داخل الشركة الناشئة تهدف إلى تحقيق قفزة هائلة في ذكاء الروبوت

في سان فرانسيسكو، داخل مستودع مغطى بألواح فولاذية لامعة، تم تسليمي كوبًا طازجًا من القهوة المصنوعة بالكامل بواسطة الروبوت. هذه الحقيقة وحدها غير مثيرة للإعجاب – فالروبوتات تصنع القهوة منذ أكثر من عقد من الزمن – لكن الدماغ الآلي الذي صنع هذه القهوة ليس مهرًا وحيدًا. كما تعلم كيفية القيام بالعديد من المهام الأخرى، مثل طي الملابس، وتقشير الخضروات، وتنظيف المطابخ، في الوقت الذي بالكاد يتعلم فيه معظم الأطفال الصغار كيفية المشي.

وتراهن شركة “فيزيكال إنتيليجنس” الناشئة التي تأسست عام 2024، على أن عقل الروبوت الذي يمكنه تعلم كيفية القيام بالعديد من المهام المختلفة، سيمكن الروبوتات، في المستقبل غير البعيد، من التورط في حياتنا اليومية. بدلاً من التركيز على آلة واحدة، مثل الروبوتات البشرية التي صنعتها شركة Tesla أو Boston Dynamics أو روبوتات المصانع التي تستخدمها شركة Amazon، تريد الشركة بناء نظام تحكم قابل للتكيف يمكنه أداء العديد من المهام باستخدام العديد من الآلات المختلفة.

إن الذكاء الآلي للأغراض العامة ليس فكرة جديدة: فقد يقول العديد من علماء الروبوتات إنه كان هدفًا طويل المدى لعقود من الزمن. ولكن، مثلما شهدت أوائل عشرينيات القرن الحادي والعشرين ازدهارًا في نماذج اللغات الكبيرة (LLMs) التي تدعم روبوتات الدردشة القائمة على الذكاء الاصطناعي بفضل المزيج الصحيح من قوة الحوسبة والبيانات والتقدم الخوارزمي، يأمل الذكاء الطبيعي في استحضار قفزة مماثلة من التقدم في مجال الروبوتات العامة.

يقول سيرجي ليفين، من جامعة كاليفورنيا في بيركلي، وأحد مؤسسي الشركة: “في معظم المجالات، يؤدي حل المزيد من المشكلات إلى جعل الأمور أكثر صعوبة، ولكن في الذكاء الاصطناعي، يجعل الأمر أسهل، لأنه عندئذ يكون لديك مصادر أكثر تنوعًا للمعرفة لتتعلم منها”.

وقد أدى نجاح LLMs إلى نوع جديد من الذكاء الاصطناعي الآلي، يسمى نموذج الرؤية واللغة والعمل (VLA)، والذي يدعم الكثير من أبحاث الذكاء الجسدي. بدلاً من تعليم الروبوت مهارة واحدة في كل مرة، يستخدم VLA المعرفة الواسعة لـ LLM لترجمة الطلبات العامة إلى إجراءات محددة، مما يمكّن الروبوتات من اتباع التعليمات وتنفيذ العديد من المهام المختلفة. “[VLAs] يقول إنجمار بوسنر من جامعة أكسفورد: “ربما تكون الترجمة الأكثر مباشرة للإثارة التي لدينا من نماذج اللغة الكبيرة”، فبدلاً من التنبؤ بالكلمة التالية، تتنبأ هذه الأنظمة بالحركة الروبوتية التالية اللازمة لإكمال مهمة معينة، كما يقول.

أحد التحديات الكبيرة التي تواجه تدريب الروبوتات هو أن هناك عددًا لا نهائيًا تقريبًا من الاختلافات في العالم الحقيقي لأي مهمة، وقليل جدًا من البيانات التي يمكن للروبوتات التعلم عليها. إن أتمتة عملية التعلم – أي تعليم الروبوتات كيفية تعليم نفسها بنفسها – هو حل ممكن، لكن معظم مطوري الروبوتات تجنبوا القيام بذلك لأن جمع ما يكفي من البيانات هو مهمة شاقة، كما يقول ليفين. “على الرغم من أنه، من حيث المبدأ، يجب أن يكون الأمر تلقائيًا، إلا أنه من الناحية العملية، فإن مقدار العمل المطلوب للحصول على البيانات لتطبيقك الخاص كان أكبر من العمل المطلوب للقيام بكل شيء يدويًا.”

