ما هي Zeva؟ ذاكرة سببية تُكيّف الروبوت أثناء التشغيل من دون تغيير أوزان النموذج

الفكرة باختصار

Zeva هو إطار للتكيّف أثناء تشغيل روبوتات المناولة المجسّدة. بدلاً من جمع بيانات جديدة وتوسيمها ثم إعادة تدريب النموذج، يُبقي سياسة التحكم المبنية على Cosmos3 مجمّدة الأوزان، ويجعل الروبوت يستفيد من ذاكرة لما سبّبته أفعاله فعلياً في العالم. أي إن التكيّف يحدث عند الاستدلال، عبر سياق مسترجَع، لا عبر تحديث التدرجات أو المعاملات. 15

هذه ليست «ذاكرة خارجية» منفصلة فحسب؛ فالمكوّنات جزء من مسار الاستدلال نفسه. والنتيجة المقصودة هي أن يتصرف الروبوت بشكل مختلف عند مواجهة وضعية جسم أو سلوك فيزيائي غير مألوف، من دون انتظار دورة تدريب أو إصدار نموذج جديد. 16

كيف تعمل Zeva؟

1) مُرمّز الانتقال السببي CTE

بعد تنفيذ فعل، يجمع Causal Transition Encoder (CTE) بين الحالة البصرية، وترميز الفعل، والتغيّر المُلاحظ في الحالة. ثم يحوّل ذلك إلى تمثيل لتفاعل سببي: ما الذي فعله الروبوت، وماذا تغيّر بسببه؟

يفصل هذا التمثيل بين رمز مرحلة المهمة وبين إشارة التفاعل السببي. الهدف هو التركيز على الديناميكيات الناتجة عن الفعل، بدلاً من الارتباطات البصرية العرضية مثل الخلفية أو الإضاءة. 14

2) ذاكرتان بزمنين مختلفين

• أثر التفاعل القصير (BIT): يحتفظ بالأدلة القريبة ضمن المحاولة الجارية. يفيد مثلاً في تصحيح خطأ حدث قبل لحظات أو التكيف مع تفاصيل محلية في الحركة. 1
• ذاكرة التفاعل المستمرة (PIM): تجمع وتدمج الأدلة الملائمة عبر المحاولات المتكررة في الحلقة نفسها، بحيث تؤثر الإخفاقات والنجاحات السابقة في إعادة المحاولة التالية. 1

الفصل بينهما مهم: ليس من المرغوب أن تصبح كل إشارة عابرة أو إخفاق منفرد «معرفة طويلة الأجل»، وفي الوقت نفسه لا ينبغي أن ينسى الروبوت ما تعلّمه للتو عند بداية محاولة جديدة.

3) حقن السياسة بالسياق

تسترجع Zeva من الذاكرتين أدلة سببية تتوافق مع مرحلة المهمة الحالية، وتحولها إلى موجّه سببي يُحقن في مسار توليد الأفعال داخل السياسة الأساسية المجمّدة. هكذا تتغير الاستجابة بفضل السياق المتاح للنموذج، من دون تعديل أوزانه. 15

بعبارة عملية: النظام يتعلم بمعنى مفيد أثناء العمل، لكنه تعلّم داخل السياق قائم على الذاكرة، وليس تعلماً دائماً محفوظاً في أوزان النموذج.

ما النتائج التي أبلغ عنها المشروع؟

في المحاكاة، حققت Zeva متوسط نجاح قدره 76.8% على مجموعة المهام الخمس RoboCasa365-Atomic5، مقابل 72.4% لـFast-WAM و64.8% لـCosmos3-Nano. 1

أما منحنى النجاح التراكمي من نحو 26% في محاولة التطور الأولى إلى 73% بحلول الرابعة، فتسميه المادة الأولية المتاحة RoboCasa365، لا ChemLab-Evo. لذلك لا تدعم المادة الأولية نسبة هذا المنحنى تحديداً إلى ChemLab-Evo، حتى لو وردت تلك النسبة في تغطيات أخرى. 1

وفي مهام ChemLab-Evo الواقعية من المستوى الأول، باستخدام ذراع ARX، أبلغ الفريق عن تحسن عبر المحاولات المتكررة في ثلاث مهام ذرية:

• التقاط أنبوب اختبار: من 65% إلى 100%.
• وضع كأس مخبري: من 25% إلى 70%.
• صب الماء: من 30% إلى 80%. 1

ويعرض الجدول النهائي للمستوى الأول نتائج Zeva عند 100% و70% و80% على هذه المهام بالترتيب، بمتوسط 83.3%؛ مقابل 80% و70% و60% لـCosmos3-Nano، و85% و70% و75% لـFast-WAM. 1

ماذا تضيف تجربة بشرية واحدة؟

يمكن تسجيل تنفيذ موجّه جسدياً من إنسان داخل آلية الذاكرة نفسها ليعمل كنقطة انطلاق سريعة. تظل السياسة مجمّدة، ثم تستخدم لاحقاً سياق ذلك التفاعل السببي لإعادة تنفيذ التسلسل. 6

