روبوت يتعلم مهارة جديدة من فيديو قصير… من دون إعادة تدريب تقليدية

ينقل HOST وGEN-1.5 تعليم الروبوتات خطوةً بعيدًا عن إعادة التدريب الخاصة بكل مهمة، وخطوةً أقرب إلى التقليد الفوري: يشاهد النظام عرضًا بشريًا قصيرًا، يتعامل معه بوصفه سياقًا أو «تعليمة جسدية»، ثم يحاول تنفيذ المهارة مباشرة باستخدام المعرفة الفيزيائية التي اكتسبها خلال التدريب المسبق.

لكن هذا لا يعني أن الروبوت يتعلم من لا شيء. فالجهد الحسابي والبيانات المكلفة استُهلكت مسبقًا في تدريب نموذج واسع، بينما يحدد الفيديو الجديد الهدف وطريقة التنفيذ وتتابع الخطوات المطلوبة.

مقارنة سريعة

العنصر	HOST	GEN-1.5
الجهة المطوّرة	باحثون من معهد بكين للتكنولوجيا وشركة X SQUARE ROBOT وجامعة تسينغهوا.	شركة Generalist AI.
الفكرة الأساسية	سياسة تقليد بصري أحادية العرض تربط تنفيذ الروبوت بتقدم المهمة في فيديو الإنسان، ثم تتنبأ بالنتيجة من منظور الروبوت لتحديد الأفعال اللازمة.	نموذج تأسيسي متعدد الوسائط للروبوتات يضع العرض الحسي-الحركي داخل نافذة السياق باعتباره «موجّهًا جسديًا»، ثم يولد مسارات أفعال للروبوت.
المدخلات والمخرجات	فيديو بشري، وتعليمات لغوية، وملاحظات حديثة من الروبوت، ومعلومات عن وضعية أجزائه؛ ويخرج أفعالًا من دون تحديث للمعاملات أثناء اكتساب المهمة.	فيديو قصير ضمن ذاكرة سياقية تصل إلى نحو 30 ثانية، إلى جانب المدخلات الحسية واللغوية ومعلومات وضعية الروبوت، مع توليد مسارات أفعال بتردد 100 هرتز وفق ما أعلنته الشركة.
أساس التدريب	تدريب على مرحلتين: تدريب مسبق باستخدام 193,462 مسارًا روبوتيًا عبر 229 مهمة، ثم تكييف باستخدام 5,847 زوجًا من فيديوهات بشرية ومسارات روبوتية جُمعت ذاتيًا.	تقول الشركة إن النموذج دُرّب بصورة متواصلة لأكثر من ثمانية أشهر على بيانات تفاعل فيزيائي حقيقية، من دون استخدام بيانات محاكاة في التدريب المسبق.
زمن العرض الواحد	نحو 29 ثانية في المتوسط لاكتساب المهارة.	بين 3 و12 ثانية، وفق ادعاءات الشركة.
هل يحتاج إلى إعادة تدريب تقليدية؟	لا؛ يحدث اكتساب المهارة أثناء الاستدلال من دون تحديث خاص بالمهمة لمعاملات النموذج.	لا في نمط «الموجّه الجسدي» أحادي العرض؛ إذ لا تتطلب هذه الطريقة تحديثات تدرجية أو ضبطًا دقيقًا بحسب الشركة.
نطاق الاختبار	50 مهمة تلاعب جديدة شملت أجسامًا وأدوات وعمليات متنوعة، مع 20 محاولة لكل مهمة.	عرضت الشركة أمثلة مثل فتح برطمان، وسحب سحّاب حقيبة، ودفع جسم إلى وعاء، ووضع قلم في كوب، وسكب براغٍ، واستخدام أدوات بطرق مرتجلة. ولا تتوافر علنًا مجموعة اختبارات موصوفة بالمستوى نفسه من التفصيل.
معدل النجاح	متوسط بلغ 62% في المهام الجديدة.	لا توجد، حتى الآن، نتيجة موحدة يمكن التحقق منها بصورة مستقلة لمعدل النجاح في نمط العرض الواحد؛ وتورد الشركة في بعض موادها رقمًا قدره 59% عبر 10 مهام متنوعة.
المقارنة بالخطوط الأساسية	أفاد الباحثون بأنه تفوق على أقوى خط أساس للتقليد من دون تدريب إضافي بنسبة 45%، كما تجاوز أداء الضبط الخاضع للإشراف باستخدام 50 عرضًا روبوتيًا لكل مهمة.	عندما لا يكفي العرض الواحد، تقول الشركة إن التكييف قليل اللقطات يحتاج إلى خطوة واحدة إلى 10 خطوات تدرجية باستخدام بيانات تمتد من دقيقة إلى خمس دقائق، أي نحو 10 إلى 50 عرضًا.
كفاءة اكتساب المهارة	اكتساب المهارة أسرع بنحو 507 مرات من الضبط الخاضع للإشراف باستخدام 50 عرضًا روبوتيًا لكل مهمة، وفق التقرير البحثي.	تستبدل الطريقة، بحسب الشركة، تدريبًا تقليديًا قد يتطلب عشرات الآلاف من خطوات التدرج بعرض مدته 3 إلى 12 ثانية، أو بعدد محدود من خطوات التكييف عند الحاجة. وهذه مقارنة معلنة من الشركة وليست معيارًا مستقلًا مماثلًا.

ماذا يثبت HOST؟

لا يكتفي HOST بمحاولة نسخ مسار يد بشرية كما هو. فالفيديو يعمل كمرجع مرتبط بمرحلة المهمة: يقدّر النظام أين وصل الروبوت في عملية التنفيذ، ويطابق ذلك مع المرحلة المناسبة في العرض، ثم يستخدم ملاحظاته الخاصة ووضعية جسمه لاختيار الخطوة التالية.

