ظهر نمط مألوف في مجال الروبوتات والأنظمة ذاتية التشغيل: عرض تجريبي رائد يعمل بكفاءة عالية على المسرح، ثم يتعثر النظام نفسه في مستودع حقيقي بعد أسبوعين، ويُعزى السبب في التحليل اللاحق إلى "الواقع" لكونه أكثر تعقيدًا من بيئة الاختبار. يرى بعض الخبراء في هذا المجال أن العنصر المفقود هو المكونات المادية - مقابض أفضل، ومستشعرات عزم الدوران، وجلود حساسة للمس. هذا الرأي صحيح، ولكنه غير مكتمل. فحتى أفضل أجهزة الاستشعار تُنتج تدفقات من الإشارات الخام التي يتعين على النموذج تعلم تفسيرها. إن العائق الحقيقي وراء معظم إخفاقات الذكاء الاصطناعي الفيزيائي ليس المستشعر، بل بيانات التدريب متعددة الوسائط للذكاء الاصطناعي الفيزيائي التي تُعلّم النماذج معنى تلك الإشارات، وكيفية ارتباطها بالرؤية، والإجراءات الواجب اتخاذها عند مواجهة صعوبات. هذه البيانات نادرة الوجود على نطاق صناعي واسع - وهذا هو العنصر المفقود.
ما هي "الطبقة المفقودة" في الذكاء الاصطناعي الفيزيائي؟
تُناقش حلقة الذكاء الاصطناعي الفيزيائي المألوفة - الاستشعار، والقرار، والتنفيذ، والتكيف - كما لو كانت مشكلة تتعلق بالأجهزة والبنية. في الواقع، كل سهم في هذه الحلقة هو سلوك مُكتسب. الاستشعار يعني نموذجًا يُحوّل تدفقات البيانات الحسية عالية الأبعاد والمليئة بالتشويش إلى تقديرات حالة قابلة للتنفيذ. القرار يعني سياسةً شهدت تنوعًا كافيًا للتعميم. التنفيذ يعني التحكم المُكتسب من خلال ديناميكيات حقيقية. التكيف يعني إدراك، في أجزاء من الثانية، أن المقبض ينزلق أو أن جزءًا ما غير محاذٍ - وتصحيحه أثناء الحركة. لا يمكن برمجة أي من هذه السلوكيات، بل تُكتسب من الأمثلة. عندما يعجز نظام الذكاء الاصطناعي الفيزيائي عن التكيف أثناء التلامس، يكون السبب الجذري عادةً هو أن بيانات التدريب الخاصة به لم تتضمن أبدًا أمثلة كافية مُصنفة للتلامس للتعلم منها. يمكن للأجهزة بث الإشارات الصحيحة، لكن النموذج لا يزال بحاجة إلى مجموعة البيانات التي تُضفي معنىً على تلك الإشارات.
لماذا تُعيق مجموعات البيانات البصرية فقط الذكاء الاصطناعي الفيزيائي؟
هذه هي الفجوة الهيكلية في معظم مجموعات الذكاء الاصطناعي الفيزيائي - وتظهر في مجموعات البيانات قبل أن تظهر في أرضية المصنع.
| الابعاد | مجموعة بيانات خاصة بالرؤية فقط | مجموعة بيانات تدريب الذكاء الاصطناعي البدني متعدد الوسائط |
|---|---|---|
| أشكال | صور RGB، عمق عرضي | الرؤية، العمق، اللمس، القوة/العزم، الإحساس بالوضع، السمع |
| مصدر الالتقاط | صور تم جمعها أو إعدادها | تم جمعها لغرض محدد من تفاعلات حقيقية أو عن بعد |
| نوع التعليق | مربعات الإحاطة، والتجزئة، والفئات | أحداث التلامس، الانزلاق، جودة القبضة، ملامح القوة، المحاذاة الزمنية |
| اقتصاديات الحجم | سهل النسخ | مكلف - كل عينة تتطلب تفاعلاً مادياً |
| ملاءمة المهمة النهائية | الإدراك، الملاحة | التلاعب، والتكيف، والتحكم الغني بالاتصال |
أظهرت معايير التلاعب المُحكّمة أن إضافة بيانات اللمس إلى مسارات التدريب البصرية فقط يمكن أن ترفع معدلات نجاح التلاعب بنحو 20 نقطة مئوية، مع تحسن ملحوظ آخر ناتج عن التدريب المسبق المشترك بين البيانات البصرية واللمسية (المصدر: نتائج معيار IEEE/RSJ IROS، 2024). هذا الفرق ليس طفيفًا، بل هو الفرق الجوهري بين العرض التوضيحي والتطبيق الفعلي.
