شركات نماذج العالم الصينية تراهن على الروبوتات وكفاءة التكرار بدل مطاردة النموذج الأميركي

تتصدّر نماذج العالم نقاشات الذكاء الاصطناعي الفيزيائي. والمقصود بها أنظمة لا تكتفي بإنتاج فيديو مقنع بصرياً، بل تحاول تمثيل كيفية تغيّر البيئة وما الذي قد يترتب على أفعالٍ محددة داخلها.

في مؤتمر الذكاء الاصطناعي العالمي WAIC 2026 في شنغهاي، جادل متحدثون من Muka Robotics وShengshu Technology وEvoPhys.ai وChengwei Capital بأن الشركات الصينية الناشئة قد تنافس في هذا المجال وفق منطق مختلف عن سباق بناء نماذج حدودية بحجم نظيراتها الأميركية.

لا يعني ذلك، بحسب هذا الطرح، أن الصين تمتلك وصولاً مماثلاً إلى الحوسبة المتقدمة. بل إن التقدم في نماذج العالم قد يعتمد أكثر فأكثر على كفاءة التعلّم، وبيانات التفاعل مع العالم الحقيقي، وسرعة الاختبار على الروبوتات. وتؤيد أجواء المؤتمر جانباً من هذا السياق: إذ شاركت فيه أكثر من 200 شركة في الذكاء المتجسّد والروبوتات، وفق أحد التقارير. 8

من حجم الحوسبة إلى كفاءة التكرار

يرى المتحدثون أن المقارنة التقليدية مع مختبرات الذكاء الاصطناعي الأميركية ليست بالضرورة المقياس الأنسب لمجال لا تزال معاييره التقنية والتجارية قيد التشكل. فالفريق الذي يملك حوسبة أقل قد يظل منافساً إذا استطاع جمع بيانات مفيدة من العالم المادي بتكلفة معقولة، وتدريب بنى تستفيد بكفاءة من بيانات متنوعة، واكتشاف الإخفاقات واختبارها سريعاً على آلات حقيقية.

واستُخدمت نتيجة Muka Robotics المعلَن عنها في معيار WorldArena مثالاً على هذا التوجه؛ إذ أفادت التغطية بأنها حققت ترتيباً متقدماً باستخدام 32 وحدة معالجة رسومية فقط. لكن هذه نتيجة معيارية أبلغت عنها الشركة، وليست تقييماً مستقلاً ومدققاً للريادة التقنية الشاملة. 3

والفارق هنا عملي: يمكن الحكم على نموذج الفيديو من مدى إقناع الصورة، بينما يُختبر نموذج العالم المتجسّد بمدى نجاح الفعل الذي يتنبأ به الروبوت ضمن قيود الواقع. فإذا أخطأ النموذج في توقع التلامس أو الحركة أو حالة جسم ما، يظهر الخلل حين يوجّه روبوتاً حقيقياً أو يزوّده بالمعلومات.

الروبوتات: مصدر للبيانات وأداة للتقييم

يقوم منطق المتحدثين على حلقة تغذية راجعة بين نماذج العالم والذكاء المتجسّد:

1. تدعم نماذج العالم الروبوتات عبر مساعدتها على توقع تغيّر البيئة وعواقب الأفعال المحتملة.
2. وتدعم الروبوتات نماذج العالم عبر إنتاج بيانات تفاعل مرتبطة بالفعل، وتقديم تغذية راجعة مباشرة حول صحة التوقعات في العالم الفيزيائي.
3. ويحوّل النشر وإعادة التدريب المتكرران هذه التغذية الراجعة إلى سرعة أكبر في جمع البيانات وتصميم النموذج وتقييمه.

ويفسر حضور الروبوتات في WAIC سبب أهمية هذه الفكرة لدى المتحدثين: فقد أشار الدليل الرسمي للحدث إلى أكثر من 300 روبوت في سيناريوهات تطبيقية ديناميكية، بينما تحدثت تغطية أخرى عن مشاركة أكثر من 200 شركة في الذكاء المتجسّد والروبوتات. 108

ولا يثبت ذلك أن أي دولة تمتلك تفوقاً حاسماً في البيانات. لكنه يوضح المنطق الاستراتيجي: قاعدة روبوتات كبيرة ومتنوعة قد تتيح فرصاً أكثر لجمع بيانات التفاعل، وبيئات أكثر لاختبار ما إذا كانت التنبؤات الفيزيائية للنموذج نافعة فعلاً.

كثافة سلاسل التوريد كميزة في السرعة

أشار المتحدثون كذلك إلى نمط التنسيق المرتبط بشنتشن، حيث قد تكون مورّدات المكونات، وشركات التكامل، ومصنّعات الروبوتات، وفرق البرمجيات متقاربة جغرافياً وتجارياً. والنتيجة المتوقعة هي تقصير المسافة بين فشل نموذج ما وإجراء تجربة جديدة.

في هذا التصور، ليست الأفضلية مجرد انخفاض سعر العتاد؛ بل القدرة على تعديل إعداد المستشعرات أو أداة المناولة أو آلية جمع البيانات أو تكوين الروبوت، ثم إعادة البيانات الناتجة بسرعة إلى دورة التدريب. وهذا مهم في الذكاء الاصطناعي الفيزيائي، حيث ترتبط جودة النموذج بالآلات والمستشعرات والبيئات التي جُمعت منها البيانات وتحققت فيها النتائج.

مع ذلك، يبقى الأمر فرضية استراتيجية لا ضمانة مثبتة للريادة التقنية. فاستجابة سلسلة التوريد قد تسرّع التجارب، لكنها لا تحل وحدها مسائل التعميم والسلامة والموثوقية والجدوى التجارية.

