لماذا تقوم شركة «蚂蚁灵波» بإعادة تدريب الدماغ الآلي من الصفر؟

خلال كامل جلسة التواصل، ظلّ الإعلام يوجّه السؤال نفسه بطرقٍ عديدة مختلفة.

إلى أي مدى تبعد «عقول» الروبوتات اليوم عن الدخول فعلياً إلى عالم الواقع للعمل؟

التقييم الذي قدّمه الرئيس التنفيذي لشركة Ant Lingbo، Zhu Xing، والعالِمَ الرئيسي، Shen Yujun، كان أكثر هدوءاً بكثير من حماسة السوق. ربما لم تصل «العقول» الروبوتية الحالية بعد إلى لحظة GPT-1. لم يحن بعد وقت ظهور ذكاء حقيقي على نحوٍ متدفّق في الصناعة، كما أن مسارات التطوير التقنية ما تزال بعيدة عن أن تتقارب.

خلال العام الماضي، تعاقبت على الساحة مفاهيم مثل VLA و«نماذج العالم» و«نماذج الحركات بالفيديو». وتأتي هذه المرة بإعلان Lingbo عن 6 نماذج دفعة واحدة، لكنها تريد الإجابة عن سؤالٍ أكثر تحديداً: هل يمكن للنماذج الكبيرة التي تُدرّب في العالم الرقمي أن تُركَّب مباشرة في أجساد الروبوتات؟ وهل يحتاج عالم الواقع إلى منظومة نماذج مُعاد تصميمها من أساسها، بدءاً من الإدراك وحتى التنبؤ ثم إلى التنفيذ؟

اختارت Lingbo الانطلاق من قيود العالم الفيزيائي وإعادة بناء منظومة النماذج هذه.

01 لماذا لا يمكن لنماذج العالم الرقمي أن تُركَّب في أجساد الروبوتات

قدّم Shen Yujun مثالاً «يضع النقاط على الحروف» في المكان.

خلف باب زجاجي غير شفاف توجد قطة. يستطيع نموذج بصري عادي أن يَتعرف على القطة خلف الباب وأن يصف الصورة بدقة. لكن عندما يحتاج الروبوت إلى التحرك باتجاه القطة، لا يكفي «الرؤية» فحسب. فهو يحتاج إلى فهم أن باب الزجاج يشكّل عائقاً مادياً، وأن القطة قبل فتح الباب تقع في مساحة لا يمكن للذراع الميكانيكية الوصول إليها.

تركّز النماذج الرقمية على ما الذي يظهر داخل المشهد، لكن الروبوت يتعيّن عليه أيضاً أن يحدد المسافة والعوائق وعلاقات التلامس وقابلية الوصول. يكون التعرف الدلالي صحيحاً فقط، وقد أتم بذلك الخطوة الأولى من المهمة الفيزيائية.

تعتمد نماذج الفيديو مثل «Yi Meng» و«Wanxiang» على الإبداع في المحتوى. عندما يقدّم المستخدم نصاً أو سيناريو، يمكن للنموذج أن يستند إلى القصة كاملة، ويستخدم قدرة حسابية أكبر مقابل الحصول على جودة أعلى واستمرارية أفضل.

في مواجهة الروبوت، يتدفق الوقت إلى الأمام فقط. وعندما يمسك كوباً، لا يعرف إن كان سيأتي شخص ويصطدم بطاولة في اللحظة التالية، ولا يعرف ما إذا كان الكوب سينزلق. يمكن للنموذج أن يتنبأ بالخطوة التالية اعتماداً على الحالة الراهنة فقط، ثم يُعدّل الأفعال بعد أن تُعيد الحساسات معلومات جديدة. لا يُعد جمال الصورة مهماً؛ فالتنبؤ يحتاج إلى أن يكون معقولاً وسريعاً وقادراً على التحول إلى حركة.

