أُعلن عن Polibrain في نانجينغ يوم 20 أكتوبر 2026، بوصفه نموذجاً تنبؤياً يساعد الروبوت على فهم آثار أفعاله والتخطيط لها، بدلاً من توليد فيديو كامل للمشهد المقبل.[7][8] يركز النموذج على المعلومات المرتبطة بالمهمة، مثل موقع الهدف وعلاقته بذراع الروبوت، لا على تفاصيل عرضية كألوان الأرضية.[4] تصف التقارير دورة عمل تربط ا...
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث

Create a landscape editorial hero image for this Studio Global article: What is Polibrain, the predictive robot world model unveiled by Tsinghua rooted embodied AI company Qianjue and founder Gao Haichuan during. Article summary: Polibrain is Qianjue Technology’s predictive world model for a robot “brain”: it forecasts how actions change task relevant physical states, rather than reconstructing every future video frame.. Topic tags: general web, chatgpt, ai, api, benchmarks. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait t
ما الذي ينبغي أن يتوقعه الروبوت قبل أن يمد ذراعه لالتقاط جسم؟ ليس بالضرورة شكل كل إطار من فيديو مستقبلي، بل أين سيكون الجسم، وكيف ستؤثر حركة الذراع فيه، وما إذا كانت محاولة الالتقاط ستغيّر الوضع على النحو المطلوب. هذا هو جوهر Polibrain، نموذج العالم التنبؤي الذي كشفت عنه شركة Qianjue Technology، ومقرها مرتبط بجامعة تسينغهوا، في مؤتمر الذكاء الاصطناعي الفيزيائي ونماذج العالم في نانجينغ يوم 20 أكتوبر 2026. وقدّمه مؤسس الشركة ورئيسها التنفيذي غاو هاي تشوان.7
8
على عكس نهج يسعى إلى إنشاء صور أو إطارات فيديو متتابعة لما قد يحدث، يتعلم Polibrain، وفق وصف الشركة والتقارير، الصلات بين حالة البيئة والمعلومات السابقة ونتائج الأفعال. ثم يتنبأ بالتغيّرات ذات الصلة بالمهمة في تمثيل كامن: وصف داخلي مختصر للحالة، لا صورة مفصلة لكل ما تراه الكاميرا. وتُستخدم هذه التوقعات للمساعدة في التخطيط والتحكم.7
في مهمة التقاط جسم، قد تكون الأولوية لموقعه، وموقع الذراع بالنسبة إليه، وما الذي قد يغيّره الإمساك به. أما لون الأرضية أو نسيج الخلفية، فليس من المفترض أن يكون حاسماً إذا لم يؤثر في إنجاز المهمة.4
وتقول Qianjue إن النموذج يعتمد بنية تمثيل متعددة الحدود لتقليل ما تصفه بـ«تلوث السمات»: أي اختلاط المعلومات المهمة للمهمة بتفاصيل مثل الإضاءة أو نسيج الخلفية، بما قد يضعف ثبات الأداء عند تغيّر البيئة.9
تصف التقارير دورة عمل متصلة تبدأ بإدراك البيئة وفهم حالتها، ثم توقّع أثر الفعل واختيار القرار وتنفيذه، قبل استخدام التغذية الراجعة لتعديل الخطوة التالية. فإذا لم تنجح محاولة التقاط، يمكن إعادة تقييم الخطة بناءً على الحالة الجديدة.15
لكن الأدلة المتاحة لا تكفي لتأكيد تفاصيل أكثر تحديداً، مثل أن فك ترميز السمات الرئيسية يشخّص أسباب كل إخفاق أو يحدد بدقة الفجوات بين التوقع والواقع. لذلك من الأفضل التمييز بين وصف دورة التخطيط والتعديل، وبين ادعاءات تشخيص الأعطال التي لم تُثبتها المواد المقدمة.
في عرض ميداني، حمل روبوت رباعي الأرجل ذراعاً آلية وسلة جمع، وحدد النفايات على الأرض واقترب منها وخطط لالتقاطها ووضعها في السلة.5 يوضح المثال نوع المهمة التي صُمم النموذج لدعمها، لكنه وحده لا يشكل اختباراً لموثوقية النظام في مشاهد واقعية معقدة.
وتصف التقارير نهجاً يفصل بين فهم مشترك للعالم وبين أسلوب التنفيذ الخاص بكل روبوت، مع الإشارة إلى التكيّف مع منصات رباعية الأرجل وبشرية الشكل وذات عجلات وذات ذراعين.15 أما مدى نجاح التكيّف مع الروبوتات أحادية الذراع، أو مع جميع التطبيقات المذكورة مثل الخدمة المنزلية وتقديم الطعام والترتيب والمناولة الدقيقة، فلا تثبته الأدلة المتاحة هنا.
وتُقدَّم Qianjue على أنها تطوّر «عقلاً» للروبوتات قائماً على Polibrain، مع بنية مستوحاة من تقسيم الوظائف وتمثيلات متعددة الحدود.6 يدعم ذلك فكرة قابلية نقل بعض قدرات الفهم والتنبؤ بين أنواع مختلفة من الأجهزة، لكنه لا يثبت أن الشركة تستبعد تصنيع العتاد كلياً. كما لا تتوافر أدلة كافية على نظام عامل يجمع بيانات أجهزة منزلية متصلة وروبوتات متعددة في نموذج واحد.
