SCALE: State-Calibrated Latent Embeddings for JEPA Planning in the Right Geometry
تقترح الورقة البحثية SCALE، وهو منظم خفيف الوزن أثناء وقت التدريب يعمل على مواءمة هندسة التمثيلات الكامنة المتعلمة من طرف إلى طرف مع فضاء حالة معياري ذي صلة بالمهمة، مما يحسن أداء التخطيط في نماذج JEPA من خلال ضمان أن الاتجاهات عالية التباين في فضاء التضمين تلتقط بفعالية معلومات الحالة دون الحاجة إلى عبء إضافي في وقت التخطيط.
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
في السعي لبناء آلات يمكنها التفكير والتصرف مثل الكائنات الحية، اعتمد الباحثون لفترة طويلة على مفهوم يُعرف باسم "نموذج العالم". تخيل روبوتاً لا يكتفي بمجرد الاستجابة لما يراه في اللحظة الراهنة، بل يقوم بدلاً من ذلك بتشغيل محاكاة ذهنية للمستقبل. قبل أن يحرك عضلة واحدة، يسأل نفسه: "إذا مددت يدي نحو ذلك الكوب، فماذا سيحدث؟". إنه يتخيل تسلسل الأحداث، ويتنبأ بالنتيجة، ومن ثم يختار الفعل الذي يؤدي إلى أفضل نتيجة. ولكي تعمل هذه المحاكاة، يحتاج الجهاز إلى طريقة لتمثيل العالم تكون مدمجة بما يكفي للحساب بسرعة، ولكنها مفصلة بما يكفي لتكون مفيدة. إذا كان التمثيل فوضوياً للغاية، فسيضيع الروبوت في الضجيج؛ وإذا كان بسيطاً للغاية، فسيفقد التفاصيل الحاسمة اللازمة للنجاح. ويكمكم التحدي في إيجاد توازن يكون فيه الخريطة الداخلية للعالم بالنسبة للآلة ليست دقيقة فحسب، بل منظمة أيضاً بطريقة تجعل التخطيط سهلاً.
تعالج دراسة حديثة أجراها باحثون من جامعة بوسطن وشركة يونيتي تكنولوجيز (Unity Technologies) خللاً دقيقاً ولكنه حاسم في كيفية بناء هذه الخرائط الذهنية حالياً. فقد اكتشفوا أن الآلة يمكنها تعلم فهم مهمة ما بشكل جيد تماماً، ومع ذلك تفشل في استخدام هذا الفهم عندما تحاول التخطيط. المشكلة ليست في أن المعلومات مفقودة، بل في أنها مخفية في الجزء الخاطئ من الهندسة الداخلية للآلة. ولإصلاح ذلك، طور الفريق طريقة جديدة تسمى "سكيل" (SCALE)، والتي تعيد تشكيل الخريطة الداخلية للآلة بحيث تصبح التفاصيل الأكثر أهمية للمهمة هي الأكثر بروزاً عندما تتخذ الآلة قراراتها.
بدأ الباحثون بالنظر في طريقتين مختلفتين تتعلم من خلالهما الآلات تمثيل العالم. يعتمد أحد النهجين، المستخدم في نظام يسمى "دينو-دبليو إم" (DINO-WM)، على سمات تم تعلمها من كميات هائلة من البيانات قبل أن يرى الروبوت مهمة محددة. وتخلق هذه الطريقة بشكل طبيعي خريطة تكون فيها الاختلافات بين الحالات المهمة سهلة الرؤية. أما النهج الآخر، المعروف باسم "لو وورلد موديل" (LeWorldModel)، فيقوم بتعليم الآلة من الصفر للتنبؤ بالمستقبل. وبينما تتسم هذه الطريقة بالمرونة وتتعلم بسرعة، وجد الباحثون أن الخريطة الناتجة غالباً ما تخفي المعلومات الأكثر أهمية. ورغم أن الآلة يمكنها نظرياً استخراج الإجابة الصحيحة إذا طُلب منها ذلك مباشرة، إلا أن طريقة قياس المسافة بين الاحتمالات المستقبلية المختلفة كانت تهيمن عليها تفاصيل غير ذات صروية. كان الأمر كما لو أن الآلة تمتلك مكتبة حيث تم فهرسة كل كتاب بشكل صحيح، لكن أمين المكتبة لا ينظر إلا إلى لون أغلفة الكتب ليقرر أي منها يختار، متجاهلاً المحتوى الفعلي.