سمّت المجموعة هذا المسار «أصلياً للجسد»، وقامت بتدريب LingBot-VA 2.0 من الصفر. وتُظهر الورقة التقنية المنشورة أن هذا النموذج يستخدم تصميمات مثل التدريب السببي، وMoE المتفرق، والاستدلال غير المتزامن، لخدمة تحكم آلي في الروبوتات عالي التردد وبحلقة مغلقة.

وتسمح هذه التنازلات أحياناً بحدوث تشوّهٍ معيّن في الصورة المتوقعة. فعندما يكون الذراع الميكانيكي على وشك التقاط كوب، قد لا تكون حبة الكوب التي يولّدها النموذج واضحة بما يكفي، طالما أن اتجاه الحركة صحيح. ستواصل الحساسات تقديم صورة حقيقية، ثم يُعاير النموذج وفقاً لأحدث حالة.

يُسهل VLA فهم نوايا الإنسان اللغوية، كما يستهلك موارد الاستدلال أقل، وهو مسار يُعدّ أسهل حالياً في التطبيق. دخلت Lingbo المشهد عبر VLA للتحقق من البيانات، ثم استخدمت VA لاستكشاف نمذجة ديناميكية وتنبؤ بالمستقبل. ويرى Shen Yujun أن المسارات التقنية المتفرقة اليوم تعمل كلٌ منها على حل جزء من أحجية، وقد تتقارب تدريجياً ضمن نموذج واحد.

ومن هذا المنظور، فإن إصدار Lingbo لستة نماذج يشبه أكثر تفكيك المشكلات الفردية التي لم تُحل في «دماغ» الروبوت بعد. وقد تنخفض أعداد النماذج مستقبلاً بدلاً من أن ترتفع.

02 التكلفة الأولى للتدريب من الصفر هي «مسيرة» طويلة من البيانات

اختيار «الأصالة الجسدية» سيقود مباشرة إلى سؤال ثانٍ: من أين ستأتي البيانات؟

تمت إعادة طرح هذا السؤال مراراً في الموقع: هل تكفي 100 ألف ساعة؟ هل يمكن أن تظهر ملامح ذكاء متدفقة عند ملايين الساعات؟ وهل يأتي «مَشهد ChatGPT» للروبوتات عند مئات ملايين الساعات؟

كان ردّ Zhu Xing مباشراً: ربما لا تكفي عشرات الملايين من الساعات أيضاً.

تتعامل القيادة الآلية مع قواعد مرور ومهام قيادة أكثر وضوحاً نسبياً. أما الروبوتات العامة فستحتاج إلى دخول المصانع والمستودعات والمنازل، والتعامل مع أشياء بمواد مختلفة، والتكيف مع أجسام مختلفة، كما عليها التعامل مع حالات فشل لا يمكن تعريفها مسبقاً؛ لذا فإن توزيع البيانات أكثر تعقيداً بكثير من مهمة قيادة واحدة محددة.

وتبيّن الأوراق المنشورة أن بيانات ما قبل التدريب لـ LingBot-VLA 2.0 زادت من نحو 20 ألف ساعة في الجيل الأول إلى 60 ألف ساعة، وتشمل 50 ألف ساعة من مسارات الروبوت و10 آلاف ساعة من فيديوهات البشر من منظور أول تغطي التكوينات الروبوتية لـ 20 نوعاً لدى 17 شركة. كما اتسع نطاق فضاء الحركات من ذراعين إلى الرأس والخصر وقاعدة متنقلة والأيادي الماهرة.

ومع أن 60 ألف ساعة ما تزال مجرد نقطة بداية، فإن Lingbo يعطي أولوية أكبر لسرعة وجودة إغلاق حلقة البيانات.

لا تقتصر البيانات الحقيقية على ذلك؛ بل تشمل أيضاً عمليات تشغيل بشرية تُسجّل بطرق مثل UMI وEgo، ويمكن توسيع بيانات السلوك بتكلفة أقل. والمرحلة التالية تتطلب إضافة أنماط مثل اللمس والإحساس بالقوة، مع مواءمتها مع فيديو المنظور الأول.