تشير تقارير سابقة إلى بحث مشترك بين Qianjue وجامعة تسينغهوا بعنوان When Do Neural Networks Learn World Models? عُرض في مؤتمر ICML لعام 2025، ويتناول متى يمكن للشبكات العصبية استعادة متغيرات كامنة تصف بنية العالم.10
وتذكر تقارير أخرى أن الفريق طرح في 2026 مقياس Effective Degree، أو «الدرجة الفعّالة»، لمحاولة قياس تعقيد الدوال التي تتعلمها الشبكات العصبية، بما قد يساعد في دراسة التمثيلات والتعميم.4
9 أما طريقة اختيار الذكريات السابقة بالاستدلال المضاد للواقع، وآليتها الدقيقة ومدى دمجها في Polibrain، فلا تكفي المواد المتاحة لتأكيدها.
الخلاصة أن الفكرة الأساسية واضحة: التنبؤ بتغيّرات الحالة التي تهم الروبوت كي يخطط ويتصرف، بدلاً من توليد المشهد المستقبلي كاملاً. لكن عرضاً واحداً ووصفاً تقنياً لا يثبتان بعد موثوقية الأداء في كل البيئات أو على جميع أنواع الروبوتات.4
7
Studio Global AI
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
أُعلن عن Polibrain في نانجينغ يوم 20 أكتوبر 2026، بوصفه نموذجاً تنبؤياً يساعد الروبوت على فهم آثار أفعاله والتخطيط لها، بدلاً من توليد فيديو كامل للمشهد المقبل.[7][8]
أُعلن عن Polibrain في نانجينغ يوم 20 أكتوبر 2026، بوصفه نموذجاً تنبؤياً يساعد الروبوت على فهم آثار أفعاله والتخطيط لها، بدلاً من توليد فيديو كامل للمشهد المقبل.[7][8] يركز النموذج على المعلومات المرتبطة بالمهمة، مثل موقع الهدف وعلاقته بذراع الروبوت، لا على تفاصيل عرضية كألوان الأرضية.[4]
تصف التقارير دورة عمل تربط الإدراك وفهم الحالة وتوقّع الفعل والتنفيذ والتغذية الراجعة؛ لكن الأدلة المتاحة لا تثبت بعض الادعاءات الهندسية والتطبيقية الأوسع.[15]
أُعلن عن Polibrain في نانجينغ يوم 20 أكتوبر 2026، بوصفه نموذجاً تنبؤياً يساعد الروبوت على فهم آثار أفعاله والتخطيط لها، بدلاً من توليد فيديو كامل للمشهد المقبل.[7][8] يركز النموذج على المعلومات المرتبطة بالمهمة، مثل موقع الهدف وعلاقته بذراع الروبوت، لا على تفاصيل عرضية كألوان الأرضية.[4] تصف التقارير دورة عمل تربط ا...
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث

Create a landscape editorial hero image for this Studio Global article: What is Polibrain, the predictive robot world model unveiled by Tsinghua rooted embodied AI company Qianjue and founder Gao Haichuan during. Article summary: Polibrain is Qianjue Technology’s predictive world model for a robot “brain”: it forecasts how actions change task relevant physical states, rather than reconstructing every future video frame.. Topic tags: general web, chatgpt, ai, api, benchmarks. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait t
ما الذي ينبغي أن يتوقعه الروبوت قبل أن يمد ذراعه لالتقاط جسم؟ ليس بالضرورة شكل كل إطار من فيديو مستقبلي، بل أين سيكون الجسم، وكيف ستؤثر حركة الذراع فيه، وما إذا كانت محاولة الالتقاط ستغيّر الوضع على النحو المطلوب. هذا هو جوهر Polibrain، نموذج العالم التنبؤي الذي كشفت عنه شركة Qianjue Technology، ومقرها مرتبط بجامعة تسينغهوا، في مؤتمر الذكاء الاصطناعي الفيزيائي ونماذج العالم في نانجينغ يوم 20 أكتوبر 2026. وقدّمه مؤسس الشركة ورئيسها التنفيذي غاو هاي تشوان.7
8
على عكس نهج يسعى إلى إنشاء صور أو إطارات فيديو متتابعة لما قد يحدث، يتعلم Polibrain، وفق وصف الشركة والتقارير، الصلات بين حالة البيئة والمعلومات السابقة ونتائج الأفعال. ثم يتنبأ بالتغيّرات ذات الصلة بالمهمة في تمثيل كامن: وصف داخلي مختصر للحالة، لا صورة مفصلة لكل ما تراه الكاميرا. وتُستخدم هذه التوقعات للمساعدة في التخطيط والتحكم.7
في مهمة التقاط جسم، قد تكون الأولوية لموقعه، وموقع الذراع بالنسبة إليه، وما الذي قد يغيّره الإمساك به. أما لون الأرضية أو نسيج الخلفية، فليس من المفترض أن يكون حاسماً إذا لم يؤثر في إنجاز المهمة.4
وتقول Qianjue إن النموذج يعتمد بنية تمثيل متعددة الحدود لتقليل ما تصفه بـ«تلوث السمات»: أي اختلاط المعلومات المهمة للمهمة بتفاصيل مثل الإضاءة أو نسيج الخلفية، بما قد يضعف ثبات الأداء عند تغيّر البيئة.9
تصف التقارير دورة عمل متصلة تبدأ بإدراك البيئة وفهم حالتها، ثم توقّع أثر الفعل واختيار القرار وتنفيذه، قبل استخدام التغذية الراجعة لتعديل الخطوة التالية. فإذا لم تنجح محاولة التقاط، يمكن إعادة تقييم الخطة بناءً على الحالة الجديدة.15
لكن الأدلة المتاحة لا تكفي لتأكيد تفاصيل أكثر تحديداً، مثل أن فك ترميز السمات الرئيسية يشخّص أسباب كل إخفاق أو يحدد بدقة الفجوات بين التوقع والواقع. لذلك من الأفضل التمييز بين وصف دورة التخطيط والتعديل، وبين ادعاءات تشخيص الأعطال التي لم تُثبتها المواد المقدمة.
