تخيل أنك تسير في غرفة مليئة بالأشياء العشوائية: حبة فلفل، حذاء، مصباح، وصخرة مجوفة. الإنسان لا يرى مجرد "شيء أحمر" أو "شيء لامع". بل يعرف فوراً أن حبة الفلفل يمكن أن تحوي الماء، وأن الحذاء يمكن أن يكون مطرقة، وأن الصخرة يمكن أن تكون مقعداً. هذه القدرة الخارقة تسمى "الاستدلال على الإمكانات" (Affordance Reasoning). وهي القدرة على النظر إلى شيء ما وفهم ما يمكنك فعله به بناءً على مظهره وملمسه. لكي تتمكن الروبوتات من القيام بأي شيء مفيد في عالمنا الفوضوي — مثل صنع شطيرة أو تنظيف غرفة — فإنها تحتاج إلى هذه القدرة الخارقة نفسها. لا يمكنها فقط أن تُؤمر بـ "احمل الكوب"، بل يجب أن تدرك: "أوه، هذا الشيء الذي هناك هو كوب، لذا يمكنني استخدامه لشرب الماء"، حتى لو كان الكوب مخفياً جزئياً أو يبدو غريباً بعض الشيء.

المشكلة الكبيرة هي أن عقول الروبوتات الحالية إما أنها "غبية" جداً بحيث لا تستطيع استنتاج ذلك بمفردها، أو أنها ضخمة ومعقدة للغاية (مثل نماذج الذكاء الاصطناعي العملاقة) بحيث لا يمكنها الاستقرار داخل رأس الروبوت للعمل بسرعة. فهي إما ترتبك بسبب الكلمات أو تستغرق وقتاً طويلاً في التفكير. يقدم هذا البحث حلاً جديداً يسمى Afford-X. فكر في Afford-X كـ "دماغ روبوت ذكي ونحيف"، تم تدريبه خصيصاً للنظر إلى صورة ومهمة (مثل "جفف جسمك") والإشارة فوراً إلى الأداة الأنسب (مثل المنشفة)، مع تجاهل المشتتات. لقد صُمم ليكون صغيراً بما يكفي ليعمل على جهاز كمبيوتر محلي، وسريعاً بما يكفي للعمل في الوقت الفعلي، وذكياً بما يكفي للتعامل مع مواقف جديدة لم يسبق له رؤيتها.

المشكلة: الروبوتات التي يتشتت انتباهها بالأسماء

لفهم سبب أهمية هذا البحث، تخيل أنك تلعب لعبة "سيمون يقول" مع روبوت. قلت له: "نظف الزجاجة بشيء ما". قد ينظر الروبوت التقليدي إلى الصورة، ويرى زجاجة لامعة، فيقوم فوراً بالإمساك بالزجاجة. هنا يفشل، لأنه علق عند كلمة "زجاجة" (الاسم) بدلاً من فهم عملية "التنظيف" (الفعل). لقد اعتقد أن الزجاجة هي الأداة، وليست الشيء المراد تنظيفه. الأمر يشبه طالباً يقرأ كلمة "تفاحة" في مسألة رياضية عن سلطة الفواكه، ثم ينسى حل المسألة الرياضية نفسها.

غالباً ما تكون نماذج الذكاء الاصطناعي الحالية ضخمة جداً بحيث لا يمكن تشغيلها على الكمبيوتر المحلي للروبوت (فهي تحتاج إلى خوادم ضخمة)، أما النماذج الأصغر فهي غالباً "غبية" جداً بحيث لا تستطيع التمييز بين الأداة والهدف. إنها تفتقر إلى "المنطق السليم" لمعرفة أن المناديل تنظف الزجاجة، لكن الزجاجة لا تنظف نفسها.

