Wetenschappers hebben een innovatieve methode ontwikkeld om de manier waarop kunstmatige intelligentie de fysieke wereld begrijpt te verbeteren. Het nieuwe framework, genaamd het Decomposed World Model (DWM), stelt AI-systemen in staat om een cruciaal onderscheid te maken tussen veranderingen die worden veroorzaakt door de acties van een agent en veranderingen die voortvloeien uit de natuurlijke dynamiek van de omgeving.
Binnen de wereld van model-based control maken AI-systemen gebruik van latente wereldmodellen om te voorspellen wat de gevolgen van een specifieke handeling zullen zijn. Een hardnekkig probleem bij bestaande modellen is dat zij alle omgevingsveranderingen als één geheel behandelen. Hierdoor kan een systeem niet altijd accuraat bepalen of een verandering het directe resultaat is van een actie of dat er externe factoren in het spel zijn. Volgens een wetenschappelijke publicatie op arxiv.org worden actie-geconditioneerde modellen momenteel vaak getraind met een enkel, ongedifferentieerd doel. Dit dwingt het model om alle bronnen van verandering in één leersignaal te verwerken, wat leidt tot een onduidelijke scheiding tussen oorzaak en gevolg.
In de fysieke realiteit worden toestandsovergangen bepaald door twee verschillende stromen. Enerzijds is er de actie-gestuurde component, die direct door de agent wordt beïnvloed. Anderzijds zijn er actie-invariante effecten: processen die ook zouden plaatsvinden als de agent volledig passief zou blijven. Denk hierbij aan zwaartekracht, traagheid of een constante drift in de omgeving. Wanneer een AI deze twee factoren samenvoegt in één voorspelling, kan het model de veranderingen niet correct toeschrijven aan de juiste bron. Dit beperkt de zogenaamde transferability, oftewel het vermogen van het model om effectief te functioneren in nieuwe of aangepaste scenario's.
Om deze beperking te doorbreken, hebben Yi-Ge Zhang en collega-onderzoekers het DWM-framework ontwikkeld. Zoals uiteengezet in de publicatie , voegt dit systeem een zogenaamde 'auxiliary world head' toe aan de voorspeller van het latente wereldmodel. Deze extra component wordt gereguleerd door een genormaliseerd wereld-contrastief doel, waardoor deze onafhankelijk wordt van de acties van de agent.
Door een orthogonaliteitsbeperking te koppelen aan de oorspronkelijke voorspellingskop, ontstaat er een expliciete additieve decompositie. De voorspelde overgang wordt hiermee opgesplitst in een deel dat onafhankelijk is van de actie en een complementair deel dat specifiek door de actie wordt aangestuurd. Een significant voordeel van deze aanpak is dat het proces kan worden geïmplementeerd zonder dat de basisarchitectuur of de inferentie-pipeline van het model hoeft te worden aangepast, wat de integratie in bestaande systemen vergemakkelijkt.
De effectiviteit van het DWM-framework is getest via specifieke 'W-varianten' van standaard benchmarks, waaronder PushT-W, Reacher-W en TwoRoom-W. In deze scenario's is telkens een specifieke actie-invariante dynamiek ingebouwd om de robuustheid van het model te beproeven. De resultaten laten zien dat DWM in eenvoudige scenario's op hetzelfde niveau presteert als sterke baselines, maar in de complexere W-varianten aanzienlijk beter scoort. Er werd een gemiddelde absolute verbetering van 13,1% gemeten in het succes van CEM-planning (Cross Entropy Method) over deze varianten, zoals beschreven in de .
Terwijl dit onderzoek zich richt op de technische vooruitgang in robotica en AI, is de verspreiding van dergelijke complexe wetenschappelijke informatie in digitale ecosystemen onderworpen aan strikte regels. Platforms waar deze kennis wordt gedeeld, zoals YouTube, hanteren bijvoorbeeld specifieke google.com om de veiligheid en kwaliteit van de content te waarborgen. Dit is essentieel om te voorkomen dat geavanceerde technische concepten op een misleidende manier worden gepresenteerd aan een breed publiek.
De introductie van het Decomposed World Model markeert een belangrijke stap richting AI-systemen die niet enkel patronen herkennen, maar ook een causaal begrip ontwikkelen van de fysieke wereld. Door acties te scheiden van omgevingsfactoren kunnen toekomstige AI-agenten preciezer en adaptiever opereren in onvoorspelbare omgevingen.