البنية المعمارية هي النصف الآخر من الرهان

تقدم أعمال Shengshu Technology في «نماذج العالم والفعل» مثالاً ملموساً على المقاربة التي تقودها البنية المعمارية. إذ يعرض بحث MotuBrain صياغة موحّدة تُنمذج فيها الفيديوهات والأفعال ضمن إطار توليدي مشترك؛ بحيث تصبح نمذجة السياسات، ونمذجة العالم، وتوليد الفيديو، والديناميكيات العكسية، والتنبؤ المشترك بالفيديو والفعل، أنماط استدلال مختلفة للنموذج نفسه. 32

وتقول Shengshu إن MotuBrain ينمذج الفهم والتنبؤ والفعل معاً، بهدف تحسين الاستفادة من البيانات غير المتجانسة وتعزيز الانتقال بين المهام. 33 وبصياغة عملية، تحاول هذه المقاربة تقليص الفاصل بين نظام يراقب العالم، وآخر يتنبأ بتطوره، وثالث يختار فعلاً.

ولا تكمن أهمية ذلك في أن بنية منشورة واحدة قد حسمت المجال، بل في توضيح سبب اعتقاد المتحدثين بأن تصميم النموذج قد يخلق رافعة تنافسية: فإذا استطاع إطار واحد إعادة استخدام المعلومات بين مهام الفيديو والفعل والتنبؤ الفيزيائي، فقد لا تنمو القدرة المفيدة بنسبة طردية بسيطة مع حجم الحوسبة.

مقاربة «الفيزياء أولاً»

طُرحت EvoPhys.ai بوصفها تتعامل مع عنق الزجاجة نفسه من زاوية أخرى: تعلّم القواعد الفيزيائية من تفاعلات أولية، بدلاً من الاعتماد أساساً على مجموعات هائلة من الفيديوهات المنتقاة. والفائدة المقصودة هي بناء نموذج أكثر رسوخاً في فهم القوى والتلامس والحركة وعواقب الفعل.

وكانت هناك أنشطة مرتبطة بهذا المسار في WAIC؛ إذ ذكرت TrendForce أن Moore Threads عرضت تدريب EvoPhys-World من جامعة بكين بالكامل على بنية حوسبة محلية، ووصفته بأنه نموذج عالم خماسي الأبعاد. 9 ويؤكد ذلك وجود عمل نشط في هذا المجال، لكنه لا يثبت بصورة مستقلة ادعاءات أوسع بشأن الأداء المقارن أو كفاءة البيانات أو الريادة الوطنية.

لماذا وصف المتحدثون الفرصة بأنها «جبل تايشان»؟

يحمل التشبيه وجهين.

الفرصة

إذا أصبحت نماذج العالم طبقة أساسية للروبوتات والأنظمة الذاتية والمحاكاة، فقد تسهم الفرق المبكرة في تحديد معايير مهمة: أي البيانات تُجمع، وكيف يُقيّم الاستدلال الفيزيائي، وأي أشكال الروبوتات تُدعَم، وأي التطبيقات تخلق قيمة حقيقية. وغياب قائد عالمي مستقر أو دليل منتجات واضح قد يفتح مساحة للمتقدمين الأوائل.

العبء

لكن غياب النموذج الجاهز نفسه يرفع مخاطر التنفيذ. فعلى الشركات الناشئة أن تتخذ قرارات مكلفة بشأن خطوط البيانات، ومنصات العتاد، وبنى النماذج، وطرق التقييم، والعملاء، ونماذج الأعمال، قبل أن يكشف السوق أي الخيارات سيصمد. كما أن التحقق في العالم المادي قد يكون أبطأ وأغلى من تقييم نموذج برمجي بحت.

لذلك لا ينبغي قراءة هذا الطرح على أنه إعلان بأن الصين حسمت سباق نماذج العالم. بل هو ادعاء بشأن طبيعة المنافسة: في مجال ناشئ يجب أن تتعلم فيه النماذج من العالم المادي وتتصرف داخله، قد تصبح سرعة التكرار وجودة البيانات والبنية المعمارية متغيرات استراتيجية إلى جانب الحوسبة.

ما الذي يستحق المتابعة؟

لن تُختبر هذه الفرضية بخطاب المؤتمرات، بل بأدلة في أربعة مجالات:

• تقييمات مستقلة: نتائج تقيس التنبؤ الفيزيائي وأداء الروبوتات الحقيقية في بيئات متنوعة، لا عروضاً معزولة.
• كفاءة البيانات: مدى تحسن النماذج ببيانات تفاعل يمكن جمعها ووسمها عملياً.
• الانتقال بين تجسيدات الروبوتات: هل يستطيع نموذج دُرّب على روبوت أو مستشعرات أو مهمة معينة التعميم على غيرها من دون إعادة تدريب واسعة؟
• اقتصاديات النشر: هل تجعل هذه النماذج الروبوتات أكثر أماناً أو موثوقية أو أقل تكلفة بما يكفي لاستخدام تجاري مستدام؟

في الوقت الراهن، تدعم المصادر المتاحة وجود مشاركة روبوتية نشطة في WAIC، وصياغة Shengshu المنشورة التي تجمع العالم والفعل. لكنها لا تثبت بصورة مستقلة مقارنات الحوسبة المحددة التي طرحها المتحدثون، أو العدد المزعوم للشركات القادرة على توفير البيانات، أو وجود تفوق صيني شامل في القطاع. لذلك، من الأدق التعامل مع هذه النقاط بوصفها أطروحة استراتيجية طموحة ستتوقف مصداقيتها على نتائج قابلة للتكرار في العالم الحقيقي. 8103233