تحتاج المجموعة إلى مواصلة الإجابة عن مجموعة من الأسئلة الهندسية: ما البيانات التي تدخل فعلاً في التدريب؟ في أي نوع من المهام يفشل النموذج؟ وهل يمكن لمهام جمع جديدة أن تغطي بسرعة الفجوات في القدرات؟ وكم يستغرق زمن سلسلة العمل من جمع البيانات ومعالجتها وتدريبها إلى ردود الفعل؟

بعد توسيع حجم البيانات، سيتعيّن على الفريق أيضاً غربلة العينات عالية القيمة. وقد مرت القيادة الآلية بتغييرات مماثلة: في البداية كان السعي إلى زيادة الحجم، ثم لاحقاً جرى انتقاء القليل من العينات التي تُحسن النموذج أكثر من غيرها من بين كمّ هائل من الإطارات. وتكون بيانات الشذوذ والفشل لدى الروبوتات أغلى ثمناً، كما أنها غالباً ما تحدد ما إذا كان النموذج قادراً على التعامل مع المشكلات الطويلة الذيل.

يدعم Lingbo 20 نوعاً من التكوينات؛ وبعد انضمام الشركات المصنعة، يلزم تدريب لاحق يركز على المهام المحددة. وتتمثل وظيفة التدريب المسبق في أن يرى النموذج مسبقاً أجساماً وتكوينات ومهام مختلفة.

المدخر الحقيقي في «عقل واحد لعدة آلات» يتمثل في توفير تكلفة التدريب من الصفر كل مرة يتم فيها تغيير نوع الهيكل أو إضافة سيناريو جديد.

03 تجارية «دماغ» الروبوت: يبدأ باجتياز اختبار معدل النجاح

أشار أحد وسائل الإعلام إلى مثال في مجال المستودعات. قد يستغرق نقل واحد ينجزه العامل بالرافعة الشوكية 30 ثانية فقط، بينما قد يحتاج الروبوت إلى دقيقة أو أكثر، وقد يتوقف عند مواجهة وضع جديد ليعيد التقييم.

وضع Zhu Xing معدل النجاح قبل السرعة. حتى لو تحرك الروبوت بسرعة، فإن الفشل المتكرر لعدة مرات متتالية يعني أن المؤسسة ستظل مضطرة لتعيين موظفين للتدخل اليدوي، كما أن النشر لن يحقق قيمة اقتصادية بسهولة. بعد استقرار معدل النجاح، يمكن للمؤسسة عندها حساب الإيقاع، وكفاءة الاستدلال، والتكلفة لكل وحدة.

ومن هنا يتشكل تقسيم العمل بين «النموذج الأساسي» و«التدريب اللاحق».

شبّه Zhu Xing التدريب المسبق بتثقيف طالب جامعي يمتلك أساساً جيداً في الأداء. دخول الطالب إلى بنك كموظف محاسب لا يزال يتطلب تدريباً مهنياً. فـ «النموذج الأساسي للجسد» يرفع الحد الأعلى للقدرات، بينما يضمن «التدريب اللاحق» تحويل النموذج إلى أداة إنتاج.

بالنسبة لمصنعي الروبوتات وعملاء السيناريوهات، يشمل التدريب اللاحق جمع البيانات والترميز وتكييف النموذج والنشر وتحسين الاستدلال. كل خطوة تتحول إلى تكلفة. كلما كان النموذج الأساسي أذكى وشاهد عدداً أكبر من التكوينات والمهام، قلّت الدروس التي يتوجب تعويضها في التدريب اللاحق.

القيمة التجارية لـ «عقل روبوتي عام» تكمن في خفض الاستثمار اللازم لتطوير نموذج لكل سيناريو على حدة. ليس ضرورياً أن يتعلم روبوت لشد البراغي غسل الأطباق؛ كما تختار الفنادق والمستودعات هياكل مختلفة. إذ تحدد السيناريوهات الجسم، بينما يحتاج «العقل العام» إلى تغطية أجسام أكثر.