ولفهم سبب حدوث ذلك، فكر في كيفية اتخاذ الآلة لقرار بشأن الفعل الذي يجب اتخاذه. إنها تتخيل العديد من المستقبلات الممكنة وتقيس المسافة بين المكان الذي تعتقد أنها ستنتهي إليه والمكان الذي تريد الوصول إليه. وفي الأنظمة التي تتعلم من الصفر، يتأثر قياس الآلة الداخلي للمسافة بشدة بالتباينات الأكثر شيوعاً في البيانات، والتي غالباً ما تكون غير مهمة للمهمة المعنية. قد تكون المعلومات الحاسمة حول المهمة، مثل موضع جسم ما أو زاوية مفصل، مشفرة في ذاكرة الآلة، لكنها تقبع في ركن هادئ من الخريطة نادراً ما تلاحظه عملية التخطيط. يمكن للآلة فك تشفير المعلومات إذا أُجبرت على ذلك، لكنها لا تستخدمها عندما تحتاج إلى اتخاذ قرار.
اقترح الفريق حلاً لإجبار الآلة على تنظيم خريطتها بشكل مختلف. فقد قدموا قاعدة تدريب تربط بشكل مباشر بين شعور الآلة الداخلي بالمسافة والمسافة الفيزيائية الفعلية بين الحالات في العالم الحقيقي. خلال التدريب، تُعرض على النظام أزواج من المواقف ويُطلب منه التأكد من أنه إذا كانت حالتان متباعدتين في الواقع، فيجب أن تكونا متباعدتين أيضاً في تمثيل الآلة الداخلي. هذا لا يستبدل عملية تعلم الآلة؛ بل يعمل كمرشد لطيف، يوجه الآلة لإعادة ترتيب خريطتها الداخلية بحيث تصبح الاختلافات الأكثر صلة بالمهمة هي السمات الأكثر بروزاً. وهذا يضمن أنه عندما تحسب الآلة تكلفة فعل مستقبلي، فإن الحساب يتم توجيهه بواسطة التفاصيل التي تهم حقاً لتحقيق النجاح.
كانت نتائج هذا النهج مذهلة. اختبر الباحثون طريقتهم الجديدة "سكيل" عبر خمس بيئات مختلفة، تتراوح من دفع كتلة إلى التنقل في متاهة، باستخدام ثلاثة خوارماً خوارزميات تخطيط مختلفة. وفي كل اختبار، تفوق النظام المدرب باستخدام "سكيل" على النظام القياسي الذي يتعلم من الصفر. كان التحسن ثابتاً، بغض النظر عن مقدار القوة الحوسبية المتوفرة أو خوارزمية التخطيط المستخدمة. ولإثبات أن النجاح كان بسبب الهندسة الجديدة وليس مجرد ذاكرة أفضل، قارنوه بطريقة أخرى حاولت ببساطة جعل معلومات المهمة أسهل في القراءة من ذاكرة الآلة. تمكنت تلك الطريقة البديلة من قراءة المعلومات بدقة بالفعل، لكنها فشلت في تحسين أداء التخطيط بنفس الاتساق الذي حققه "سكيل". وقد أكد ذلك أن المفتاح للنجاح لم يكن مجرد امتلاك المعلومات، بل في ترتيبها بطريقة يمكن للمخطط استخدامها فعلياً.
تكشف الدراسة عن رؤية جوهرية حول الذكاء الاصطناعي: جودة التمثيل لا تتعلق فقط بما تحتويه المعلومات، بل بكيفية هيكلة تلك المعلومات. يمكن للآلة أن تحمل الإجابة الصحيحة في ذهنها، ولكن إذا كان الطريق إلى تلك الإجوة محجوباً بنوع خاطئ من الضجيج، فستفشل الآلة. ومن خلال معايرة الهندسة الداخلية لنموذج العالم لتتطابق مع واقع المهمة، أظهر الباحثون أن التخطيط يصبح أكثر موثوقية بشكل كبير. ويشير هذا العمل إلى أنه لكي تتمكن الآلات من إتقان المهام المعقدة حقاً، يجب علينا ألا نعلمها رؤية العالم فحسب، بل رؤيته بطريقة تجعل من السهل اتخاذ القرارات التي تحتاجها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.