محققان به تازگی معماری جدیدی به نام TD-JEPA را معرفی کردهاند که یادگیری مدلهای جهان را وارد فاز تازهای میکند. این روش با تمرکز بر «فاصله زمانی» به جای صرفاً مختصات هندسی، به هوش مصنوعی اجازه میدهد در پیشبینیِ آینده و برنامهریزی برای اهداف پیچیده، دقت بسیار بالاتری داشته باشد.
تفاوت اصلی این مدل در نحوه استخراج «هزینه پیشرفت» از مسیرهای بدون پاداش است که باعث میشود رباتها یا سیستمهای کنترلی، درک عمیقتری از محیط پیدا کنند. نتایج آزمایشها روی محیطهای شبیهسازی شده نشان میدهد که این متد نسبت به مدلهای قبلی (مانند LeWM)، عملکرد بهمراتب دقیقتری در انجام وظایف دارد.
این پیشرفت یعنی هوش مصنوعی در محیطهای واقعی و فیزیکی، گام بلندتری برای خودکارسازیِ هوشمندانه برداشته است. 🦾✨
منبع: arXiv NLP