Cog-WM 1.0 من EBKernel: هل يقود «نموذج العالم المعرفي» الروبوتات إلى استقلالية أكبر؟

قدمت شركة EBKernel نموذج Cog-WM 1.0 في منتدى بوجيانغ للابتكار لعام 2026 في شنغهاي، بوصفه «نموذج عالم معرفياً» مستلهماً من بعض آليات الدماغ. والفكرة الأساسية هي منح الروبوتات أساساً موحداً للتنقل الذاتي والتعامل مع الأشياء، من دون الحاجة إلى خريطة جاهزة للمكان قبل بدء المهمة. 39

ما الذي يحاول Cog-WM 1.0 تحقيقه؟

نموذج العالم هو نظام يحتفظ بتمثيل داخلي للبيئة ويحاول توقع ما قد يحدث بعد تنفيذ فعل معين. وتصف EBKernel نهج Cog-WM بأنه تنبؤ في فضاء كامن: أي إنه لا يسعى إلى إعادة إنشاء كل بكسل في الصورة، بل إلى ترميز المعلومات المهمة لهدف الروبوت الحالي. 3

وتربط الشركة هذا النهج بمبادئ الخرائط المعرفية، مثل تحديث الذاكرة بصورة انتقائية، والتمييز بين المعرفة المكانية القابلة لإعادة الاستخدام والخبرة المرتبطة بحدث محدد، وإجراء توقعات عبر أكثر من أفق زمني. وهذه أفكار حاسوبية مستوحاة من علم الأعصاب، وليست ادعاءً بأن النظام يحاكي دماغاً بيولوجياً حرفياً.

في التنقل، تتمثل الوعود الرئيسية في ذاكرة مكانية صريحة تساعد الروبوت على اختيار أهداف الاستكشاف التالية والمسارات المناسبة وفقاً للهدف النهائي. ولهذا التوجه صلة واضحة بـ BSC-Nav، وهو إطار بحثي ينشئ خرائط معرفية متمركزة حول العالم من مسارات متمركزة حول الروبوت وسياقها، بهدف دعم التنقل المكاني.

أرقام التنقل التي أعلنتها الشركة

أكثر المقارنات تحديداً تتعلق بمجموعة فرعية من معيار HM3D-ObjectNav. ووفقاً لبيانات الشركة المنشورة، حقق Cog-WM 1.0 ما يلي:

• معدل نجاح 86.89%، مقابل 78.50% لـ BSC-Nav؛ بفارق 8.39 نقاط مئوية، أو زيادة نسبية قدرها 10.69%.
• مؤشر SPL عند 48.35، مقابل 47.70 لـ BSC-Nav.

ويقيس SPL النجاح وكفاءة طول المسار معاً. لذلك، يبدو الفارق في البيانات المتاحة أكبر بكثير في معدل النجاح منه في كفاءة المسار. وهذه نقطة مهمة: فالنتائج تشير إلى أن النظام قد يصل إلى الهدف بوتيرة أعلى في هذا الاختبار، لكنها لا تثبت تحسناً مماثلاً في قصر المسارات الناجحة.

وماذا عن التعامل مع الأشياء؟

تقول EBKernel إن جزء التعامل مع الأشياء في Cog-WM تفوق بما يصل إلى نحو 16% على خط أساس من نمط π0.5 خضع لتدريب مسبق مكثف، عبر ثلاث حزم تقييم تشمل RoboTwin 2.0. 3

وتعزو الشركة ذلك إلى تعلم عواقب الأفعال على المدى القصير والأطول، مع إعطاء وزن أكبر للتجارب التي تدفع المهمة نحو هدفها. لكن المصادر المتاحة لا تتضمن جداول كاملة لكل معيار، أو إعدادات المستشعرات، أو بيانات التدريب، أو بروتوكولات التقييم. لذلك لا يمكن التحقق بصورة مستقلة من تكافؤ المقارنة مع خط الأساس من نمط π0.5.

وينطبق التحفظ نفسه على نتائج الاستبعاد المعلنة في معيار LIBERO-Plus، والتي تنتقل من نحو 80% للسياسة وحدها إلى 84.6% للنظام الكامل. وفي غياب تقرير تقني شامل أو جدول نتائج كامل ضمن الوثائق المتاحة، ينبغي التعامل مع هذه الأرقام باعتبارها قياسات صادرة عن الشركة ولم تتحقق منها جهة مستقلة، لا تصنيفاً نهائياً للتقنية.

من الاختبارات المعيارية إلى الروبوت الحقيقي

تقول EBKernel إنها عرضت مهاماً مثل التنقل من دون خريطة سابقة، وتخطيط المسار، واسترجاع الذاكرة الزمانية والمكانية، والإجابة عن أسئلة العلاقات المكانية، والعثور على الأشياء على روبوتات بشرية بعجلات ورباعية الأرجل. كما ذكرت أنها تحققت من قدرة التعامل مع الأشياء على روبوت بشري بعجلات. 3

تتخذ الشركة من شنغهاي مقراً لها، وقد تأسست في عام 2025. ورهانها الأوسع هو أن البنى المستلهمة من الإدراك والذاكرة قد تخفف اعتماد الذكاء الاصطناعي المتجسد على كميات هائلة من البيانات والقدرة الحاسوبية. 11

كيف ينبغي قراءة هذه الادعاءات؟

يطرح Cog-WM 1.0 اتجاهاً بحثياً متماسكاً يجمع بين الذاكرة المكانية، وتوقع الحالات المجردة، والتخطيط الموجه بالأهداف. وتكتسب المقارنة مع BSC-Nav أهمية خاصة لأن الأخير أيضاً يتعامل مع التنقل بوصفه مشكلة معرفة مكانية منظمة، وليس مجرد استجابة إدراكية فورية.

لكن أبرز النتائج المعروضة تأتي في الأساس من إعلانات الشركة. وللوصول إلى استنتاج أقوى، ستكون هناك حاجة إلى شيفرة عامة أو تقرير تقني مفصل، وبيانات تدريب ومستشعرات متطابقة للمقارنة، وميزانيات حوسبة واضحة، وتقييمات مستقلة في بيئات متنوعة.

الخلاصة: يمثل Cog-WM 1.0 طرحاً مبكراً وواعداً في الذكاء الاصطناعي المتجسد، يجمع بين التنبؤ الكامن والذاكرة المكانية المعرفية. المكاسب المعلنة في الاختبارات المعيارية تستحق المتابعة، لكنها لا تكفي بعد لإثبات استقلالية موثوقة وعامة الاستخدام في بيئات مفتوحة.