منتدى زونغوانتشان السنوي 2026 | قادة الذكاء الجسدي يناقشون مأزق البيانات وفتح آفاق جديدة للمشاهد

（المصدر: Beijing Business Today）

في 27 مارس، عُقد منتدى قمة 2026 لمنتدى المعهد الزونغقوان “ندوة طليعة الذكاء الاصطناعي مفتوح المصدر” بحوار طاولة مستديرة حول الذكاء الجسدي. ووفقًا لـ “تقرير الصين للتنمية 2025” الصادر عن مركز البحوث التابع لمجلس الدولة، فإن تطوير صناعة الذكاء الجسدي في الصين لا يزال في مرحلة البدء، ومن المتوقع أن يصل حجم السوق إلى 400 مليار يوان بحلول عام 2030، وأن يتجاوز تريليون يوان بحلول عام 2035. وعلى خط الانطلاق في مسار التريليون هذا، شارك قادة من شركات مثل Galaxy General وQianxun Intelligent وXingdong Yiyuan في حوار عميق حول بناء “هرم البيانات”، وبنية “الدماغ/المخيخ” (大脑/小脑)، ومسار تطبيق “المشاهد الواقعية”، بحثوا التحديات الرئيسية وسبل كسر الجمود لانتقال الذكاء الجسدي في عام 2026 من المختبر إلى تطبيقات واسعة النطاق.

وانغ خه: مؤسس شركة Galaxy General — سيتم استخدام “هرم البيانات” على نطاق واسع في 2026

تم إشعال مسار الذكاء الجسدي في 2025 بالكامل؛ تدفقت رؤوس الأموال، وظهرت نماذج على نحو متتابع، وأصبحَت بعض المفاهيم أكثر وضوحًا، بما في ذلك تعريفات “دماغ” و“مخيخ” الروبوتات الإنسانية.

الدماغ مسؤول عن إخراجات من الإدراك إلى التخطيط لاتخاذ الإجراءات، والمخيخ ينفّذ، عبر هذه المخرجات، الأفعال بطريقة أكثر متانة بحيث تُنفَّذ على الهيكل/الجسم (الجسم ذاته) مع مرونة عالية واستقرار. بعد دمج الدماغ والمخيخ معًا، تم فتح مهام مثل التشغيل والملاحة والحركة الكاملة للجسم.

في طبقة البيانات، يتشكل للذكاء الجسدي هرم بيانات واضح: القاعدة هي بيانات الإنترنت، ثم بيانات سلوك البشر، وفوق ذلك بيانات مُولَّدة (مصنَّعة)، وأعلى الهرم هو بيانات العالم الحقيقي. تم إنشاء هذا الهرم في 2025، وسيُستخدم على نطاق واسع في 2026. في ذلك الوقت، ستشهد المنظومة التقنية بأكملها لاقتران VLA (نموذج الرؤية-اللغة-الأفعال) ونموذج الأفعال في العالم قفزة حقيقية.

شي يويه: الشريك المؤسس لشركة Xingdong Yiyuan — بناء “عجلة بيانات” هو المفتاح لكسر الجمود

في الوقت الحالي، فإن أكبر الصعوبات في الذكاء الجسدي لا تزال تكمن في البيانات. ولجعل الروبوت يعمل بشكل مستقل حقًا في المصنع أو في البيئات الخاصة، يجب جمع البيانات في البيئات الحقيقية. لكن انفتاح السيناريوهات صعب، وتكلفة جمع البيانات على نطاق واسع مرتفعة للغاية، كما أنها تستغرق وقتًا طويلًا جدًا.

الحلول الشائعة حاليًا هي نسخ المشاهد الحقيقية، وبناء بيئة 1:1 في ساحة التدريب، لكن هذا لا يكفي لحل جميع المشكلات. والاعتماد على المهندسين لجمع البيانات وتدريب النماذج ونشرها ثم إعادة التدوير يمثل نمطًا منخفض الكفاءة للغاية وعالي التكلفة.

حلنا هو بناء “عجلة بيانات” (Data Flywheel) من جمع البيانات إلى إغلاق الحلقة في النموذج، بحيث يُعالج الروبوت حالات edge case (الحالات الطرفية/غير الشائعة) في البيئة الحقيقية بشكل مستقل، ويُحسن كفاءته باستمرار وبلا توقف. كما أننا نستكشف نمط جمع البيانات بمشاركة البشر مع الأجهزة الحقيقية.

غاو يانغ: الشريك المؤسس لشركة Qianxun — عام 2025 هو عصر الذكاء الجسدي GPT-2.0، وسيكون 2026 هو عصر GPT-3.0

في إدراكي، للذكاء الجسدي أيضًا مراحل مثل GPT-2.0 وGPT-3.0. ففي 2025 نحن في عصر 2.0؛ وقد حل العديد من مشاكل البنية التحتية على مستوى البيانات، وأتمّنا الاستعداد المسبق للتوسع على نطاق واسع. أما مركز الثقل في أعمال 2026 فسيكون في معالجة نماذج أكبر حجمًا على نحو متزايد، وكمية متزايدة من البيانات، وضمان نتائج التوسع على نطاق واسع.

في الواقع، خلال عملية التطور، من الصعب أن نرى بوضوح حقًا في أي مرحلة نحن الآن؛ إنه وضع يشبه رؤية الأشياء وسط الضباب. أعرّف المرحلة المبكرة في 2025 بأنها 2.0 أو 3.0، لأن بعض النماذج الحالية تمتلك بالفعل قدرات أساسية على التعميم، مثل GPT-2.0؛ فلديها حوار أساسي، لكن في كثير من الأحيان لا تكون الإجابات صحيحة. وبفضل الأبحاث المشتركة بين الأوساط الأكاديمية وسوق الصناعة، فمن المحتمل جدًا أن تظهر نماذج مثل GPT-3.0 في نهاية عام 2026 أو في منتصف عام 2027.

تشانغ بنغ: الشريك المؤسس لشركة SmartSquare — التحقق من السيناريو هو الكلمة المفتاحية في 2025

الأهم في 2025 هو إنزال التحقق من السيناريو على أرض الواقع، بحيث ينتقل الروبوت من المختبر إلى السيناريوهات الحقيقية. أما في 2026 فسيتم حل المزيد من المشاكل المتعلقة بكيفية جعل نماذج الروبوت أفضل وأفضل.

على المستوى التقني، يلزم تحقيق اختراق في قابلية التعميم للمشاهد الحقيقية؛ أي من خلال بنية النموذج وتصميم النظام، بحيث يستطيع الروبوت التكيف مع عدد أكبر من السيناريوهات بتكلفة أقل. وهذه تحدٍّ كبير جدًا للصناعة. نأمل أن نجمع المزيد من البيانات في السيناريوهات الحقيقية، وبناءً على هذه البيانات ننتج قيمة أكبر بطرق مثل التوليد/التصنيع الاصطناعي (synthetic)، ونخفض التكاليف. في السيناريوهات الحقيقية، ينبغي أن يكون هناك دمج بين النموذج والعتاد والنظام الخاص بالسيناريوهات الثلاثة معًا لحل المشكلات.

مراسل صحيفة Beijing Business Today: وي وي

الأخبار الوفيرة، والتحليل الدقيق، متاح عبر تطبيق Sina Finance APP