في عرض ميداني، حمل روبوت رباعي الأرجل ذراعاً آلية وسلة جمع، وحدد النفايات على الأرض واقترب منها وخطط لالتقاطها ووضعها في السلة.5 يوضح المثال نوع المهمة التي صُمم النموذج لدعمها، لكنه وحده لا يشكل اختباراً لموثوقية النظام في مشاهد واقعية معقدة.
وتصف التقارير نهجاً يفصل بين فهم مشترك للعالم وبين أسلوب التنفيذ الخاص بكل روبوت، مع الإشارة إلى التكيّف مع منصات رباعية الأرجل وبشرية الشكل وذات عجلات وذات ذراعين.15 أما مدى نجاح التكيّف مع الروبوتات أحادية الذراع، أو مع جميع التطبيقات المذكورة مثل الخدمة المنزلية وتقديم الطعام والترتيب والمناولة الدقيقة، فلا تثبته الأدلة المتاحة هنا.
وتُقدَّم Qianjue على أنها تطوّر «عقلاً» للروبوتات قائماً على Polibrain، مع بنية مستوحاة من تقسيم الوظائف وتمثيلات متعددة الحدود.6 يدعم ذلك فكرة قابلية نقل بعض قدرات الفهم والتنبؤ بين أنواع مختلفة من الأجهزة، لكنه لا يثبت أن الشركة تستبعد تصنيع العتاد كلياً. كما لا تتوافر أدلة كافية على نظام عامل يجمع بيانات أجهزة منزلية متصلة وروبوتات متعددة في نموذج واحد.
تشير تقارير سابقة إلى بحث مشترك بين Qianjue وجامعة تسينغهوا بعنوان When Do Neural Networks Learn World Models? عُرض في مؤتمر ICML لعام 2025، ويتناول متى يمكن للشبكات العصبية استعادة متغيرات كامنة تصف بنية العالم.10
وتذكر تقارير أخرى أن الفريق طرح في 2026 مقياس Effective Degree، أو «الدرجة الفعّالة»، لمحاولة قياس تعقيد الدوال التي تتعلمها الشبكات العصبية، بما قد يساعد في دراسة التمثيلات والتعميم.4
9 أما طريقة اختيار الذكريات السابقة بالاستدلال المضاد للواقع، وآليتها الدقيقة ومدى دمجها في Polibrain، فلا تكفي المواد المتاحة لتأكيدها.
الخلاصة أن الفكرة الأساسية واضحة: التنبؤ بتغيّرات الحالة التي تهم الروبوت كي يخطط ويتصرف، بدلاً من توليد المشهد المستقبلي كاملاً. لكن عرضاً واحداً ووصفاً تقنياً لا يثبتان بعد موثوقية الأداء في كل البيئات أو على جميع أنواع الروبوتات.4
7
Studio Global AI
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
أُعلن عن Polibrain في نانجينغ يوم 20 أكتوبر 2026، بوصفه نموذجاً تنبؤياً يساعد الروبوت على فهم آثار أفعاله والتخطيط لها، بدلاً من توليد فيديو كامل للمشهد المقبل.[7][8]
أُعلن عن Polibrain في نانجينغ يوم 20 أكتوبر 2026، بوصفه نموذجاً تنبؤياً يساعد الروبوت على فهم آثار أفعاله والتخطيط لها، بدلاً من توليد فيديو كامل للمشهد المقبل.[7][8] يركز النموذج على المعلومات المرتبطة بالمهمة، مثل موقع الهدف وعلاقته بذراع الروبوت، لا على تفاصيل عرضية كألوان الأرضية.[4]
تصف التقارير دورة عمل تربط الإدراك وفهم الحالة وتوقّع الفعل والتنفيذ والتغذية الراجعة؛ لكن الأدلة المتاحة لا تثبت بعض الادعاءات الهندسية والتطبيقية الأوسع.[15]