الصين: إطار عمل جديد للذكاء الاصطناعي من أجل زيادة مهارات الروبوتات البشرية

قدم باحثون في الصين إطار عمل جديد للذكاء الاصطناعي يهدف إلى تحسين قدرة الروبوتات البشرية على المناورة والتعامل مع الأشياء. ويسعى هذا الإطار، المسمى RGMP (recurrent geometric-prior multimodal policy)، الذي طوره باحثون في جامعة ووهان، إلى زيادة دقة الإمساك في نطاق أوسع من الأجسام وتمكين الروبوتات من أداء مهام يدوية أكثر تعقيدًا.

دمج المنطق الهندسي للتعميم المحسن

على عكس العديد من الأساليب المعتمدة على البيانات الضخمة في التدريب، يشتمل إطار RGMP على المنطق الهندسي لتعزيز قدرة الروبوت على التعميم في بيئات جديدة أو غير متوقعة.

ويحقق الإطار معدل تعميم بنسبة 87% وهو أكثر كفاءة بخمس مرات في استخدام البيانات من النماذج الرائدة المعتمدة على “الانتشار” (diffusion-based models).

كما يتم ذلك من خلال الجمع بين الاستدلال المكاني والتعلم الفعال، مما يجعله خطوة مهمة نحو أنظمة روبوتية بشرية أكثر تكيفًا وقدرة.

مهارات أكثر ذكاءً للروبوتات

لتعمل الروبوتات البشرية بشكل مستقل، يجب أن تكون قادرة على التعامل مع كائنات متعددة ومختلفة في بيئات متنوعة بشكل موثوق.

غالبًا ما تعمل نماذج التعلم الآلي الحالية بكفاءة فقط في إعدادات مشابهة لتلك المستخدمة أثناء تدريبها. وتعتمد بشكل كبير على مجموعات بيانات ضخمة دون الاستفادة الكاملة من المنطق الهندسي أو الوعي المكاني. هذا القصور يجعل من الصعب على الروبوتات التكيف في مواقف جديدة.

النماذج الأخرى، مثل نماذج الانتشار أو التعلم بالمحاكاة، تتطلب العديد من العروض التوضيحية وتفشل في التعميم بشكل فعال. هذا يثير تساؤلين رئيسيين:

1. كيف يمكن للروبوتات أن تستدل على هندسة الكائن؟

2. كيف يمكنها التعلم بفعالية باستخدام عدد أقل من الأمثلة؟

مكونات إطار RGMP المبتكر

لمواجهة هذه التحديات، طور الفريق إطار RGMP، وهو نظام جديد متكامل يجمع بين الاستدلال الهندسي والتعلم الفعال، ويتكون من جزأين رئيسيين:

1.  محدد المهارات المعتمد على الأولوية الهندسية (GSS – Geometric-prior Skill Selector):

   • يساعد هذا الجزء الروبوت على اختيار الإجراء الصحيح (مثل الإمساك، أو القرص، أو الدفع) بناءً على شكل الكائن ومتطلبات المهمة.

   • يعمل هذا الجزء على غرار الطريقة التي يقرر بها البشر كيفية التعامل مع الأجسام.

   • يستخدم قواعد هندسية بسيطة ويعمل حتى في البيئات الجديدة.

2. شبكة غاوس المتكيفة العودية (ARGN – Adaptive Recursive Gaussian Network):

   • يعمل هذا الجزء على تحسين التعلم من مجموعات البيانات الصغيرة عن طريق تخزين وتحديث الذاكرة المكانية.

   • يقوم بنمذجة تفاعلات الروبوت مع الكائنات بمرور الوقت، مما يساعد على تجنب مشكلة “تلاشي التدرجات” (vanishing gradients) في التعلم العميق.

يساعد هذان المكونان معًا الروبوتات على التعميم بشكل أفضل والتعامل مع مهام أكثر تعقيدًا باستخدام عدد أقل من أمثلة التدريب، مما يمثل خطوة واعدة نحو تطوير أنظمة روبوتية بشرية أكثر ذكاءً وقدرة على التكيف في العالم الحقيقي.