به یک ربات بگویید «قهوه را روی لپ‌تاپ من نریزید» و ماشین‌های امروزی دقیقاً این کار را انجام خواهند داد - و نه بیشتر. گوشی کنار لپ تاپ نشسته؟ تبلت در طرف دیگر میز شارژ می شود؟ رادار روبات را خاموش کنید تا زمانی که هر کدام را بنویسید، تصحیح با تصحیح خسته کننده.

پلتفرم جدیدی از MIT و محققان دانشگاه نیویورک قصد دارد این شکاف را کاهش دهد. به گزارش MIT News، این سیستم که FLEX نام دارد، ربات‌های برنامه‌ریز حرکت را قادر می‌سازد تا دستورالعمل‌های صریح انسان را دنبال کنند و در عین حال تعمیم‌های گسترده‌تری را از آن‌ها ترسیم کنند که عملکرد را بهبود می‌بخشد. این تیم این کار را در کنفرانس سالانه یادگیری روبات (CoRL) در این ماه ارائه خواهد کرد. For more context on this story, see our ongoing AI trends.

ناتان دنلر، یک فوق دکترا در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و یک نویسنده مطالعه، گفت: "LLM ها متون زیادی از اینترنت دیده اند." ممکن است مردم در مورد "اوه، تلفن من در آب افتاد و حالا کار نمی کند" یا "من قهوه را روی رایانه ام ریختم و حالا کار نمی کند" نوشته باشند. بنابراین LLM ها این ایده را دارند که مایعات به اضافه دستگاه ها منجر به کار نکردن چیزها می شود."

از یک هشدار تا یک دستورالعمل کامل

در یک سناریوی نمایشی که توسط MIT News توضیح داده شده است، شخصی به بازوی روباتیک نگاه می کند که یک فنجان قهوه را روی یک میز به هم ریخته حمل می کند و یک فرمان را تایپ می کند: "روی لپ تاپ نریزید!" یک ربات معمولی لپ تاپ را به لیست اجتنابی خود اضافه می کند و مسیر آن را دوباره برنامه ریزی می کند. FLEX فراتر می رود - ربات در مورد اهمیت لپ تاپ ها دلیل می کند و مسیر حرکت خود را برای جلوگیری از وسایل الکترونیکی نزدیک، از جمله تلفنی که کاربر هرگز به آن اشاره نکرده است، تنظیم می کند.

دنلر گفت: "ایده این است که در پس کلماتی که شما می گویید، قصد سطح بالاتری وجود دارد." "مردم به طور طبیعی این را دریافت می کنند. اما شما باید به دقت آن را برای یک ربات توضیح دهید، که زمان و تلاش می خواهد. FLEX به شما یک رابط ارتباطی با یک ربات می دهد تا بگویید: "وقتی مردم این را می گویند، منظورشان آن است."

این مطالعه توسط Andreea Bobu، استادیار هوانوردی و فضانوردی در MIT که سرپرست آزمایشگاه تحقیقاتی یادگیری مشارکتی و خودمختاری (CLEAR) است، انجام شد. نویسندگان همکار عبارتند از آدری لی، که SM خود را در MIT در سال 2026 به پایان رساند، و ایلیا سوچولوتسکی از دانشگاه نیویورک.

چگونه FLEX کار می کند: اضافه کردن، تعمیم، ماسک

FLEX به عنوان یک خط لوله سه مرحله ای عمل می کند که تقریباً در پنج ثانیه اجرا می شود.

مرحله 1: اضافه کنید

هنگامی که کاربر یک تصحیح زبان طبیعی را صادر می کند، ربات ویژگی مربوطه را به لیست در حال اجرا خود از مواردی که برای کار مهم هستند اضافه می کند. اگر شخصی بگوید "آن را روی لیوان من نریز!" در حالی که ربات یک توپ بولینگ را حمل می کند، لیوان به لیست اجتناب می پیوندد و ربات مسیر حرکت خود را به روز می کند. این مرحله نشان می‌دهد که روش‌های قبلی چگونه همیشه کار می‌کرده‌اند - و مشکل آنها از آنجا شروع می‌شود.

دنلر به MIT News گفت: «مشکل زمانی اتفاق می‌افتد که فهرست ویژگی‌های شما بسیار طولانی می‌شود و برخی از ویژگی‌ها دیگر مرتبط نیستند زیرا ممکن است محیط شما تغییر کرده باشد. به رباتی که گفته می شود از هر شیئی به طور جداگانه اجتناب کند، اصلاح کندتر و برنامه ریزی کندتر می شود و بار شمارش بر دوش انسان می افتد.

مرحله ۲: تعمیم دهید

این سهم اصلی FLEX است. یک مدل زبان بزرگ - GPT-4o، در پیاده‌سازی تیم - لیست ویژگی‌های انباشته‌شده را بررسی می‌کند و الگوهایی را در میان آیتم‌ها جستجو می‌کند. LLM در مواجهه با یک لیوان به‌علاوه سایر اشیاء شکننده‌ای که فرد پرچم‌گذاری کرده است، یک کلاس کلی استنباط می‌کند: از چیزهای شکننده، حتی آن‌هایی که هرگز به آنها اشاره نشده است، اجتناب کنید. از آنجایی که مدلی که بر روی کتابخانه‌های وسیعی از متن انسانی آموزش داده شده است، بیشتر عقل سلیم روزمره از پیش نصب شده است.