تؤكد الأدلة المتاحة آلية «التهيئة» بعرض بشري واحد من الناحية النوعية، لكنها لا تقدم أرقاماً موثقة قبل/بعد تخص وضع الكأس أو صب الماء تحديداً. لذا فالخلاصة الدقيقة هي أن العرض الواحد يمكن أن يهيئ هذه المهام أو يدعمها، لا أنه حقق مكسباً رقمياً محدداً يمكن الجزم به. 6

لماذا قد تستفيد النماذج الأضعف أكثر؟

التفسير الأرجح هو وجود مساحة أكبر للتحسن: فالسياسة المدربة مسبقاً بشكل أضعف ترتكب أخطاء أكثر انتظاماً عند تغير ترتيب الأجسام أو خصائصها الفيزيائية، ولذلك تملك الأدلة التصحيحية المسترجعة فرصة أكبر لتحسين قرارها. أما السياسة الأقوى، فتنطلق من معدل نجاح أعلى، فتكون الأخطاء المتبقية القابلة للاستدراك أقل.

لكن هذا تفسير معقول وليس قانوناً مثبتاً عاماً؛ فالأدلة المعروضة تثبت نتائج مقارنة وتحسناً أثناء التشغيل، لا قاعدة تقول إن أي نموذج أضعف سيحقق دائماً مكاسب أكبر. 1

لماذا اختُبرت في الكيمياء؟

توفر مهام المختبر تنوعاً فيزيائياً منظماً وحساساً للأخطاء: هندسة الإمساك، وأوعية صغيرة، ودقة الوضع، والصب والإمالة، وإجراءات متعددة المراحل. كما أن أثر الخطأ غالباً ما يمكن تشخيصه من النتيجة الفيزيائية للفعل.

يتضمن ChemLab-Evo سبع مهام على ذراع ARX، تبدأ بعمليات أساسية مثل التقاط أنبوب الاختبار ووضع كأس وصب الماء، ثم تنتقل إلى تسلسلات أقصر وإجراءات أطول مثل المعايرة وتحضير محلول ملحي والوزن بالميزان والاستخلاص. 1

لذلك فهو اختبار مناسب لسؤال محدد: هل يمكن لعلاقات «الفعل ثم الأثر» التي يتذكرها الروبوت أن تنتقل بين المحاولات والمهارات المتقاربة، بدلاً من أن تكون مجرد تقليد بصري؟

المقايضات والقيود والأسئلة المفتوحة

• الكلفة والسياق: استرجاع الذاكرة وحقن الموجّه السببي يضيفان عبئاً حسابياً وزمن استدلال إضافياً. ولا تثبت النتائج المتاحة أن المنهج يتوسع بكفاءة إلى عمليات طويلة جداً أو سجلات سياق ضخمة. 1
• جودة الذاكرة: قد يؤدي ترميز سببي خاطئ، أو مطابقة غير دقيقة لمرحلة المهمة، أو تجربة فاشلة مضللة إلى استرجاع دليل ضار. فصل BIT عن PIM يخفف المشكلة، لكنه لا يضمن دمجاً آمناً للخبرة. 1
• المواد القابلة للتشوه: تركز التجارب الواقعية أساساً على أجسام مخبرية صلبة ونقل السوائل. ولا يزال التعميم إلى القماش والأسلاك والطعام والعبوات اللينة، أو المهام الغنية بالتماس التي تحتاج إلى حس القوة واللمس، غير مثبت. 1
• استقرار الموقع: تعيد التقييمات ضبط البيئة بين المحاولات وتحتفظ بذاكرة PIM داخل الحلقة، وهو بروتوكول مضبوط. لكنه لا يبرهن عملاً متواصلاً إلى أجل غير محدد في منشأة يتغير فيها ازدحام المكان أو معايرة الكاميرا أو تآكل المعدات أو وجود الأشخاص. 1
• نقل المنهج بين المنصات: جرى التقييم الواقعي على ذراع ARX وفي مساحة عمل محددة قدرها 80 × 60 سم. ولا يُعرف بعد مدى انتقال المُرمّز وآلية التوجيه بسلاسة إلى أذرع وقبضات وروبوتات متنقلة وأنظمة ثنائية الذراع وحساسات ومعدلات تحكم ومتطلبات سلامة مختلفة. 1
• تصنيف المهام: اختُبر المنهج على مجموعة منتقاة من مهام المطبخ والكيمياء. ونقل الخبرة بين تأثيرات وظيفية متشابهة، مثل الإغلاق والرفع وإمالة الوعاء، يبدو واعداً، لكن التعميم عبر فئات مهام متباعدة وتعليمات لغوية متنوعة ما زال سؤالاً تجريبياً مفتوحاً. 1
• نضج الدليل: النتائج منشورة في الورقة ومشروع الفريق، وليست تكراراً مستقلاً بعد. ووصف المنهج مدعوم بوضوح، لكن صلابته في آفاق زمنية أطول وبيئات غير مضبوطة وأجهزة أوسع تنوعاً تحتاج إلى أدلة أقوى. 1

الخلاصة: تقترح Zeva مساراً عملياً لتقليل الاعتماد على دورة «اجمع البيانات، وسِمها، ثم أعد التدريب». غير أن وعدها الحقيقي لا يُحسم بمعدلات النجاح الحالية وحدها، بل بقدرتها مستقبلاً على إدارة ذاكرة موثوقة وآمنة عبر مهام وبيئات وروبوتات أكثر تنوعاً.