يأمل ليفين وزملاؤه أن يحتاجوا، بدعم من VLAs، إلى بيانات أقل بكثير لتحقيق النجاح. أسفل قاعة الاجتماعات حيث تحدثت مع ليفين، كان هناك أسطول من الموظفين يقومون بتعليم الروبوتات القيام بما يبدو أنه سلسلة من المهام المبتذلة: طي القمصان، ووضع الوسائد على الرفوف، وتقطيع الأقواس على صناديق الهدايا. علمت أنه كان هناك بالقرب منا مستودعان يحتويان على محلات سوبر ماركت وغرف نوم ومطابخ مزيفة، والتي يتم تجديدها كل أسبوع، حيث يمكن لروبوتات الذكاء الفيزيائي ونماذج الذكاء الاصطناعي أن تتعلم كيفية التعامل مع مجموعة متنوعة من الإعدادات. وكانت الشركة أيضًا تطرح روبوتاتها في منازل حقيقية لاختبار مدى قدرتها على التعامل مع الفوضى في العالم الحقيقي.

يعد هذا التنوع أحد المكونات الرئيسية التي أدت إلى قدر مذهل من التقدم، بما في ذلك تعلم الروبوتات التعميم بما يتجاوز المهام التي رأوها من قبل. تمكن نموذج حديث، يُدعى π0.7، من طهي البطاطا الحلوة في مقلاة هوائية مع تعليمات شفهية خطوة بخطوة من الإنسان، على الرغم من عدم استخدام مقلاة هوائية من قبل.

لقد فاجأت سرعة التقدم خلال العامين اللذين عمل فيهما الذكاء الفيزيائي ليفين. ويقول: “لقد سار الأمر في الواقع بشكل أسرع قليلاً مما كنا نعتقد”.

الشركات الأخرى تنتبه. ويحاول عدد كبير من الشركات الناشئة التي تحصل على تمويل بمليارات الدولارات، فضلاً عن الشركات الأكثر رسوخاً، مثل أمازون وجوجل ديب مايند، تطوير روبوتاتها ذات الأغراض العامة.

وعلى الرغم من التقدم السريع الذي تم إحرازه حتى الآن، فمن الصعب التنبؤ بمدى السرعة التي سيتقدم بها هذا المجال إلى الأمام. من المعروف أن التقدم الذي حققته شركات الذكاء الاصطناعي مثل OpenAI وAnthropic كان سريعًا، لكن التقدم غالبًا ما يكون أبطأ بالنسبة لشركات الروبوتات. سيكون كل باحث في مجال الروبوتات على دراية بمفارقة مورافيك: لاحظ عالم الكمبيوتر هانز مورافيك في عام 1988 أنه من السهل على الروبوتات إتقان ألعاب مثل الشطرنج أو الحصول على درجات عالية في اختبارات الذكاء، ومع ذلك “فمن الصعب أو المستحيل منحهم مهارات طفل عمره عام واحد عندما يتعلق الأمر بالإدراك والتنقل”.

يقول بوسنر إنه لا يزال من غير الواضح مقدار البيانات التي سيحتاجها الذكاء الفيزيائي لإعداد الروبوتات الخاصة به للاستخدام في العالم الحقيقي. “أود أن أقول الآن أننا عند علامات مبكرة على أن شيئا مثيرا للاهتمام قد يحدث، ولكن ما إذا كان هذا هو الطريق الذي يجب أن نسلكه حقا هو سؤال مختلف.”

وهو يعتقد أن النجاح في العالم الحقيقي لا يزال بعيد المنال، ويرجع ذلك جزئيا إلى أن المستخدمين سيدفعون الروبوتات إلى أقصى حدودها. يقول بوسنر: “البشر عدائيون. فهم يحبون العبث مع الروبوت، إن لم يكن هناك أي شيء آخر، فقط لأنه ممتع”. “هل أعتقد أن هذه الأشياء سيتم نشرها على نطاق واسع في أي وقت قريب، مع نموذج عمل يدر المال بالفعل؟ لا، بالتأكيد لا. من الصعب جدًا تصديق ذلك”.