تُصدر AGIBOT مجموعة بيانات للاستدلال الفيزيائي لتعليم الروبوتات ما ينبغي فعله لاحقًا

قد يلتقط الروبوت زجاجة بإتقان، ومع ذلك يفشل في إعادة تزويد ميني بار بالمخزون. فقد يُبقي زجاجة فارغة، أو يضيف عددًا كبيرًا من الزجاجات البديلة، أو يكرر خطوة أنجزها بالفعل. المهارة المفقودة هي تحديد ما يتطلبه الموقف قبل اختيار الحركة التالية.

تسعى AGIBOT إلى سد هذه الفجوة من خلال مجموعة بيانات الاستدلال الفيزيائي، التي أُعلن عنها في 22 أكتوبر بوصفها الإصدار الرابع من AGIBOT WORLD 2026. يربط هذا الإصدار بين أهداف المهام، والظروف المتغيرة للمشهد، وسجل التنفيذ، وأفعال الروبوت الفعلية. وتتمثل فكرته الأساسية في جمع مسارات مختلفة تؤدي إلى الهدف نفسه، لتوفير مواد للباحثين تدعم تدريب الروبوتات على تكييف قراراتها مع تطور المهمة.

هدف واحد وتسلسلات متعددة من الأفعال الصحيحة

يحوّل الإصدار الرابع تركيز تصميم المهام من الحركات الصعبة إلى القرارات الصعبة. فبدلًا من جمع عروض لتسلسل ثابت فحسب، تغيّر AGIBOT كميات الأغراض والعوائق والمساحة المتاحة ومدى التقدم في المهمة. وقد تجعل هذه التغييرات فعلًا كان صحيحًا في السابق غير مناسب، حتى عندما يظل طلب المستخدم كما هو.

لنأخذ مثال الميني بار. يتطلب الوصول إلى هدف وجود ثلاث زجاجات ممتلئة تحديد الزجاجات الفارغة، وإحصاء الزجاجات الممتلئة الموجودة بالفعل، واتخاذ قرار بشأن ما ينبغي إزالته وإعادة تزويده. ولا يمثل الإمساك الناجح بالزجاجة سوى جزء من المهمة. يحتاج الروبوت أيضًا إلى تصور للحالة النهائية المطلوبة، وإلى وسيلة لمقارنتها بالحالة الراهنة.

يتضمن سيناريو آخر استرجاع مفتاح خلف صندوق. قد تنجح محاولة الإمساك بالمفتاح مباشرةً إذا كانت المساحة كافية. أما إذا أعاق الصندوق الوصول إليه، فيصبح تحريكه خطوةً مسبقة لا بد منها. ويضيف البحث في الأدراج تحديًا يتعلق بالذاكرة: فصورة الكاميرا وحدها لا تخبر النظام بالأدراج التي سبق أن تفقدها.

تكشف هذه الأمثلة عن تحدٍ عملي يواجه الذكاء الاصطناعي المادي. فقد تتخذ سياسة تحاكي حركة الخبير الظاهرة قرارًا خاطئًا إذا افتقرت إلى السياق الذي جعل تلك الحركة مناسبة. ويهدف تغيير الظروف المحيطة بهدف مشترك إلى إتاحة هذه العوامل المترابطة للتدريب على مجموعة البيانات.

تسع قدرات استدلالية تتدرج في التعقيد

تنظم AGIBOT هذا الإصدار حول تسع قدرات: اختيار الأغراض بحسب سماتها، والاختيار وفقًا للسياق، وتقييم إمكانية تنفيذ المناولة، والاستدلال بشأن المتطلبات السابقة للفعل، والبحث للوصول إلى هدف، وتتبع الحالات والكميات، والتخطيط لتسلسلات أطول، والاحتفاظ بالذاكرة، وترتيب المهام الفرعية.

تتداخل هذه القدرات في الأعمال اليومية. فإعادة تزويد المخزون تتطلب التعرّف والعدّ وتتبع التقدم. والعثور على غرض يجمع بين استراتيجية للبحث وسجل للمحاولات السابقة. وقد تتطلب مهمة تدبير منزلي أطول استخدام عدة أحكام من هذه الأحكام تباعًا، إذ يغيّر كل فعل الظروف التي تليها.

تقسم مجموعة البيانات المهام إلى مستويات سهل ومتوسط وصعب. وتقع أحكام اختيار غرض بعينه في الطرف الأبسط؛ أما قيود الكمية والمتطلبات السابقة فتزيد التعقيد؛ بينما تجمع المهام الأطول بين أهداف متعددة والذاكرة ومتطلبات السياق. ويتيح هذا الهيكل للباحثين دراسة المهارات الفردية قبل اختبار مدى نجاحها عند جمعها.

وتُرفق تعليقات توضيحية بنتائج التنفيذ أيضًا، بما في ذلك اختيار الغرض وموضعه وما إذا كانت الكمية المطلوبة قد تحققت. ويضم الإصدار أمثلة ناجحة وأخرى خاطئة، ما يدعم الأبحاث المتعلقة بالتعرف على الانحرافات وتعديل القرارات اللاحقة.

ربط التعليمات بالأفعال المادية

تكمن المساهمة التقنية في كيفية ربط التعليقات التوضيحية بين مستويات المهمة المختلفة. فالتعليمة عالية المستوى تحدد الهدف العام، فيما تصف إطارات المهمة ومقاطع المهام الفرعية وخطوات الفعل بنيتها ومدى التقدم فيها. ويمكن للباحثين الاستفادة من هذه الروابط لدراسة الهدف الفرعي الجاري تنفيذه وما ينبغي أن يحدث بعد ذلك.

على مستوى الحركة، تحدد التعليقات التوضيحية Dense Prompt من AGIBOT الغرض المستهدف ومنطقة المناولة ودور كل ذراع من الذراعين والحركة وحالة المِلقط والنتيجة المتوقعة. وتربط مربعات الإحاطة والنقاط وخطوط المسار اللغة بالمواقع ومسارات الحركة. ويوفر ذلك لنظام التعلّم إرشادات أكثر وضوحًا بشأن ما تشير إليه التعليمة وكيفية تمثيل تنفيذها.

وتصف الشركة أيضًا مقاطع النجاح والمقاطع الخصومية للتمييز بين الأهداف والعناصر المشتتة والتحقق من النتائج. وتتعلق الأمثلة الخصومية هنا بتفسير المهمة وتنفيذها. وهي تساعد على صياغة أسئلة، مثل ما إذا كان الروبوت قد اختار الغرض الصحيح أو أتم الخطوة المطلوبة بالفعل.

يُراد من هذه التعليقات التوضيحية مجتمعةً دعم التدريب على ربط نموذج اتخاذ القرار بسياسة تنفيذ الأفعال. يختار نموذج القرار هدفًا فرعيًا، وتنفذ السياسة المناولة، ثم تُستخدم الحالة الناتجة في اتخاذ القرار التالي. وتكتسب هذه التغذية الراجعة أهمية كلما اضطر الروبوت إلى تدارك محاولة غير مثالية أو الاستجابة لتغير المشهد.

كيف يندرج هذا الإصدار ضمن منصة AGIBOT للروبوتات

يصف مستودع AGIBOT WORLD 2026 الأوسع نطاقًا بياناتٍ من العالم الحقيقي جُمعت على منصة G2 التابعة للشركة. ويتبع التنسيق الموثق فيه أعراف LeRobot، ويضم بيانات الحلقات والبيانات الوصفية وتدفقات فيديو منفصلة من كاميرتي الرأس والمعصم. ويوفر ذلك سياقًا مفيدًا للمطورين الذين يربطون بين الملاحظات البصرية وسلوك الروبوت المسجل.

تعرض صفحة منتج G2 من AGIBOT الأجهزةَ بوصفها مصممةً للذكاء المتجسد والتلاعب بالأشياء باستخدام التحكم بالقوة، إلى جانب قدرات تفاعلية. ويتناول الإصدار 4 طبقة اتخاذ القرار وذاكرة المهام المحيطة بهذه القدرات المادية. كما يوسع البنية التحتية للبيانات التي تناولها تقرير Unite.AI السابق عن منصة AGIBOT للروبوتات.

يذكر المستودع أن البيانات مرخصة بموجب رخصة Creative Commons Attribution–NonCommercial–ShareAlike 4.0. ويُعد شرط الاستخدام غير التجاري فارقًا مهمًا للمطورين الذين يدرسون كيفية استخدام البيانات المنشورة في منتج.

ما الذي قد يتغير بفضل الاستدلال المادي؟

في قطاع الضيافة والخدمات المنزلية وعمليات البيع بالتجزئة، تكمن جاذبية الروبوت في قدرته على العمل نحو تحقيق نتيجة في ظل ظروف متغيرة. فإعادة تجهيز طاولة أو إعادة تزويد رف بالبضائع تتطلب التحقق مما هو موجود بالفعل، وتذكّر العمل المنجز، وإدراك متى لا تعود هناك حاجة إلى اتخاذ إجراء إضافي. وتزداد أهمية هذه الأحكام مع انتقال الروبوتات من العروض التوضيحية المنعزلة إلى سير العمل المتكامل.

يوفر الإصدار 4 مواد تدريبية لهذا التوجه. لكنه لا يثبت، في حد ذاته، أن نموذجًا بعينه قادر على تنفيذ سير العمل هذا بموثوقية في بيئات غير مألوفة. وتقول AGIBOT إن البيانات دعمت بالفعل إطار عمل الوكلاء المرتقب ونموذجها التأسيسي من الجيل التالي؛ أما نتائج أداء هذين النظامين فتبقى مسألة منفصلة.

يتمثل التحول المفيد في تدريب الروبوتات على العلاقة بين الهدف والوضع الراهن وعواقب الإجراءات السابقة. ويمكن للباحثين استكشاف هذا النهج من خلال مشروع AGIBOT WORLD وموارد مجموعات البيانات المرتبطة به.