الطبقات الأربع لمجموعة بيانات تدريب الذكاء الاصطناعي الفيزيائية الحقيقية
يتطلب بناء مجموعة بيانات تُعلّم نموذجًا ما كيفية التصرف في العالم المادي أربع طبقات مترابطة ترابطًا وثيقًا. إن تخطي أي منها سيؤدي إلى انهيار الطبقات التي تعلوها.
- التقاط متعدد الوسائط. يجب أن تتضمن مجموعة البيانات ما سيختبره الروبوت فعليًا: فيديو RGB متزامن مع فيديو العمق، وبيانات LiDAR أو ستيريو عند الحاجة، وإشارات لمسية (توزيع الضغط، والاهتزاز، والانزلاق)، وقراءات القوة وعزم الدوران عند نقطة التلامس، وبيانات حسية حول حالة الملقط، وغالبًا ما تتضمن بيانات صوتية. يُعدّ جهاز الالتقاط بنفس أهمية أجهزة الاستشعار - من حيث الموقع والمعايرة والقدرة على الوصول إلى الحالات الحدية الأكثر أهمية. عادةً ما تقوم الفرق التي تُطوّر هذا داخليًا بربط أساطيلها الداخلية بمتخصص. جمع البيانات المادية للذكاء الاصطناعي شريك لتحقيق التنوع والجغرافيا واتساع نطاق السيناريوهات التي تحتاجها مجموعة البيانات القوية.
- مزامنة الوقت ودمج البيانات من أجهزة الاستشعار. لا معنى لارتفاع مفاجئ في الإحساس اللمسي عند تردد 1,500 هرتز دون معرفة ما أظهرته بيانات الرؤية ومستشعر القوة في نفس الميلي ثانية. إن التوافق الزمني بين مختلف الوسائط هو ما يسمح للنموذج بتعلم، على سبيل المثال، أن إشارة بصرية معينة تتنبأ بحدوث انزلاق قبل 40 ميلي ثانية من انخفاض الضغط اللمسي. بدون التزامن، ستحصل على بيانات متوازية بدلاً من بيانات التدريب.
- شرح مفصل لمعلومات الاتصال. هذه هي أصعب طبقة، وهي الطبقة التي تستهين بها معظم البرامج. يحتاج المُعلِّقون إلى تحديد جودة الإمساك، ولحظات الانزلاق، وبدء التلامس وإطلاقه، ووضع الجسم داخل الملقط، والتشوه تحت تأثير القوة، والحدود الزمنية للأفعال الفرعية. يتطلب إنجاز هذا الأمر بشكل صحيح فرق تعليق مُدرَّبة، ومراجعة متعددة المستويات، وإرشادات متسقة عبر مختلف الوسائط - ولهذا السبب تعتمد معظم العمليات الجراحية الجادة على سير عمل شرح البيانات المنظمة بدلاً من محاولة توسيع نطاقها بشكل مؤقت.
- التغذية الراجعة التشغيلية المستمرة. بمجرد نشر نظام الذكاء الاصطناعي الفيزيائي، تُصبح كل عملية اختيار ناجحة، وكل محاولة فاشلة، وكل فشل، بيانات جديدة. الفرق التي تُكمل دورة البيانات - من جمع البيانات وتصنيفها وإعادة تدريبها وإعادة نشرها - تُحقق مكاسب مُتراكمة. أما الفرق التي لا تكتفي بمراقبة نماذجها وهي تتلاشى في صمت مع تغير العالم من حولها، فتُحقق مكاسب مُضاعفة.
[اقرأ أيضاً: كيف يُعيد الذكاء الاصطناعي الفيزيائي تعريف الذكاء المستقل ]
لماذا يُعدّ تصنيف الذكاء الاصطناعي المادي تخصصًا مختلفًا؟
[اقرأ أيضاً: البيانات متعددة الوسائط للروبوتات الشبيهة بالبشر ]
الخلاصة: تُنهي الأجهزة الحلقة، بينما تبدأها البيانات.
تُعدّ المقابض المحسّنة، والجلود اللمسية، ومستشعرات القوة، تقدماً حقيقياً. مع ذلك، لا يُغني أيٌّ منها عن الحاجة إلى مجموعات البيانات متعددة الوسائط، والمتزامنة، والغنية بالمعلومات، والتي تُعلّم النموذج معنى تلك الإشارات في سياقها. إنّ المؤسسات التي تُقلّص الفجوة بين عروض الذكاء الاصطناعي الفيزيائي وتطبيقاته العملية هي تلك التي تُعامل البيانات كبنية تحتية أساسية، فتجمعها بعناية، وتُصنّفها بدقة متناهية، وتُعيد تغذية بيانات التشغيل إلى التدريب في حلقة مستمرة. تُكمّل الأجهزة حلقة الاستشعار، واتخاذ القرار، والتنفيذ، والتكيّف، بينما تُشكّل بيانات التدريب نقطة انطلاقها.
ما الذي يجعل بيانات تدريب الذكاء الاصطناعي الفيزيائي مختلفة عن بيانات تدريب الذكاء الاصطناعي العادية؟
هي متعددة الوسائط، ومتزامنة زمنيًا، ومُلتقطة من تفاعلات مادية حقيقية أو عن بُعد. عادةً ما تكون بيانات تدريب الذكاء الاصطناعي العادية عبارة عن نصوص أو صور مُجمّعة بكميات كبيرة. أما بيانات تدريب الذكاء الاصطناعي الفيزيائي، فيجب أن تتضمن تدفقات من المستشعرات - الرؤية، والعمق، واللمس، والقوة، والإحساس بالوضع - المُسجلة أثناء التلامس الفعلي مع الأشياء والبيئات.
لماذا لا تكفي بيانات الرؤية للروبوتات التي تتلاعب بالأشياء؟
تستطيع الكاميرات إخبار الروبوت بمظهر الجسم، لكنها لا تُخبره بكيفية استجابته للقوة، أو ما إذا كان المقبض ينزلق، أو كيف يتشوه الجسم تحت الضغط. تُعدّ المناولة مشكلة تلامس. فبدون بيانات اللمس والقوة في مجموعة التدريب، لا يملك النموذج أساسًا للتكيف أثناء التلامس.
لماذا تُعدّ مجموعات البيانات الغنية بالمعلومات اللمسية والاتصال نادرة جدًا؟
بخلاف الصور الموجودة على الإنترنت، تتطلب كل نقطة بيانات لمسية تفاعلاً مادياً - أي قيام روبوت أو إنسان بلمس شيء ما أو الإمساك به أو التعامل معه فعلياً. وهذا ما يجعل عملية جمع البيانات بطيئة ومكلفة وحساسة لمعايرة الأجهزة، ولذلك تبقى مجموعات البيانات العامة واسعة النطاق نادرة.
هل يمكن للبيانات الاصطناعية والمحاكاة أن تحل محل عملية التقاط الوسائط المتعددة في العالم الحقيقي؟
تُعدّ المحاكاة ذات قيمة، لا سيما في السيناريوهات النادرة أو الخطيرة، لكن الفجوات بين المحاكاة والواقع لا تزال كبيرة فيما يتعلق بديناميكيات التلامس، ومرونة المواد، وتشويش المستشعرات. وتعتمد أقوى مسارات تدريب الذكاء الاصطناعي الفيزيائي على دمج البيانات الاصطناعية والحقيقية بدلاً من الاعتماد على أحدهما فقط.
من أين ينبغي لفريق الذكاء الاصطناعي الفيزيائي أن يبدأ إذا كانت مجموعة بياناته تعتمد في الغالب على الرؤية الحاسوبية؟
هناك جانبان. أولاً، تحديد أعطال الإنتاج الناتجة عن التلامس - كالانزلاق والتشوه وعدم المحاذاة - لأن البيانات وحدها قادرة على إصلاح هذه الأعطال. ثانياً، تخطيط برنامج جمع بيانات مُوجَّه يُضيف البيانات المفقودة (اللمس، والقوة، والإحساس بالوضع) إلى المهام المحددة التي سيُحدث فيها فرقاً ملموساً، بدلاً من محاولة إعادة بناء مجموعة البيانات بأكملها دفعة واحدة.