الحل: Afford-X وحيلة "المعلم والتلميذ"

قام المؤلفون ببناء نظام جديد يسمى Affod-X. إنه يشبه نموذج ذكاء اصطناعي "نحيف" يمكنه العمل على جهاز محلي ولكنه ذكي بشكل مدهش. ولجعله ذكياً دون جعله ضخماً، استخدموا حيلة تدريب ذكية تسمى "تقطير المعرفة" (Knowledge Distillation).

تخيل طباخاً ماهراً (المعلم) يعرف بالضبط كيفية طهي وجبة مثالية. المعلم يعرف أسماء كل المكونات (مثل "أريكة" أو "كوب"). الآن، تخيل طباخاً مبتدئاً (التلميذ) يحاول التعلم ولكن لا يُسمح له بمعرفة الأسماء المحددة للمكونات بعد؛ هو يعرف فقط التعليمات مثل "اجلس براحة على شيء ما".

تعمل طريقة البحث كالتالي:

1. المعلم يتعلم باستخدام أسماء محددة (مثلاً: "اجلس على أريكة").
2. التلميذ يتعلم باستخدام كلمات غامضة (مثلاً: "اجلس على شيء ما").
3. المعلم لا يكتفي بإخبار التلميذ بالإجابة فحسب، بل يعلمه كيف يفكر. يقول له: "عندما ترى هذا الشكل وتسمع كلمة 'اجلس'، فكر في 'أريكة' حتى لو كنت لا تعرف الكلمة بعد".

هذا يسمح لـ (التلميذ) — وهو نموذج الروبوت النهائي — بفهم مفهوم الأداة دون الحاجة إلى قاعدة بيانات ضخمة لكل اسم من أسماء الأشياء. إنه يتعلم "إحساس" الشيء الصحيح.

السر الخفي: انتباه الفعل والاندماج الثنائي

للتأكد من أن الروبوت يركز على الفعل وليس فقط على الشيء، أضاف المؤلفون أداتين خاصتين لعقل الذكاء الاصطناعي:

• انتباه الفعل (Verb Attention - VA): هذا يشبه قلم التحديد لكلمات الأفعال. عندما يقرأ الروبوت "نظف الزجاجة"، تقوم وحدة VA بتسليط ضوء ساطع على كلمة "نظف". إنها تخبر الروبوت: "مهلاً، لا تنظر إلى الزجاجة فقط! ابحث عن شيء ينظف!". هذا يمنع الروبوت من التشتت بالشيء الأكثر وضوحاً في الصورة.
• الاندماج الثنائي (Bi-Fusion - BF): هذا عبارة عن محادثة ثنائية الاتجاه بين "عيون" الروبوت (الرؤية) و"عقله" (اللغة). بدلاً من مجرد دمج الصورة والكلمات معاً، تسمح هذه الوحدة لهما بالتحدث مع بعضهما البعض ذهاباً وإياباً. تقول العيون: "أنا أرى شيئاً ناعماً ومستطيلاً"، ويقول العقل: "هذا يبدو مثل منشفة للتجفيف". ثم يدمجان ملاحظاتهما لاتخاذ قرار مثالي.

ساحة التدريب: COCO-Aff و LVIS-Aff

لا يمكنك تعليم الروبوت أن يكون ذكياً دون إعطائه مكتبة ضخمة من الأمثلة. أنشأ المؤلفون مكتبتين جديدتين ضخمتين من البيانات تسمى COCO-Aff و LVIS-Aff.

اعتبر هذين المصدرين بمثابة "امتحانات تجريبية" ضخمة للروبوتات. فبدلاً من عرض صورة لكوب والسؤال "ما هذا؟"، تعرض هذه المجموعات صورة ومهمة مثل "اشرب الماء بـ"، وعلى الروبوت أن يجد الكوب.

• تحتوي COCO-Aff على حوالي 112,000 صورة و 1,144 مهمة مختلفة.
• أما LVIS-Aff فهي أكبر، حيث تضم 119,000 صورة و 1,496 مهمة، وتغطي أكثر من 1,000 نوع مختلف من الأشياء.

