In de ontwikkeling van belichaamde kunstmatige intelligentie en robotica vormt het vermogen om zich aan te passen aan onvoorziene wijzigingen in de dynamiek een aanzienlijke hindernis. Een klassiek scenario is een robotarm die een object van een onbekend gewicht hanteert, waardoor de fysieke eigenschappen van het systeem plotseling veranderen. Wanneer een wereldmodel niet adequaat op dergelijke verschuivingen reageert, kunnen voorspellingsfouten zich opstapelen, wat uiteindelijk resulteert in incorrecte handelingen.
Volgens een wetenschappelijke publicatie op arxiv.org kampen huidige wereldmodellen vaak met een gebrek aan responsiviteit, stabiliteit en persistentie. Responsiviteit is essentieel om fouten direct na een verandering te minimaliseren. Stabiliteit stelt het systeem in staat om een blijvende wijziging te onderscheiden van een kortstondige verstoring. Tot slot zorgt persistentie ervoor dat de nieuwe dynamiek wordt onthouden, zodat het model niet terugkeert naar verouderde en onjuiste patronen wanneer er geen nieuwe waarnemingen beschikbaar zijn.
Inspiratie uit de neurologie
Om deze uitdagingen aan te pakken, hebben Haoyi Zhang en vijf medeauteurs AFTER-WM ontwikkeld, wat staat voor Adaptive Fast-slow Timescales for Error-driven Retention. De architectuur van dit model is gebaseerd op het principe van predictive coding in het menselijk brein, waarbij gebruik wordt gemaakt van adaptatie op verschillende tijdsschalen. Zoals beschreven in de , stuurt het systeem voorspellingsfouten aan via twee verschillende correctiemechanismen.
Ten eerste is er een snelle correctie die onmiddellijk ingrijpt, maar na verloop van tijd weer vervaagt. Ten tweede is er een trage correctie die juist persistent is en op lange termijn standhoudt. Daarnaast kan het model de gewichten van vooraf getrainde experts dynamisch aanpassen zonder de experts zelf te wijzigen. Hierdoor kan de robot flexibel reageren op nieuwe situaties zonder dat de fundamentele kennis van het model verloren gaat.
Prestaties in simulaties en praktijk
De effectiviteit van AFTER-WM is uitgebreid getest met behulp van vijf gesimuleerde robotdatasets en reële data van onbemande luchtvaartuigen (UAV's). De resultaten tonen aan dat AFTER-WM een lagere gemiddelde meerstapsfout behaalt dan alle tien de vergeleken modellen. In simulaties lag deze foutmarge tussen de 16% en 34% lager dan bij het sterkste concurrerende model. De grootste winst werd geboekt in de eerste vier stappen na een verandering en bij enkelvoudige verstoringen. Ook bij de veertigste stap bleef de foutmarge minimaal, wat de effectiviteit van de responsiviteit en persistentie bevestigt.
In een specifieke test gericht op controle bij gezamenlijke defecten behaalde het model bovendien de hoogste gemiddelde return. De auteurs hebben aangekondigd dat de code, experimenten, baselines en datasets publiekelijk toegankelijk worden gemaakt. De publicatie, die op 11 november 2026 is ingediend, is geclassificeerd onder de vakgebieden Robotica en Kunstmatige Intelligentie op .
Contextuele onderscheiding
Hoewel de naamgeving van het project overeenkomsten vertoont met populaire cultuur, is er geen inhoudelijk verband. Zo is de romantische film After uit 2019, die te bekijken is op netflix.com, een dramatisch verhaal over de relatie tussen Tessa Young en Hardin Scott. Dit staat in schril contrast met AFTER-WM, dat een puur technische innovatie is binnen de computerwetenschappen, gericht op het optimaliseren van de interactie tussen AI en fysieke robotdynamiek.