الإجاباتمنشور16 المصادر
كيف تتعلّم الروبوتات من تجارب أسطول كامل؟
يتيح نهج التعلّم الجماعي من الخبرة (CEL) للروبوتات تحسين سياسة مشتركة بالاستفادة من تجارب الأسطول، بدلاً من الاعتماد على عروض بشرية جديدة مع كل تحديث. تستخدم خوارزمية FERT سياق الإخفاق للعثور على مقاطع مشابهة من تجارب ناجحة، فيما يدعم نظام FATS التدريب المتزامن بين روبوتات قد لا تكون متاحة في الوقت نفسه.
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- يتيح نهج التعلّم الجماعي من الخبرة (CEL) للروبوتات تحسين سياسة مشتركة بالاستفادة من تجارب الأسطول، بدلاً من الاعتماد على عروض بشرية جديدة مع كل تحديث.
- تستخدم خوارزمية FERT سياق الإخفاق للعثور على مقاطع مشابهة من تجارب ناجحة، فيما يدعم نظام FATS التدريب المتزامن بين روبوتات قد لا تكون متاحة في الوقت نفسه.
- أفاد الفريق بأن روبوتين لم يشاركا في التدريب حققا نجاحاً في 585 من أصل 600 اختبار؛ لكن النتائج المعلنة لا تزال بحاجة إلى تحقق مستقل.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Collective Experience Learning (CEL), proposed by Tsinghua University, Infinigence AI and AgiBot and described in an Infinigence AI–. Article summary: Collective Experience Learning (CEL) is a fleet-learning approach in which deployed robots share real-world execution experience to improve a common policy, rather than relying on fresh human demonstrations for every imp. Topic tags: general, academic, education, general web, documentation. 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, waterm
قد لا يحتاج الروبوت، في كل مرة يواجه فيها موقفاً صعباً، إلى شخص يعيد شرح المهمة من البداية. في نهج يُسمّى التعلّم الجماعي من الخبرة (Collective Experience Learning، أو CEL)، يمكن لتجربة ناجحة سجّلها روبوت أن تصبح مثالاً تتعلم منه روبوتات أخرى ضمن الأسطول.
قدّم باحثون مرتبطون بجامعة تسينغهوا وشركتَي Infinigence AI وAgiBot هذا النهج، واختبروه على أسطول وصل إلى 96 روبوتاً. الفكرة هي تطوير سياسة تشغيل مشتركة اعتماداً على تجارب الروبوتات في الواقع، بدلاً من الحاجة إلى عروض بشرية أو تصحيحات جديدة لكل تحسين. 1
9
لماذا تتبادل الروبوتات الخبرات؟
تساعد العروض البشرية والتصحيحات المباشرة الروبوتات على تعلم سلوكيات جديدة، لكن توفيرها مراراً يصبح أكثر صعوبة كلما اتسع نطاق استخدامها. فحين تنفذ روبوتات كثيرة مهامها في الوقت نفسه، يصعب أن يواكبها عدد مماثل من الخبراء الذين يراقبون كل محاولة ويتدخلون عند الخطأ.
يحاول CEL تخفيف هذا العبء: إذا نجح روبوت في تنفيذ مهمة، يمكن حفظ تجربته واستخدامها لتدريب السياسة المشتركة. لا يعني ذلك الاستغناء عن البشر في تطوير الروبوتات، بل تقليل الاعتماد على تدخل خبير جديد عند كل تحديث. 1
كيف يحوّل FERT الإخفاق إلى إشارة للتعلّم؟
تعتمد الفكرة على خوارزمية الضبط الدقيق باسترجاع الخبرات الموجّه بالإخفاق (FERT). فعندما يتعثر روبوت، يستخدم النظام سياق ما قبل الإخفاق للبحث في مجموعة التجارب الناجحة عن مقاطع ذات صلة. وتوفر تلك المقاطع أفعالاً مسجّلة يمكن الاستفادة منها في تحديث السياسة. 4
13
تكتسب هذه الطريقة أهمية في المهام الطويلة التي تتطلب سلسلة من الحركات الدقيقة. فقد تنتهي المحاولة بإشارة واحدة فقط: نجاح أو إخفاق، من دون أن توضّح هذه النتيجة وحدها أي خطوة تحتاج إلى تحسين. يساعد FERT على ربط سياق المشكلة بمثال ناجح قريب منه، لكنه لا يثبت بمفرده أي فعل بعينه تسبب في الإخفاق.
