تجمع Machenta تمويلاً تأسيسياً بقيمة 40 مليون دولار لتعليم الروبوتات مهاماً جديدة من عرض توضيحي واحد

قد يستغرق تعليم الروبوت مهمة جديدة وقتاً أطول بكثير من إنجاز المهمة نفسها. فجمع العروض التوضيحية، وإعداد بيانات التدريب، وتحديث النموذج، قد يحوّل تغييراً بسيطاً في سير العمل إلى مشروع هندسي ضخم. وقد جمعت Machenta جولة تمويل تأسيسية بقيمة 40 مليون دولار لتقصير هذه العملية، إذ تعمل على تطوير نموذج تأسيسي للروبوتات مصمم لاكتساب مهمة مادية من عرض توضيحي واحد، دون تدريب إضافي خاص بالمهمة.

أعلنت الشركة اللندنية عن التمويل في 27 أكتوبر، بقيادة مشتركة من Creandum وUnion Square Ventures. وستستخدم رأس المال لتوسيع نطاق نموذجها وزيادة فريقها في مكتبها ومختبرها الجديدين في King’s Cross.

تصف Machenta نهجها بأنه «التعلّم الفوري للروبوتات». وتقول الشركة إنها عرضت التقنية في مهام التعبئة والتجميع والترتيب، حيث تكيفت الروبوتات مع الاختلافات بعد أن شاهدت مرة واحدة ما ينبغي لها فعله. والطموح واسع النطاق، لكن ينبغي النظر إلى الأدلة بوصفها عروضاً توضيحية لتقنية قيد التطوير، لا دليلاً على أن الروبوت يستطيع بالفعل أداء كل مهمة ممكنة.

تعلّم مهمة جديدة دون دورة تدريب جديدة

يكمن الفارق الأساسي بين تدريب نموذج وتعليم نموذج مدرَّب مسبقاً أداء مهمة معينة. وما زالت Machenta تدرّب نموذجها التأسيسي. أما ما تسعى إلى الاستغناء عنه فهو الحاجة إلى جمع مجموعة بيانات جديدة كبيرة وإجراء دورة تدريب أخرى في كل مرة يواجه فيها الروبوت مهمة جديدة.

قال الأستاذ Edward Johns، الشريك المؤسس والرئيس التنفيذي لـ Machenta، في الإعلان: «لا يتعلق الذكاء كثيراً بما تستطيع فعله بالفعل، بل بسرعة تعلّمك كيفية فعل شيء جديد».

سير العمل المقترح بسيط عمداً: اعرض السلوك المطلوب، ودع الروبوت يراقبه، ثم اطلب منه تنفيذ المهمة. ومن شأن ذلك عملياً أن يجعل العرض التوضيحي جزءاً من التعليمات المقدمة إلى نموذج قائم، بدلاً من أن يكون بداية مشروع منفصل لتطوير نموذج.

وهذا مهم بصفة خاصة عندما تظل المهمة متشابهة إلى حد كبير، لكن الأشياء أو ترتيبها يتغيران. فالروبوت الذي لا يستطيع سوى تكرار تسلسل ثابت يحتاج إلى أن تتوافق البيئة مع برنامجه. أما نظام التعلّم الفعّال، فعليه أن يحدد ما الذي يطلب العرض التوضيحي منه إنجازه، وأن يكيّف أفعاله مع الوضع القائم أمامه.

استخدام المحاكاة لتدريب القدرة على التعلّم

تنقل استراتيجية Machenta التدريبية جانباً كبيراً من عبء توليد البيانات إلى المحاكاة. ووفقاً للبيان، ليس الهدف حصر كل مهمة قد يواجهها الروبوت مستقبلاً، بل تعريض النموذج لعدد كافٍ من السيناريوهات المتنوعة كي يكتسب قدرة قابلة لإعادة الاستخدام على التعلّم من مثال جديد.

وهذا يغيّر مصدر النمو الذي تتوقعه الشركة. فكثير من الجهود المبذولة لتعليم الروبوتات تعتمد اعتماداً كبيراً على جمع عروض توضيحية فعلية عبر التشغيل عن بُعد أو تسجيلات الأنشطة البشرية. وتعوّل Machenta على أن توفر الخبرات المحاكية التنوع اللازم لتعلّم مهام جديدة، فيما يقدّم العرض التوضيحي الفعلي التعليمات عند نشر النظام.

يصف المقدمة التقنية النظام بأنه نموذج للرؤية والعرض التوضيحي والفعل، أو VDA. ويتلقى عرضاً توضيحياً ومشاهدات مستمرة من الكاميرا بوصفها مدخلات، ثم يتنبأ بأفعال ضمن حلقة مغلقة. وتقول الشركة إن التدريب المسبق للنموذج يعتمد على المحاكاة وحدها؛ أما المثال التعليمي والمشاهدات المباشرة فهما مدخلان من العالم الحقيقي وقت الاستدلال.

وهذا فارق مهم: فالتدريب المسبق المعتمد على المحاكاة وحدها لا يعني أن الروبوت المنشور يعمل من دون معلومات من العالم الحقيقي. إذ لا يزال عليه تفسير العرض التوضيحي، ومراقبة بيئته، واختيار الأفعال مع تغيّر الظروف.

الأبحاث وراء تعلّم الروبوتات ضمن السياق

تستند الشركة إلى أبحاث أجراها Johns والشريك المؤسس والمدير التقني Vitalis Vosylius في Imperial College London. ويشغل Johns منصب أستاذ تعلّم الروبوتات في Imperial، وقد طوّر الاثنان أساليب سابقة لتعلّم السلوكيات المادية من عدد قليل من الأمثلة.

