنفس الاستشراف الذي يستخدمه البشر كل يوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.