ويصف الفريق أيضاً نظام التدريب غير المتزامن المتحمّل للأعطال (FATS)، المصمم لدعم التعلّم عبر روبوتات قد لا تكون متاحة جميعها في الوقت نفسه. وتشير التقارير إلى وقوع 30 عطلاً أثّرت في 22 روبوتاً، مع خسارة 1.3% من وقت تشغيل الروبوتات. وهذه أرقام عن أداء النظام كما أُبلغ عنه، وليست تحققاً مستقلاً من جميع تفاصيل استعادة العمل أو آليات رفع البيانات. 8
ماذا أظهرت التجارب المعلنة؟
شملت التقييمات خمس مهام: تنسيق الزهور، وطيّ الملابس، وشحن الهاتف، وتجميع مقعد، وتغليف الهاتف.
- اختبار روبوتات لم تشارك في التدريب: نفّذ روبوتان 600 محاولة، نجحا في 585 منها وأخفقا في 15، أي بنسبة نجاح إجمالية معلنة بلغت 97.5%. ويقول الفريق إن أداء الروبوتات في كل مهمة تجاوز متوسط أداء ستة مشغّلين بشريين. تظل هذه مقارنة ضمن المهام التي شملها التقييم، ولا تعني تفوقاً عاماً على البشر.
- تغليف الهاتف: ارتفعت نسبة النجاح المعلنة من 79.2% إلى 98.3%. ويصف التقييم 120 اختباراً أُجريت على روبوتين لم يشاركا في التدريب.
7
- حجم الأسطول: عند تثبيت مدة التدريب الفعلية، ارتفعت نسبة النجاح المعلنة من 86.7% مع 16 روبوتاً إلى 98.3% مع 96 روبوتاً. يدعم ذلك احتمال أن يتيح الأسطول الأكبر جمع خبرات أكثر خلال الوقت نفسه، لكنه لا يضمن تكرار المكاسب ذاتها في كل إعداد أو مهمة.
نتائج واعدة، لكن نطاقها مهم
الفكرة الأساسية في CEL هي استخدام سياق الإخفاق لتحديد موضع الحاجة إلى التحسين، ثم الرجوع إلى أمثلة ناجحة جمعها الأسطول. يوفّر FERT آلية استرجاع تلك الأمثلة وتحديث السياسة، بينما يصف الفريق FATS بأنه طبقة النظام التي تدعم التدريب غير المتزامن والمتحمّل للأعطال. وتقدّم النتائج المعلنة مؤشرات أولية واعدة عبر خمس مهام واقعية، بما فيها اختبارات على روبوتات لم تدخل مرحلة التدريب. 13
مع ذلك، ينبغي التعامل مع أرقام الأداء على أنها نتائج أعلنها الفريق، لا نتائج أعاد باحثون مستقلون إنتاجها. فهي تبيّن أداء CEL في إعداد التجربة الموصوف، ولا تثبت مدى انتقاله إلى روبوتات أو مهام أو ظروف تشغيل مختلفة.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "كيف تتعلّم الروبوتات من تجارب أسطول كامل؟"؟
يتيح نهج التعلّم الجماعي من الخبرة (CEL) للروبوتات تحسين سياسة مشتركة بالاستفادة من تجارب الأسطول، بدلاً من الاعتماد على عروض بشرية جديدة مع كل تحديث.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
يتيح نهج التعلّم الجماعي من الخبرة (CEL) للروبوتات تحسين سياسة مشتركة بالاستفادة من تجارب الأسطول، بدلاً من الاعتماد على عروض بشرية جديدة مع كل تحديث. تستخدم خوارزمية FERT سياق الإخفاق للعثور على مقاطع مشابهة من تجارب ناجحة، فيما يدعم نظام FATS التدريب المتزامن بين روبوتات قد لا تكون متاحة في الوقت نفسه.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
أفاد الفريق بأن روبوتين لم يشاركا في التدريب حققا نجاحاً في 585 من أصل 600 اختبار؛ لكن النتائج المعلنة لا تزال بحاجة إلى تحقق مستقل.