وتشير هذه الآلية إلى فرق مهم بين «تقليد الحركة» و«فهم الغرض العملي منها». فالروبوت لا يحتاج بالضرورة إلى امتلاك ذراع بشرية أو أن يتحرك على المسار نفسه حرفيًا؛ بل يحاول الوصول إلى النتيجة ذاتها من منظور جسمه وأدواته.

اختبر الفريق الإطار على 50 مهمة جديدة، مع 20 محاولة لكل مهمة، وحقق متوسط نجاح بلغ 62%. وهذا يقدم دليلًا ملموسًا على انتقال المهارات بين أجسام وأدوات وعمليات تلاعب مختلفة، لكنه يوضح أيضًا أن النظام لا يعمل بصورة موثوقة في كل محاولة بعد.

كما أفاد التقرير باختبارات متانة احتفظ فيها النظام بمعظم أدائه الأساسي عند تغيير الإضاءة والأجسام والمشهد وتعرضه لتدخل بشري، مع انخفاضات معلنة بلغت 1% و4% و6% و9% على التوالي.

ماذا يضيف GEN-1.5؟

يقدم GEN-1.5 الفكرة نفسها من زاوية مختلفة: نموذج تأسيسي واسع للروبوتات يتعامل مع العرض بوصفه جزءًا من السياق، لا بوصفه بيانات تستدعي تدريب سياسة جديدة. ووفق Generalist AI، يستطيع النموذج تعميم العرض على أوضاع جديدة، والتعافي من الأخطاء، وابتكار استراتيجيات مختلفة للوصول إلى الهدف ذاته.

وتقول الشركة أيضًا إن النموذج يدعم التقليد من الإنسان إلى الروبوت، وربط سلوكين جرى توجيههما بالعرض، وتنفيذ مهارة في العالم الحقيقي بعد مشاهدة عرض في المحاكاة.

مع ذلك، فإن GEN-1.5 ليس «بلا تدريب» في كل سيناريو. فالتعلم من عرض واحد لا يتطلب تحديثًا، لكن المهام الأصعب يمكن أن تستخدم مسارًا بديلًا للتكييف عبر 1 إلى 10 خطوات تدرجية وكمية صغيرة من البيانات.

لماذا تعد هذه النتائج مهمة؟

تقليديًا، يتطلب تعليم روبوت مهمة جديدة جمع عدد كبير من الأمثلة، أو تشغيله عن بُعد، أو ضبط النموذج على بيانات خاصة بالمهمة، أو إعادة تنفيذ تدريب طويل قد يؤثر في المهارات السابقة. أما النهج الذي يمثله HOST وGEN-1.5 فيقترح واجهة أكثر طبيعية: أرِ الروبوت ما تريد بدل أن تبرمجه خطوة بخطوة.

ويستفيد هذا التحول من المعرفة الفيزيائية التي تعلمها النموذج مسبقًا على نطاق واسع. فالفيديو القصير لا يبني القدرة الأساسية من الصفر، بل يحدد المهمة الجديدة وكيفية استخدامها في ذلك السياق. ولهذا فإن مكسب الكفاءة الحقيقي هو توزيع تكلفة التدريب المسبق على مهام ومستخدمين كثيرين، لا إلغاء الحاجة إلى التدريب تمامًا.

ويجعل HOST هذا الفرق واضحًا بالأرقام: نحو 29 ثانية لاكتساب مهارة، مع سرعة معلنة تزيد 507 مرات على الضبط باستخدام 50 عرضًا روبوتيًا لكل مهمة. أما GEN-1.5 فيطرح رؤية مشابهة عبر نموذج تأسيسي عام، لكن قياساته لا تزال تعتمد بدرجة كبيرة على إعلانات الشركة.

القيود التي يجب الانتباه إليها

• نتائج HOST ما تزال محكومة ببيئة مختبرية. فالاختبار شمل 50 مهمة مختارة، ومتوسط النجاح 62%، لذلك لا يمكن اعتباره ضمانًا لأداء موثوق في المنازل أو المصانع أو المهام الطويلة أو التطبيقات الحساسة للسلامة. كما أن التحقق المستقل الأوسع لم يُحسم بعد.

• أدلة GEN-1.5 أقل قابلية للتقييم المستقل. فادعاءات النموذج المتعلقة بمدة التدريب، وغياب بيانات المحاكاة، ومدة العرض، وقدرات التكييف، منشورة أساسًا من Generalist AI أو من مواد تنقل إعلاناتها.

• لا يوجد معيار علني مماثل لـGEN-1.5. لا تتوافر بصورة مستقلة ومفصلة مجموعة مهام موحدة، أو بروتوكول تجارب كامل، أو معدل نجاح إجمالي قابل للمقارنة، أو خط أساس منشور، أو إعادة إنتاج من طرف ثالث. لذلك تمثل العروض المتاحة دليلًا على الإمكانات، لا إثباتًا على تفوق نهائي في المجال.

في المحصلة، يبرهن HOST على أن اكتساب مهارة من فيديو بشري واحد، من دون تحديث معاملات النموذج، يمكن أن ينجح عبر مجموعة محددة من مهام التلاعب. ويشير GEN-1.5 إلى أن التدريب المسبق واسع النطاق قد يجعل قدرات مماثلة تظهر داخل نموذج روبوتي عام.

الاتجاه واعد فعلًا، لكن الاستنتاج العملي ينبغي أن يبقى متحفظًا: التعلم بالملاحظة يقترب من أن يصبح طريقة أساسية لتعليم الروبوتات، لكنه لم يثبت بعد أنه بديل كامل عن اختبار المهام، وهندسة السلامة، والتكييف الإضافي في البيئات المفتوحة وغير المتوقعة.