عرضت Google DeepMind تقنية تدريب على الروبوتات حيث يتعلم نموذج Gemini 4 Argon الخاص بها مهمة جسدية من خلال مشاهدة فيديو عادي، ثم ينقل السلوك المتعلم إلى روبوت حقيقي يشبه الإنسان. في العرض التوضيحي، الذي تم نشره جنبًا إلى جنب مع إطلاق النموذج، شاهد الروبوت أبولو الذي صنعته شركة Apptronik لقطات لشخص يلعب في حفرة الذرة - ثم سجل سبع لقطات متتالية في تجربة واقعية، وفقًا لموقع Robotics & Automation News.

من الفيديو الخام إلى الروبوت الحقيقي لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.

تركزت المظاهرة على اختبار داخلي واحد. عُرض على أرجون مقطع فيديو أوليًا لإنسان يلعب لعبة الرمي في الفناء الخلفي. قام النموذج بعد ذلك بتحليل البيئة، ورسم خريطة لإحداثياتها المكانية، وحساب حركات مفاصل الجسم بالكامل المطلوبة لإعادة إنتاج المهمة على منصة تشبه الإنسان.

والخطوة البارزة هي ما جاء بعد ذلك: فبدلاً من الاعتماد على المهندسين لبناء محاكاة فيزيائية يدويًا، قام أرجون بإنشاء كود المحاكاة نفسه بشكل مستقل. تم بعد ذلك نقل السلوك المكتسب من تلك المحاكاة المولدة ذاتيًا إلى أبولو البشري من Apptronik، والذي نفذه في العالم المادي.

وفقًا لـ Google DeepMind، قام أبولو بعد ذلك بتسديد سبع طلقات متتالية خلال التجربة الواقعية، وهي عملية تشغيل نظيفة لمهمة تتطلب من الروبوت تنسيق التوازن، ومسار الذراع، وتوقيت الإطلاق.

أسابيع من عمل المحاكاة مضغوطة في ساعات

يصف Google DeepMind هذا النهج بأنه خط أنابيب "من الفيديو إلى المحاكاة إلى الواقع"، ويتعلق العرض التقديمي بالوقت الهندسي بقدر ما يتعلق بالقدرة.

وقالت الشركة، وفقًا لموقع Robotics & Automation News: "إن خط أنابيب "Video-to-Sim-to-Real" يضغط أسابيع من نماذج المحاكاة اليدوية في بضع ساعات، مما يحول مقاطع الفيديو العادية إلى ساحة تدريب لا نهائية وقابلة للتطوير للروبوتات".

تقليديًا، يتطلب تعليم الروبوت مهارة بدنية جديدة من خلال المحاكاة متخصصين لنمذجة البيئة، وفيزياء الجسم، وجسم الروبوت يدويًا - وهي عملية تقاس بالأسابيع لكل مهمة جديدة. وإذا كان من الممكن أن يحل الفيديو محل النماذج اليدوية، فإن عنق الزجاجة الذي يواجه تعليم الروبوتات مهارات جديدة سيتحول من العمل الهندسي إلى توفر لقطات العرض التوضيحي، وهي غير محدودة فعليًا على شبكة الإنترنت.

ما الذي يجعل تحويل الفيديو إلى محاكاة إلى واقعي مختلفًا

تستخدم معظم خطوط تعلم الروبوتات في الصناعة أحد طريقين: التشغيل عن بعد، حيث يوضح البشر يدويًا المهام التي يقلدها الروبوت، أو التدريب على المحاكاة، حيث يقوم المهندسون ببناء بيئات افتراضية يدويًا حيث تمارس سياسات التحكم ملايين التكرارات قبل النشر. كلاهما يعمل، وكلاهما ضعيف الحجم - فالتشغيل عن بعد يتطلب عمالة كثيفة لكل مهمة، ونمذجة المحاكاة تتطلب عمالة كثيفة لكل بيئة.