يصف بحثهما حول السياسات الفورية، المنشور في ICLR 2025، التعلّم بالتقليد ضمن السياق انطلاقاً من عرض توضيحي واحد أو عرضين، دون تدريب إضافي. ويمثّل البحث العروض التوضيحية والمشاهدات والأفعال باستخدام رسم بياني، ويستخدم عملية انتشار متعلَّمة لتوليد بنية الرسم البياني اللازمة للتنبؤ بالأفعال.

وتصف الورقة البحثية أيضاً التدريب باستخدام عروض توضيحية اصطناعية: مسارات تُولَّد في المحاكاة لتوفير مجموعة كبيرة من الأمثلة. وتشمل التجارب مهام محاكية وأخرى فعلية، إلى جانب أعمال إضافية تتناول نقل التعلّم بين هياكل الروبوتات المختلفة والتعليمات المحددة باللغة.

يساعد هذا البحث على توضيح الأساس العلمي، لكنه لا يثبت أن النموذج التجاري الحالي لـ Machenta يتبع البنية نفسها تماماً. وتصف الشركة الناشئة النظام الأحدث بأنه نموذج تأسيسي مستند إلى هذا المسار البحثي.

التعلّم ضمن السياق مألوف في نماذج اللغة، إذ يمكن للأمثلة الواردة في موجّه أن تؤثر في الاستجابة من دون تحديث أوزان النموذج. لكن تطبيق هذه الفكرة على الروبوتات أكثر تطلباً، لأن الناتج يجب أن يتحول إلى سلسلة من الأفعال المادية الخاضعة لقيود العالم الحقيقي، لا أن يقتصر على إجابة تبدو معقولة.

ما الذي تثبته العروض التوضيحية، وما الذي لا يزال بحاجة إلى الاختبار

يفيد المنشور التقني لشركة Machenta بأنها أجرت تجارب استمرت ساعة على ثلاث مهام بسيطة تعيد ضبط نفسها تلقائيًا: وضع الكتل بنجاح في 74 محاولة من أصل 74، وتسليم مفك البراغي في 78 محاولة من أصل 78، ووضع الزجاجة في وضع قائم بنجاح في 97 محاولة من أصل 99. وتعزو الشركة إخفاق المحاولتين في وضع الزجاجة إلى مخاطر الاصطدام والقيود الحركية.

تمثل هذه الاختبارات مؤشرات أولية مفيدة على الموثوقية، لكنها لا ترقى إلى مستوى معيار صناعي واسع النطاق. ويعرض المنشور أيضًا التعلّم مباشرةً من أيدي البشر والعمل بأيدٍ روبوتية شبيهة بأيدي البشر بوصفهما اتجاهين أوليين. ولا يثبت ذلك القدرة على تنفيذ جميع المهام أو تحقيق أداء موثوق في كل بيئة عمل.

بالنسبة إلى المستخدم المحتمل، تشمل الفجوة بين عرض توضيحي مقنع ونظام قابل للتشغيل الفعلي القدرة على التكرار، والتعافي من الإخفاق، والتصرف بأمان في محيط الأشخاص، والحدود العملية لأجهزة الروبوت. فالتعلّم السريع للتعليمات لا يمكّن المِلقط من التعامل مع جسم لا يستطيع إمساكه ماديًا.

ومع ذلك، تبدو الفرصة التجارية واضحة. فإذا انخفض وقت تعليم الروبوتات انخفاضًا كبيرًا، يصبح من الأسهل التفكير في استخدامها لأعمال تتغير بوتيرة تحول دون تبرير برمجتها ودمجها على مدى طويل. وقد يؤثر ذلك في نشرها داخل المصانع، وكذلك في التطبيقات الأصغر نطاقًا التي يصعب فيها الحصول على دعم متخصص في مجال الروبوتات.

جولة تمويل أولي لتوسيع نطاق النموذج والفريق

تنضم Machenta إلى موجة أوسع من الاستثمارات في الذكاء الروبوتي القابل للتكيف. ويعرض ما نشرته Unite.AI عن تمويل Dream Labs للذكاء الاصطناعي العابر للروبوتات مسعى آخر لجعل القدرات المكتسبة مفيدة عبر آلات مختلفة. وينصب تركيز Machenta على مدى سرعة تحول تعليمات جديدة لتنفيذ عمل مادي إلى سلوك قابل للاستخدام.

أشارت Kathi Wilhelm، الشريكة في Creandum، إلى سنوات البحث التي أمضاها الفريق قبل تأسيس الشركة. وشددت Rebecca Kaden، الشريكة الإدارية في Union Square Ventures، على قيمة الروبوتات التي تستطيع تعلم مهمة جديدة بسرعة، بدلًا من الحاجة إلى تدريب منفصل لكل وظيفة.

تتمثل المرحلة التالية لشركة Machenta في تحويل هذه القاعدة البحثية إلى قدرات أوسع نطاقًا وأكثر موثوقية. ويوفر مبلغ 40 مليون دولار للشركة موارد لتوسيع نطاق النموذج واستقطاب الكفاءات حوله، فيما يجلب فريقها المؤسس إلى الشركة خبرة ست سنوات في العمل على تعلّم الروبوتات من عرض واحد.

يتمثل السؤال الأساسي في مدى قابلية سلوك التعلّم هذا للتوسع مع ازدياد تنوع المهام وصعوبتها. وإذا صمد هذا النهج، فسيكون التغيير الأهم عمليًا: إذ قد يقضي الناس وقتًا أقل في إنشاء مسار للتدريب، ووقتًا أطول في عرض العمل الذي يحتاجون فعلًا إلى إنجازه على الروبوت.