الصين تبني البنية التحتية لذكاء الروبوتات الشبيهة بالبشر

كشف مؤتمر الروبوتات العالمي لعام 2026 في بكين عن اتجاه جديد في صناعة الروبوتات الشبيهة بالبشر في الصين: لم يعد التركيز منصباً على تصنيع أجسام أكثر قدرة فحسب، بل على بناء البنية التحتية للبيانات التي يمكن أن تدرب «أدمغة» هذه الروبوتات.

وبحسب التقارير، يعمل في الصين أو يجري إنشاء ما لا يقل عن 90 مركزاً لجمع بيانات الروبوتات الشبيهة بالبشر وتدريبها. ويشير هذا الرقم إلى تحول كبير في أولويات الاستثمار. لكن المؤتمر كشف في الوقت نفسه عن فجوة بين إنتاج البيانات على نطاق صناعي، وإثبات أن هذه البيانات قادرة على صنع ذكاء آلي ينتقل فعلاً بين روبوتات ومهام وبيئات عمل مختلفة. 13

البيانات المتجسدة هي الأصل الاستراتيجي الجديد

لا تحتاج الروبوتات الشبيهة بالبشر إلى الصور والنصوص وحدها. فتدريب ذكاء جسدي مفيد يتطلب بيانات عمّا يراه الإنسان، وكيف يتحرك، وكيف تستجيب الأشياء من حوله، وكيف تتطور الأفعال بمرور الوقت. ولهذا تكتسب تسجيلات الفيديو من منظور الشخص الأول، وبيانات وضعيات الجسم، والعمق، والإشارات اللمسية، وحالة الروبوت أهمية متزايدة في نماذج الذكاء الاصطناعي المتجسد.

وقدمت شركة Lightwheel AI مثالاً عملياً على هذا التوجه من خلال مجموعة البيانات EgoSuite-Open100K، التي تستهدف جمع 100 ألف ساعة من أنشطة البشر من منظور الشخص الأول. وتغطي المجموعة أكثر من 15 ألف مهمة ومشهد واقعي لجمع البيانات، باستخدام كاميرات مثبتة على الرأس والمعصم، إلى جانب وضعيات اليد والجسم كاملاً، والوسوم الدلالية، وبيانات العمق. وأُتيحت أول 10 آلاف ساعة عبر Hugging Face، مع استهداف توزيع المشروع أيضاً عبر منصة AtomGit. 1 12

وتبدو الفكرة جذابة لسبب واضح: يمكن للتسجيلات البشرية أن توفر نطاقاً واسعاً من حركات الحياة اليومية ومهام التعامل مع الأشياء، من دون الحاجة إلى تسجيل كل مثال باستخدام روبوت مادي مكلف. لكن بيانات سلوك الإنسان لا تعادل تلقائياً خبرة الروبوت. فالإنسان يتكيف بصورة طبيعية مع التوازن والاحتكاك والتلامس، بينما يتعين على الروبوت استشعار هذه التأثيرات الفيزيائية والتحكم فيها من خلال بنيته الخاصة.

ستة أساليب لجمع البيانات ومفاضلة جوهرية

قال تيان فنغ، من معهد أبحاث الصناعات الذكية التابع لشركة SenseTime، إن ستة أنماط لجمع البيانات تعمل بالتوازي، من بينها التشغيل عن بُعد، والتقاط الحركة، والبيانات الاصطناعية، وجمع البيانات على خطوط الإنتاج الفعلية. 13

ويمثل كل أسلوب جزءاً مختلفاً من المشكلة:

• التشغيل عن بُعد: يحافظ على أفعال مرتبطة بالروبوت وعلى بعض التغذية الراجعة الفيزيائية، لكنه يحتاج إلى أجهزة روبوتية ومشغلين وبنية تحتية مضبوطة.
• التقاط الحركة: يسجل حركات البشر على نطاق واسع، لكنه لا يلتقط بالضرورة القوى والقيود التي سيواجهها الروبوت.
• البيانات الاصطناعية: تتيح توليد السيناريوهات النادرة بكفاءة، إلا أن السلوك المحاكى يجب أن ينتقل في النهاية إلى العالم المادي.
• الجمع على خطوط الإنتاج: هو الأقرب إلى الاستخدام التجاري، لأنه يسجل المهام الخاصة بالعمل، والأخطاء، والقيود البيئية الفعلية.
• التسجيل البشري من منظور الشخص الأول: يوفر تنوعاً واسعاً وتكلفة جمع أقل، لكنه قد يغفل ديناميكيات الروبوت، مثل عزم المفاصل وقوى التلامس.

وتبدو ميزة التكلفة كبيرة؛ إذ يمكن أن تبلغ تكلفة تسجيل حركات البشر من دون استخدام جسم روبوتي نحو خُمس تكلفة جمع العروض التوضيحية بواسطة روبوتات فعلية. لكن المقابل هو أن البيانات الناتجة قد تعكس طريقة أداء جامعي البيانات المكلّفين للمهمة، لا طريقة أداء العمال ذوي الخبرة. 13

ولا يعني ذلك رفض البيانات البشرية، بل التعامل معها كطبقة واحدة ضمن مزيج تدريبي أوسع يضم التشغيل عن بُعد، وبيانات حالة الروبوت، والمحاكاة، والملاحظات القادمة من عمليات النشر الفعلية.

سلسلة توريد الأجهزة تتحول إلى سلسلة لالتقاط البيانات

كانت الرسالة الأوسع للمؤتمر أن البنية التحتية للروبوتات تشمل الآن المعدات المستخدمة لتسجيل العروض التوضيحية والسلوك الحسي-الحركي، وليس المحركات والبطاريات وهياكل الروبوت فقط. فأنظمة الالتقاط من منظور الشخص الأول، وأجهزة التسجيل المحمولة، والقفازات، والواجهات اللمسية، والكاميرات، ووحدات التحكم الدقيقة، والذاكرة، والمكونات التناظرية، كلها أصبحت أجزاء من خط إنتاج البيانات. 13

وقد يفتح ذلك طريقاً أقل تكلفة لجمع كميات ضخمة من العروض التوضيحية. لكنه يخلق أيضاً مشكلة معايير. فالبيانات التي تجمعها أجهزة مختلفة، وبإجراءات معايرة ومساحات أفعال وبرمجيات وسيطة وأنظمة وسم مختلفة، قد لا تندمج بسهولة.

وهنا تظهر مشكلة ما يصفه مراقبون في القطاع بـ «بيانات الجزر»: سجلات مفيدة تظل محاصرة داخل منظومة الأجهزة والبرمجيات التي أنتجتها. ويمكن لمجموعات البيانات المفتوحة أن تخفف المشكلة، لكن الانفتاح وحده لا يضمن إعادة الاستخدام. فلا بد من مخططات بيانات مشتركة، وبيانات وصفية للمعايرة، واتفاقات للتوقيت، وواجهات، وبروتوكولات للتقييم، قبل أن يتحول حجم البيانات إلى قدرة مشتركة قابلة للتراكم. 13

هل تمتلك الروبوتات قانوناً للتوسع شبيهاً بالذكاء الاصطناعي؟

يبقى سؤال آخر بلا إجابة حاسمة: هل ينتقل نمط نماذج الذكاء الاصطناعي الكبيرة — أي أن المزيد من البيانات والنماذج الأكبر يؤديان إلى أنظمة أكثر قدرة — من اللغة والرؤية إلى الروبوتات؟

قدّم تقرير GEN-0 الصادر عن شركة Generalist AI في نوفمبر 2025 إجابة مشجعة، لكنها محدودة. ففي تجارب الشركة، واجهت النماذج الأصغر صعوبة في استيعاب بيانات حسية-حركية أكثر تنوعاً، وهي حالة أطلقت عليها الشركة اسم «التصلب». واستمر الأداء في التحسن عند المقاييس الأكبر، مع رصد انتقال ظاهري قرب عتبة 7 مليارات معامل. 36

يمثل ذلك دليلاً مهماً، لكنه لا يثبت بعد وجود قانون شامل للتوسع في مجال الروبوتات. فالنتيجة ناتجة عن نماذج وبيانات وطريقة تقييم تخص شركة واحدة. كما تواجه الروبوتات تحدياً إضافياً لا تواجهه نماذج النصوص بالطريقة نفسها: إذ يجب على السياسة التي يتعلمها النموذج أن تعمل عبر جسم محدد، وفي بيئة محددة، وتحت قيود فيزيائية حقيقية.

لذلك لا يقتصر السؤال العملي على معرفة ما إذا كان النموذج كبيراً بما يكفي، بل يمتد إلى ما إذا كانت بيانات التدريب تحتوي على الإشارات الفيزيائية الصحيحة، وما إذا كانت السياسة الناتجة تنتقل إلى أجسام روبوتية ومهام واقعية مختلفة.

لماذا لا تعني شحنات الروبوتات طلباً تجارياً حقيقياً؟

تمنح القدرة التصنيعية للصين ميزة كبيرة في نشر الروبوتات لأغراض التجارب وجمع البيانات. لكن أعداد النشر قد تكون مضللة إذا كانت معظم الآلات لا تزال تُستخدم لإظهار القدرات، لا لإنتاج قيمة اقتصادية متكررة.

وأفادت Interact Analysis بأن الإنتاج العالمي للروبوتات الشبيهة بالبشر تجاوز 20 ألف وحدة في عام 2025، بينما لم تُستخدم سوى نحو 10% منها في تطبيقات واقعية؛ إذ استُخدمت الغالبية في البحث أو جمع البيانات أو الترفيه. وخلص التحليل نفسه إلى أن الصين كانت محرك العرض والتبني المبكر للروبوتات الشبيهة بالبشر. 21

وتكتسب هذه الخلفية أهمية خاصة عند النظر إلى طفرة مراكز البيانات. فالدعم الحكومي، والمشتريات بالجملة، وبرامج إعادة شراء البيانات، يمكن أن تزيد سريعاً عدد الروبوتات والمنشآت وساعات التسجيل. وقد تساعد هذه الإجراءات في إنشاء منظومة للتعلم، لكنها لا تثبت وحدها أن العملاء سيدفعون مقابل روبوتات تخفض التكاليف باستمرار، أو تزيد الإنتاج، أو تنفذ أعمالاً يصعب على البشر القيام بها.

عنق الزجاجة الحقيقي هو التقارب

لم يثبت مؤتمر بكين أن الصين حلت بالفعل مشكلة الذكاء المتجسد. لكنه أظهر أن القطاع يجمع، على نطاق لافت، مكونات قد تقود إلى حل ممكن:

1. بيانات واسعة النطاق من عروض البشر وبيئات متنوعة.
2. بيانات مرتبطة بالعالم المادي من التشغيل عن بُعد، وحساسات الروبوت، ومهام الإنتاج الفعلية.
3. بنية تحتية قابلة للتشغيل البيني بحيث تنتقل التسجيلات بين أجسام روبوتية ومنظومات برمجية مختلفة.
4. نماذج تتوسع وتنتقل مهاراتها بدلاً من حفظ العروض التوضيحية فحسب.
5. ملاحظات من عمليات النشر توثق الإخفاقات وسلوك التعافي وتدخل المشغلين.
6. إيرادات تجارية تمول استمرار جمع البيانات من دون الاعتماد إلى أجل غير مسمى على الدعم الحكومي.

وتشير المنظومة التي تقترحها Lightwheel أيضاً إلى حلقة من هذا النوع، تقوم على معايير مفتوحة للبيانات، وجمع موجّه بنتائج التقييم، وتصميم مشترك بين البيانات والنماذج. 1

والخلاصة الأهم أضيق من القول إن «الصين بنت عقل روبوت». فالصين تبني المصانع والأدوات ومجموعات البيانات التي يفترض أن تجعل هذا العقل ممكناً. أما ما إذا كانت هذه البنية التحتية ستنتج روبوتات شبيهة بالبشر مفيدة على نطاق واسع، فسيتوقف على جودة البيانات، ودقتها الفيزيائية، وتوافقها بين الأجهزة، وعلى وجود دليل واضح على أن الروبوتات تستطيع خلق قيمة مستدامة خارج العروض التوضيحية ومختبرات الأبحاث.