يستهدف العرض التوضيحي لكورنهول عنق الزجاجة الثاني. في حساب ديب مايند للاختبار، لم يقم أي مهندس ببناء بيئة ثقب الذرة: استهلك أرجون الفيديو الخام، وفسر التخطيط المكاني للمشهد، وعمل على تحديد المسارات المشتركة لكامل الجسم التي تتطلبها الرمية، وكتب كود المحاكاة نفسه. في الواقع، تم تقليص الدور البشري في الحلقة إلى تصوير شخص يلعب اللعبة ذات مرة.

تعتبر Cornhole حالة اختبار تم اختيارها بعناية. قد يبدو الأمر تافهًا، لكن هبوط كيس القماش على هدف مرتفع يتطلب بالضبط التركيبة التي تجدها الروبوتات البشرية صعبة: توازن مستقر لكامل الجسم أثناء عملية الإنهاء، وديناميكيات الذراع الدقيقة، والإطلاق في الوقت المناسب، والتسامح مع المقذوفات الصادرة عن مقذوف سائب. تشير سبعة نجاحات متتالية في العالم الحقيقي إلى أن السياسة المنقولة كانت قوية وليست محظوظة، على الرغم من أن الاختبار الداخلي الوحيد يمثل قاعدة أدلة ضيقة.

النتائج المرجعية للاستدلال المجسد

إلى جانب العرض التوضيحي لكورنهول، قامت شركة ديب مايند باختبار أرجون على معيار الاستدلال المتجسد (ERQA)، والذي يقيس قدرة النموذج على التفكير بشأن المشكلات المادية والمكانية في البيئات ثلاثية الأبعاد. وتقول الشركة إن أرجون حقق درجة 87% على المعيار.

يُنظر إلى الاستدلال المادي والمكاني على نطاق واسع على أنه أحد الفجوات التي تفصل بين نماذج اللغة الرائدة والأنظمة التي يمكن أن تعمل بشكل مفيد في العالم المادي، ولهذا السبب جذبت معايير الروبوتات مثل ERQA اهتمامًا متزايدًا من المختبرات الكبرى.

جزء من إطلاق Broader Gemini 4 Argon

يعد عمل الروبوتات أحد التطبيقات في إطلاق أوسع. تقوم Google بوضع Gemini 4 Argon كنموذج حدودي يجمع بين التفكير الدلالي البصري والفهم المادي وتوليد الأكواد المستقلة، ويهدف إلى المهام الهندسية والعلمية والبرمجية والتجارية المعقدة. وتقول الشركة إنها استخدمت بالفعل هذا النموذج داخليًا في مشاريع تتراوح بين تحسين قواعد البرامج الكبيرة إلى الحوسبة الكمومية، والاندماج النووي، وأبحاث علوم الحياة.

يتم توفير النموذج من خلال منتجات الذكاء الاصطناعي من Google وGemini API، مع تقديم العرض التوضيحي للروبوتات كدليل على الفهم المادي للنموذج وليس كمنتج شحن لمشغلي الروبوتات.

سبب أهمية صناعة الروبوتات

بالنسبة لقطاع الروبوتات البشرية المتنامي - حيث تعد شركة Apptronik واحدة من أبرز اللاعبين - تشير النتيجة نحو عرض قيمة محدد على المدى القريب: نماذج الذكاء الاصطناعي للأغراض العامة التي يمكنها تحويل الفيديو السلبي إلى محاكاة قابلة للتدريب يمكن أن تقلل بشكل كبير من تكلفة تعليم الروبوتات مهام جديدة، وهي العقبة الأساسية بين العروض التوضيحية المثيرة للإعجاب اليوم والنشر المفيد اقتصاديًا على نطاق واسع.

يؤكد إطار DeepMind الخاص على نفس النقطة. وتقول الشركة إن العرض يوضح كيف يمكن للنماذج ذات الأغراض العامة أن تقلل من كمية الهندسة اليدوية المطلوبة لتعليم الروبوتات مهارات بدنية جديدة.

سبع طلقات من ثقب الذرة لن تنقل الطرود في المستودع. لكن المسار الذي أنتجها - مشاهدة مقطع فيديو، وفهم الفيزياء، وكتابة المحاكاة، ونقلها إلى الأجهزة - هو الجزء الذي ستراقبه شركات الروبوتات ومستثمروها.

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →