تُصدر Ai2 منصة ToyBlocks لاختبار كيفية تعلّم الروبوتات وإخفاقها

أصدرت Ai2 منصة ToyBlocks في 6 نوفمبر 2026، لتكون البيئة الأولى ضمن إطار FoundationWorlds، الذي يجمع بين محاكاة روبوتية مفتوحة وعروض توضيحية مولّدة ونموذجين مدرّبين وأدوات للتقييم. صُمّم الإطار لجعل تجارب تعلّم الروبوتات قابلة للتكرار، وتسهيل تتبّع أسباب الإخفاقات.

تضع البيئة ذراعًا روبوتية محاكية وكتلًا تحمل علامات على سطح طاولة. وإلى جانب مهام الدفع والقلب والتكديس، تشمل المهام البحث والفرز والترتيب: فقد يكون الحرف أو الرسم المطلوب على إحدى الكتل مخفيًا، ما يستلزم من الروبوت تدويرها قبل أن يقرر موضعها. ويُختبر مدى قدرة السياسات على التعامل مع تغيّر الأبعاد الهندسية من خلال تغيير أحجام الكتل وارتفاع الطاولة وخصائص أخرى بين المشاهد.

يتيح هذا النطاق المحدود لـ Ai2 العمل على أربع خصائص في آن واحد: فيزياء ومرئيات موثوقتان، وتوليد قابل للتوسع للمهام والعروض التوضيحية، ومسائل تتطلب الاستدلال إلى جانب البراعة الحركية، وتغطية للمهام التي يمكن لهذا النطاق دعمها.

عروض توضيحية مؤتمتة ونماذج مفتوحة

يُنشئ التعلم المعزز وتخطيط الحركة مهارات للمهام القصيرة في Isaac Lab من Nvidia. ويمكن أن يستند توليد المهارات إلى الحالة الداخلية الكاملة للمحاكي، بما في ذلك المواقع والاتجاهات الدقيقة للكتل، بدلًا من تقديرات الكاميرا، ما يؤتمت سلوكيات كانت ستتطلب، لولا ذلك، التحكم عن بُعد بروبوت فعلي. بعد ذلك، يختار مخطِّط للمهام والحركة المهارات ويرتّبها لإنتاج عروض توضيحية موسومة. وتقول Ai2 إن مئات الخطط يمكن تنفيذها بالتوازي على وحدة معالجة رسومات واحدة، بسرعة تصل إلى 24 ضعف الزمن الحقيقي.

يمكن للباحثين ترجيح مزيج بيانات التدريب لصالح مهارات بعينها، وتقييم السياسات على مهام لم تُضمَّن في التدريب. وهذا يجعل مولّد البيانات أداةً لضبط التجارب، لا مجرد مصدر لمجموعات بيانات أكبر.

تُكتب الأهداف على هيئة مواصفات تخطيط بلغة PDDL في مستودع ToyBlocks، ما يتيح لنظام التقييم قياس إنجاز المهمة والتقدم المرحلي من دون الحاجة إلى مقاييس مصممة خصيصًا لكل مهمة. وتُخزّن العروض التوضيحية بتنسيق LeRobot. ويمكن في السياسة الهرمية استبدال أي من مستوييها بمرجع مثالي يقدّم خطة أو إجراءً صحيحًا، ما يساعد على التمييز بين القرارات الخاطئة وأخطاء التنفيذ الحركي. ويمكن أيضًا إعادة الحالات التي انتهت بالإخفاق إلى عملية توليد البيانات لإنتاج عروض توضيحية جديدة ومحاولات للتعافي.

تفيد Ai2 بأن الإصدار الأول يتضمن 85,336 عرضًا توضيحيًا لمهام طويلة الأفق، يتألف كل منها من نحو 6–12 عرضًا توضيحيًا للمهارات بحسب المجموعة، ويغطي ما يقارب 1,600 ساعة من تشغيل الروبوتات و144 مليون إطار. وتستخدم مجموعة البيانات العامة بيانات LeRobot بتنسيق Parquet، بموجب ترخيص ODC-BY، وتشمل مجموعات فرعية سهلة ومتوسطة وصعبة. أما الشيفرة الرئيسية فمرخّصة بموجب Apache-2.0؛ ولكل وحدة فرعية محددة وأصل مُنزّل ترخيصه الخاص.

تقسم بطاقات نماذج Ai2 السياسة المُصدرة إلى مستويين: يقرأ Molmo2-4B-tb، وهو نموذج يضم نحو 4.5 مليار معلمة، صورةً من الكاميرا الأمامية وهدفًا نصيًا، ثم ينتج خطة قصيرة وإجراءً تاليًا ونقطة هدف؛ أما ManiFlow-tb، الذي يضم 322.5 مليون معلمة، فيستخدم صورًا من الكاميرا الأمامية وصورًا من كاميرا المِمسك وحالة الروبوت ومعلومات المهمة وخريطة حرارية للهدف، لتوليد مجموعات من الإجراءات.

التعميم وتجارب الوكلاء

تشمل التجارب المكانية مهام التكديس وفك التكديس والقلب والتدوير، مع التمييز بين الاستيفاء ضمن نطاق التدريب والاستقراء إلى ما يتجاوزه. ومن الأمثلة على ذلك التدريب باستخدام كتل في منطقة من مساحة العمل، ثم الاختبار في منطقة أخرى، أو استبعاد ارتفاعات تكديس معينة من التدريب. وتفيد Ai2 بأن ManiFlow وπ0.5 وMolmoAct 2 أظهرت تعميمًا ضعيفًا في البداية، رغم التدريب المسبق واسع النطاق، وتخلص إلى أن تعميم نماذج الأفعال لا يزال بعيدًا عن الحل.

تكشف اختبارات الوكلاء عن نقطة ضعف مختلفة. وتقول Ai2 إن نظامها القائم على Claude Opus 5.5 حلّ جميع مهام تكديس الكتل الكلاسيكية الثلاثين انطلاقًا من أوصاف نصية، وكذلك المهام الثلاثين كلها عند اختيار الإجراءات ضمن حلقة مغلقة استنادًا إلى صور متكررة من الكاميرا. وفي مشاهد البحث وتكوين الكلمات، التي تضم ما يصل إلى ثماني كتل، لم يتوفر الحرف المطلوب في 50% من الحالات، وكان ينبغي تحديدها على أنها مستحيلة. حلّ الوكيل المهمة أو حدّد تعذّر تنفيذها على نحو صحيح في 63% من الحالات؛ وشكّل الالتباس بين الحروف المتشابهة 13%، بينما شكّل الاتجاه غير الصحيح للحرف 15%.

أتاحت تجربة ثالثة للوكيل اختبار سلوك غير متوقع للمهارات وصياغة أوصاف جديدة للمهارات استنادًا إلى النتائج. وتفيد Ai2 بأن هذه الأوصاف المتعلَّمة رفعت نسبة النجاح من 24% باستخدام الأوصاف الافتراضية إلى 63%، متجاوزةً نسبة 36% التي تحققت باستخدام أوصاف كتبها خبير بشري.

اختبارات الروبوتات الفعلية وحدودها

في التقييم الفعلي، شُغّلت نماذج دُرّبت بالكامل على بيانات محاكاة ToyBlocks، من دون أمثلة تدريب من العالم الحقيقي، على ذراع Franka FR3 مزودة بمِمسك Robotiq. واشتملت تشكيلات المشاهد الثلاثون على 4–10 كتل سبق للنماذج رؤيتها أثناء التدريب. ولم تُحتسب الحلقة ناجحة إلا إذا وصلت الكتل المعنية إلى الوضعيات المستهدفة من دون اصطدام؛ أما تدخل المشغّل بسبب حركة غير آمنة فاحتُسب إخفاقًا.

للحد من الفجوة بين المحاكاة والواقع، عايرت Ai2 احتكاك المفاصل وعزم القصور الذاتي للذراع في المحاكاة استنادًا إلى مسارات حركة فعلية. وعُشْوِئت أحجام الأجسام واحتكاكها وارتفاع الطاولة أثناء توليد البيانات، إلى جانب الإضاءة والخلفيات والمواد وإعدادات الكاميرا.

تفيد Ai2 بأن معدلات نجاح ManiFlow في المهارات الذرية بلغت 80.0% في المحاكاة و81.1% على الذراع الفعلية. ونجح نظام Molmo 2–ManiFlow الهرمي في 55.5% من الحلقات المحاكاة (111 من أصل 200)، وفي 50.0% من الحلقات الفعلية (15 من أصل 30).

تضع Ai2 هذه النتائج في سياقها من ناحيتين. فقد استُخدم في تقييم النظام الهرمي على أرض الواقع أبسط إعداد للمحاكاة، حيث كانت أحرف المكعبات ظاهرة ومستقيمة، ولا تزال هناك حاجة إلى تجارب إضافية لإثبات الثقة الإحصائية عبر المهام. كما تسجل بطاقة ManiFlow معدلات نجاح تراوحت بين 54% و59% في أربع جولات للحلقات المحاكاة الـ128 نفسها، لأن المحاكاة والاستدلال على دفعات لا ينتجان نتائج متطابقة على مستوى البتات.

تخطط Ai2 لإصدار ثانٍ يتضمن مجموعة بيانات أكبر، ومهارات أكثر، ومعايير تقييم أوسع، إلى جانب تدريب متكامل بالكامل بالتعلّم المعزز، وهو ما لا تتضمنه الحزمة الحالية. وتشمل التوجهات على المدى الأبعد التلاعب باستخدام ذراعين، وأيدٍ ماهرة مزودة بمستشعرات للقوة واللمس، والتفاعل مع أكوام مكعبات غير مرتبة.

لذلك، تتمثل الإضافة المباشرة لـToyBlocks في إتاحة التحكم التجريبي: إذ يمكن للباحثين تعديل مزيج بيانات التدريب، وفصل التخطيط عن التنفيذ، وإعادة توجيه حالات الإخفاق إلى توليد البيانات. كما ترسم النتائج الأولية حدود ما يمكن استنتاجه؛ فضعف التعميم في المحاكاة وضيق نطاق التقييم الفعلي يحدّان مما تثبته معدلات النقل المبكرة هذه بشأن تعلّم الروبوتات خارج عالم المكعبات.