استدلال مبتنی بر محاسبه (CGR) یک پارادایم طراحی نوین برای عوامل هوش مصنوعی آگاه از فضاست که تضمین می‌کند هر زیرمسئله قابل‌پاسخ از طریق محاسبات قطعی حل شود، پیش از آنکه مدل زبانی هیچ پاسخی تولید کند. این رویکرد اساساً چالش استدلال فضایی توهم‌آمیزی را که سیستم‌های سنتی هوش مصنوعی با آن دست‌وپنجه نرم می‌کنند، برطرف می‌سازد.
سامانه Spatial Atlas پیاده‌سازی CGR را به‌صورت یک سرور عامل‌به‌عامل ارائه می‌دهد که دو معیار ارزیابی دقیق را مدیریت می‌کند. معیار FieldWorkArena آزمون پرسش‌وپاسخ فضایی چندوجهی را در محیط‌های کارخانه، انبار و خرده‌فروشی اجرا می‌کند، در حالی که MLE-Bench عملکرد را در ۷۵ مسابقه یادگیری ماشین کگل ارزیابی می‌نماید.
نوآوری اصلی این سامانه، موتور گراف صحنه فضایی ساختاریافته آن است. این موتور ابتدا موجودیت‌ها و روابط را از توصیفات بصری استخراج می‌کند، سپس فاصله‌ها و نقض‌های ایمنی را به‌صورت قطعی محاسبه کرده و در نهایت اطلاعات تأییدشده را به مدل‌های زبانی بزرگ ارسال می‌کند. با جداسازی محاسبه از تولید، این معماری توهمات فضایی را به‌طور کامل حذف می‌نماید.
انتخاب عمل بر اساس آنتروپی، بهره اطلاعاتی هر مرحله را به حداکثر می‌رساند و پرسش‌ها را در سه سطح از مدل‌های پیشگام ترکیبی از اوپن‌ای و آنتروپیک مسیریابی می‌کند. خط‌لوله خودترمیم یادگیری ماشین نیز شامل تولید کد آگاه از راهبرد، اصلاح تکراری مبتنی بر امتیاز و سامانه ثبت حسابرسی نشت مبتنی بر دستور است.
ارزیابی‌ها در هر دو معیار نشان می‌دهد که CGR به دقت رقابتی دست می‌یابد و در عین حال قابلیت تفسیر را از طریق نمایش‌های واسط ساختاریافته و محاسبات فضایی قطعی حفظ می‌کند. این دستاورد گامی مهم به سوی سامانه‌های هوش مصنوعی قابل اعتماد و شفاف برای وظایف استدلال فضایی پیچیده محسوب می‌شود.
گفتگو