دنلر می‌گوید: LLM متون زیادی از اینترنت، از انواع افراد و مکان‌ها دیده‌اند. "از آنجایی که آنها در این موارد بسیار آموزش دیده اند، بخشی از این عقل سلیم در LLM جذب می شود."

مرحله 3: ماسک

محیط های واقعی تغییر می کنند و قوانین قدیمی باعث رفتار نامنظم می شوند. مرحله سوم FLEX از سیستم بینایی کامپیوتری استاندارد ربات استفاده می‌کند تا تعیین کند کدام اشیاء پرچم‌دار دیگر وجود ندارند، سپس آن ورودی‌ها را از لیست ویژگی‌ها حذف می‌کند - بدون دخالت انسان، محدودیت‌های ربات را جاری نگه می‌دارد.

در شبیه سازی های قهوه، شمع و توپ بولینگ تست شده است

این تیم، FLEX را در شبیه‌سازی یک بازوی روباتی که سه کار را انجام می‌دهد، ارزیابی کردند: سرو کردن یک فنجان قهوه، حرکت دادن یک شمع، و حمل یک توپ بولینگ. داوطلبان با تایپ دستورات به زبان طبیعی مانند «روی لپ‌تاپ من نریزید»، «از پشته کاغذ دور بمانید» و «روی لیوان نریزید» با ربات مجازی تعامل داشتند.

در هر سه سناریو، ربات از هر فرمان به معنای واقعی کلمه پیروی می‌کرد و در عین حال در سطح بالاتری نیز استدلال می‌کرد - هنگامی که در مورد لپ‌تاپ هشدار داده می‌شد، از وسایل الکترونیکی دور می‌شد، وقتی به شمع می‌گفتند از اشیاء قابل اشتعال دوری می‌کردند، و پس از یک هشدار لیوان، همه موارد شکننده را به‌عنوان مناطق بدون رها کردن در نظر می‌گرفت.

چرا عقل سلیم گلوگاه ربات های خانگی است

این تحقیق یک مانع دائمی در رباتیک مصرف کننده را هدف قرار می دهد: هیچ کس رباتی را ارسال نمی کند که از قبل بداند در خانه شما چه اهمیتی دارد. برنامه‌ریزی مسیر مبتنی بر فیزیک دقیق اما مبهم است و انتظار از کاربران برای دستکاری توابع هزینه‌های ریاضی، شروع کننده نیست.

دنلر گفت: "روبات‌ها از ریاضیات برای انجام برنامه‌ریزی مسیر خود استفاده می‌کنند. اما ما نمی‌توانیم انتظار داشته باشیم که مصرف‌کننده این ریاضیات را یاد بگیرد تا به ربات بگوید چه کاری انجام دهد." به جای اینکه مردم مجبور شوند نحوه استفاده از ربات را به روشی خاص بیاموزند، هدف تعامل با ربات از طریق زبان طبیعی است.

رشته بزرگی از تحقیقات رباتیک در حال حاضر زبان را به یادگیری ربات می‌پیوندد - شفاف‌سازی اهداف کار، تغییر مسیرها، تعیین مسیرهای امن. اما MIT News اشاره می‌کند که روش‌های موجود عمدتاً از زبان استفاده می‌کنند تا به ربات بگویند چگونه یک کار را به صورت فیزیکی انجام دهد. گروه بوبو در حال پیشروی در مرز متفاوتی است: استخراج ترجیحات اساسی و نامشخص یک فرد از تعداد انگشت شماری از دستورات معمولی.

بوبو به MIT News گفت: خانه‌های هر کسی متفاوت است و همه به چیزهای مختلف اهمیت می‌دهند، بنابراین هیچ رباتی از جعبه بیرون نمی‌آید که بداند چه چیزی برای شما مهم است. چیزی که من را در مورد FLEX هیجان زده می کند این است که می تواند آن را از یک یا دو جمله به جای اینکه از شما بخواهد همه قوانین را بنویسید - و این تفاوت بین رباتی است که مردم با آن کنار می آورند و روباتی که واقعاً در خانه خود می خواهند.

بعد چه می آید

این کار که در مقاله "ویرایش نمایشی منعطف با هدایت زبان برای رفتار ربات تطبیقی" به تفصیل شرح داده شده است، تا حدی توسط کنسرسیوم تاثیر هوش مصنوعی MIT و برنامه مسئولیت‌های اجتماعی و اخلاقی محاسبات کالج MIT شوارتزمن پشتیبانی شد.

نتایج نشان‌داده‌شده تاکنون شبیه‌سازی‌ها هستند، و ترجمه آن عملکرد به سخت‌افزار فیزیکی - با درک آشفته‌تر، زبان پر سر و صداتر و پیامدهای واقعی - مانع بعدی این میدان باقی می‌ماند. اما جهت روشن است: همانطور که روبات‌ها از قفس‌های کارخانه به آشپزخانه‌ها و دفاتر حرکت می‌کنند، ماشین‌هایی که موفق می‌شوند ممکن است آن‌هایی باشند که نه تنها آنچه می‌گوییم، بلکه منظور ما را درک کنند.

*این مقاله بر اساس گزارش جنیفر چو است که توسط MIT News در 9 نوامبر 2026 منتشر شده است.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →