الروبوت "لا يشبع من الأكل"، والبيانات الحقيقية لا تزال ساحة المنافسة الأساسية للذكاء المندمج

تُعدّ مشكلة البيانات أحد التحدّيات الجوهرية التي تواجه ترقية ذكاء الروبوتات في قطاع الصناعة حاليًا.

في 28 مارس، وبوصفه أحد منتديات بكين المنعقدة بالتوازي مع منتدى زونغآنكونغ، تمّ في موقع مؤتمر الصين للخيال العلمي 2026 في بكين—منطقة شيجينغشان—التدشين الرسمي لمركز التدريب والتطوير لتقنيات البيانات في مجال الإدراك اللمسي والذكاء متعدد الوسائط للذكاء الجسدي، وذلك بحضور رسمي.

بحسب ما علمه مراسلنا، تمّ إنشاء هذا المركز بالشراكة بين مجموعة بكين شيجينغشان للابتكار التكنولوجي المحدودة وشركة تاشان للتكنولوجيا، مع التركيز على احتياجات تطوير قطاع الذكاء الجسدي، وتحديد ثلاثة اتجاهات تقنية رئيسية هي اللمس والغيرية (التنوّع) والاستقلالية دون استخدام أشخاص، لبناء منصة تحويل تقني كاملة تَشمل جمع البيانات متعدد الوسائط وتدريب الخوارزميات وتطبيق السيناريوهات ضمن إطار عملية واحدة شاملة.

تُعدّ مشكلة البيانات أحد التحدّيات الجوهرية التي تواجه ترقية ذكاء الروبوتات في قطاع الصناعة حاليًا. وفي حلقة “حوار الذكاء الجسدي بمئة مليار” ضمن منتدى زونغآنكونغ، يرى شيوي يوي، المؤسس المشارك لشركة Xingdong Yuan، أن أكبر صعوبة تواجه تطوير الذكاء الجسدي حاليًا لا تزال تتمثل في البيانات.

ومن منظور سيناريوهات التطبيق في الأعمال على أرض الواقع، يرى شيوي يوي أن جمع بيانات سيناريوهات واقعية عالي الصعوبة، ويتطلب من جهة السيناريو فتح الصلاحيات، كما أن الجمع على نطاق واسع يواجه مشكلات مثل ارتفاع التكاليف وطول الوقت؛ وفي الوقت نفسه، توجد حدود في الحلول البديلة الحالية. ففي الصناعة، لا يزال نموذج بناء ساحات تدريب لنسخ 1:1 من سيناريوهات واقعية مألوفًا، لكن لأنه يعتمد على مشاركة المهندسين طوال عملية جمع البيانات والتدريب والنشر وتحديد المشكلات، فإنه يؤدي إلى انخفاض الكفاءة العامة وارتفاع التكاليف.

يرى شيوي يوي أن بإمكان الصناعة بناء “عجلة بيانات مغلقة: جمع البيانات—تكرار/تحسين النموذج” لتمكين الروبوتات من التعامل باستقلالية مع مختلف الحالات الشديدة في البيئات الحقيقية، وبالتالي تحسين كفاءة المنظومة بشكل مستمر؛ ثانيًا، العمل على دفع نمط جمع بيانات مركّب يتمثل في “العروض البشرية + جمع البيانات من الأجهزة الفعلية”، غير أنه ما يزال يلزم معالجة التحدّي المتمثل في اختلافاتهما في تكوين الهيكل الأصلي للمنظومة، وأنماط الحركة، وأساليب الإدراك.

يُقرّ تان وينبين، مؤسس شركة Yulingji وLingji، بأن البيانات تُعدّ أحد الاختناقات الحالية في الذكاء الجسدي، لكنها ليست المشكلة كاملة. فمن وجهة نظره، فإن جمع البيانات جوهره مسألة المال والوقت. ومن خلال ضخ التمويل لشراء الروبوتات، وبناء ساحات التدريب، وتوظيف مشغّلي التحكم عن بُعد، والاستعانة بمصادر خارجية للوسم/الترميز، يمكن بسرعة تجميع كميات بيانات تصل إلى مليون ساعة وسواها من عينات بمستوى “مليار”؛ لذلك فإن مسألة “وجود بيانات أو عدمها” ليست حواجز أمام الصناعة. إن الميزة التنافسية الحقيقية تكمن في قدرة الشركات على إعادة تدفّق البيانات تلقائيًا من سيناريوهات واقعية، وعلى بناء عجلة بيانات مغلقة فعّالة.

تتوفر لدى شركة Zhixiao حاليًا عدة قنوات للحصول على البيانات، لكن عند العودة إلى الواقع، ما يزال يرى المؤسس المشارك تشانغ بينغ أن قيمة بيانات السيناريوهات الحقيقية لا يمكن تعويضها، وأن هذا هو الاتجاه الذي يجب على الصناعة أن تركز عليه حاليًا—أي الجزء الذي يحقق عودة تدفّق البيانات من خلال المنتجات المطبقة فعليًا في الصفوف الأمامية، ومن ثم إيداع هذه البيانات. وتُعدّ هذه “أغلى” أصول بيانات. وبالاستناد إلى ضمان السلامة، ستشارك شركة Zhixiao أيضًا هذه البيانات مع العملاء.

بحسب ما علمه مراسلنا، تتمثل المرحلة الرابعة من مشروع مركز جمع البيانات وتدريب الروبوتات ذات الهيكل البشري في بكين—منطقة شيجينغشان—في العمل حاليًا بشكل رئيسي مع شركات مثل Leju وTashan وReyerman وLingchu وغيرها، في محاولة لحل النقص في بيانات قطاع الروبوتات ومشكلات ضعف الجودة.

وبخصوص مشكلة العرض والطلب لبيانات الروبوتات في الوقت الحالي، قال أحد العاملين في الصناعة لمراسلنا إنه بينما تواجه صناعة الذكاء الجسدي إعادة هيكلة لمنظومة البيانات، فقد ظهرت تقنيات بيانات “بدون بيانات الهيكل/الأصل” (مثل حلول EGO لبيانات المنظور الأول، وخطة UMI لواجهات العمليات العامة)، مما قد يجعل “مصانع” جمع بيانات التحكم عن بُعد التي كانت تعتمد على استثمارات ثقيلة في الأصول قد تدخل في مأزق تطوري.

ومن بُعد قيمة البيانات، قال هذا الشخص إن بيانات السيناريوهات الحقيقية تظل “قمة هرم” البيانات المطلوبة لتدريب نماذج الروبوتات، لكن الصناعة تواجه بشكل عام مشكلتين محوريتين: أولًا، غياب المعايير الموحدة لتصميم جودة البيانات وخطوط أنابيب البيانات (data pipelines)؛ وثانيًا، وجود فجوة كبيرة في قدرات معالجة البيانات، حيث لا يمتلك كل مُصنّع القوة التقنية اللازمة لبناء منظومة معالجة بيانات فعّالة، كما يفتقر القطاع إلى آلية موحدة لمشاركة “الحيل/الخبرات التقنية في بيانات” وإلى نظام تقييم ومعايرة موحدين، مما يؤدي إلى تفاوت كفاءة تطبيق البيانات.

وقال هذا الشخص إنّه إذا أمكن في المستقبل تعميم تقنيات بيانات بدون بيانات الهيكل/الأصل مثل EGO وUMI، فقد يتم تضخيم الندرة الجوهرية لموارد السيناريوهات. ومن الممكن أيضًا أن تتخلص الشركات من الاعتماد على مصانع جمع البيانات التقليدية، وأن تنجز جمع البيانات مباشرة في سيناريوهات واقعية، وستصبح قابلية الوصول إلى السيناريوهات وتنوعها المتغيرين الحاسمين في القدرة التنافسية للبيانات.

لذلك، ومن منظور اتجاهات ترقية التكنولوجيا وتكرار التطوير، يحتاج الذكاء الجسدي إلى بيانات تدريب بمستوى “مئات الملايين إلى مليارات الساعات”، لكن إجمالي الكمية ما يزال غير كافٍ بشكل صارخ. ومع ذلك، فقد تتعرض بعض الأصول الأساسية التي كانت منحرفة عن مسارات التكنولوجيا السائدة لخطر انخفاض القيمة مستقبلاً، مثل الحالات التي قد يؤدي فيها الاعتماد على “هيكل الروبوت” ومراكز استثمار ثقيلة ذات مواقع ثابتة إلى انخفاض معدل استخدام القدرة الإنتاجية وارتفاع التكاليف للوحدة بشكل حاد.

وعلى المدى الطويل، ستحدث تحوّلات جذرية في منطق المنافسة الأساسي داخل مجال البيانات، من “منافسة الأجهزة على أساس ما إذا كان هناك مركز تدريب واسع النطاق” إلى جوانب مثل قدرات الحصول على البيانات من سيناريوهات واقعية، وكفاءة حلقات迭代/التكرار المغلقة بين السيناريو والبيانات.

كمّ هائل من الأخبار، قراءة دقيقة، وكل شيء متوفر عبر تطبيق Sina Finance