وقد أشارت Lingbo إلى أنها تعمل حالياً مع مصنعي الهيكل لدفع التطبيق الصناعي، وتبحث طرق تسعير مختلفة مثل شراء الترخيص الكامل والاشتراك والتخصيص. ومع ذلك، لم يجرِ في الموقع الإفصاح عن أمثلة من عملاء يمكن للعامة التحقق منها، ولا عن أحجام الإيرادات ونموذج التكاليف. وفي المرحلة الحالية، ما يمكن للسوق تأكيده هو مسار التقنية ومكانته داخل النظام البيئي؛ أما إغلاق دورة تجارية قابلة للتوسع فسيحتاج إلى انتظار المزيد من بيانات المشاريع.

04 لماذا اختارت Lingbo القيام بهذه المهمة الثقيلة

يتطلب تدريب «دماغ» الروبوت من الصفر استثماراً طويل الأجل. فالتدريب المسبق والبنية التحتية للبيانات والتحقق عبر الروبوتات الفعلية وتكييف الهيكل؛ كل بند منها يصعب استكماله بسرعة بواسطة فريق صغير.

تقدم شركة Ant إلى Lingbo مواردها الأساسية، بما في ذلك التمويل والموهبة والبنية التحتية للتدريب وقدرات معالجة البيانات وإيكولوجية السيناريوهات. وبناءً على ذلك، قامت Lingbo ببناء منظومة نماذج كاملة من الإدراك المكاني وتوليد الفيديو ونمذجة عوالم التفاعل وصولاً إلى VLA وVA، ثم التحقق من القدرة على الإنتاج عبر تعاون مع مصنعي الهيكل.

تعكس هذه الخطة أيضاً حكم Ant على شكل الصناعة. ما تزال «الذكاء الجسدي» في مرحلة شبيهة بـ «حروب مائة نموذج» المبكرة، وقد تتقارب مستقبلاً لتفضيل عدد قليل من موردي نماذج الأساس العامة. ولا يزال الروبوت بعيداً جداً عن دخول المنازل على نطاق واسع؛ والقياس على Windows أو Android في الوقت الحالي سابق لأوانه.

عند مراقبة Ant Lingbo 2.0، فإن معاملات النموذج وقوائم الترتيب ليست سوى جزء منها. والأهم هو ما إذا كان يمكنها الاستمرار في تحسين معدل النجاح عبر المهام والسيناريوهات والتكوينات، وما إذا كانت قادرة على خفض تكلفة التدريب اللاحق إلى مستوى يقبله العملاء.

بعد ارتفاع قدرات نماذج العالم الرقمي للـ Agent، تنتشر بسرعة بفضل قدرات النموذج الأساسي المتصاعدة؛ وقد يمر الذكاء الجسدي أيضاً بمرحلة مماثلة من «تسرب القدرات» من جهة إلى أخرى. لكن في العالم الفيزيائي، هناك طبقة إضافية من القيود لا يمكن تجنبها؛ إذ يتعين على كل حكم يتخذه النموذج في النهاية أن تنفذه أداة جسدية حقيقية.

اختارت Ant Lingbo إعادة صنع هذا «الدماغ» مسبقاً. إلى أي مدى يمكن أن يصل المسار، يعتمد في النهاية على ما إذا كان الروبوت يمكنه فعلاً إنجاز العمل.

تنبيه بشأن المخاطر وإخلاء المسؤولية

        توجد مخاطر في السوق، ويُرجى توخي الحذر عند الاستثمار. لا يشكل هذا المقال نصيحة استثمارية شخصية، كما لم يأخذ في الاعتبار الأهداف الاستثمارية الخاصة أو الوضع المالي أو الاحتياجات الخاصة لبعض المستخدمين. ينبغي على المستخدم النظر فيما إذا كانت أي آراء أو وجهات نظر أو استنتاجات واردة في هذا المقال تتوافق مع ظروفه المحددة. وبناءً على ذلك الاستثمار، تكون المسؤولية على عاتق المستثمر وحده.