لقد استخدموا ذكاءً اصطناعياً ضخماً (GPT-4) للمساعدة في كتابة هذه الأسئلة التجريبية تلقائياً، مع التحقق من أن الإجابات منطقية. منح هذا الروبوت نطاقاً أوسع بكثير من التجارب للتعلم منها، مما ساعده على التعامل مع المواقف الجديدة والغريبة بشكل أفضل من ذي قبل.

النتائج: سريع، صغير، ودقيق

اختبر المؤلفون Aff-X في عوالم روبوتية محاكية (باستخدام بيئة افتراضية تشبه غرفة حقيقية). وإليكم ما وجدوه:

• السرعة: يتميز Aff-X بسرعة فائقة. يمكنه معالجة الصور بمعدل 2.38 إطار في الثانية (FPS). ولو وضعنا ذلك في الاعتبار، فهو أسرع بنحو 50 مرة من سؤال ذكاء اصطناعي ضخم قائم على السحابة (مثل GPT-4V) للقيام بنفس المهمة.
• الحجم: النموذج صغير جداً، حيث يحتوي على 187 مليون معلمة (parameter) فقط. وهذا يعني أنه يمكن تشغيله على كمبيوتر محلي دون الحاجة إلى مزارع خوادم ضخمة.
• الدقة: في الاختبارات، حسّن Aff-X الأداء بنسبة 12.1% مقارنة بأفضل الطرق السابقة التي لم تستخدم نماذج الذكاء الاصطناعي الضخمة. كما تفوق على عمل المؤلفين السابق بنسبة 1.2%.
• التعميم: عندما واجه الروبوت مهاماً لم يسبق له رؤيتها (باستخدام أشياء لم يكن يعرفها)، ظل يعمل بشكل جيد. فعلى سبيل المثال، في المهام الجديدة، حسّن دقته بنسبة تقارب 24% مقارنة بالنماذج المدربة على مجموعات بيانات أصغر.

يوم في حياة روبوت

لإثبات نجاحه، وضع المؤلفون Aff-X على ذراع روبوت محاكي. أعطوه مهمة مثل "اشرب الماء بـ".

1. نظر الروبوت إلى طاولة فوضوية تحتوي على زجاجة، وكوب، وكأس، وملعقة.
2. حدد Aff-X فوراً أن الكوب هو أفضل أداة، متجاهلاً الزجاجة (المخصصة للاحتواء وليس للشرب مباشرة) والملعقة.
3. بعد ذلك، خطط الروبوت لحركته ونجح في الإمساك بالكوب.

في اختبار معقد حيث كان على الروبوت "بناء مساحة عمل"، قام النظام بتفكيك المهمة الكبيرة إلى خطوات أصغر (ابحث عن طاولة، ابحث عن كرسي، ابحث عن مصباح) ونفذها واحدة تلو الأخرى. في هذه المحاكاة، نجح الروبوت في العثور على الشيء الصحيح بنسبة 86%، ونجح في الإمساك به بنسبة 45%. (كانت حالات الفشل تحدث عادة لأن ذراع الروبوت واجهت صعوبة في الإمساك بالأشياء الرفيعة والمسطحة مثل الملاعق، وليس لأنه اختار الشيء الخطأ).

لماذا يهم هذا الأمر؟

يوضح هذا البحث أنك لست بحاجة إلى ذكاء اصطناعي ضخم وبطيء يعتمد على السحابة لمنح الروبوت "المنطق السليم". فمن خلال استخدام نموذج ذكي ونحيف مدرب على النوع الصحيح من البيانات، يمكن للروبوتات فهم كيفية استخدام الأدوات في العالم الحقيقي بسرعة وكفاءة. وهذه خطوة حاسمة نحو روبوتات يمكنها حقاً مساعدتنا في منازلنا وأماكن عملنا، بدلاً من أن تظل عالقة في المختبر تنتظر من حاسوب خارق أن يملي عليها ما تفعله.

يعترف المؤلفون بأن الروبوت لا يزال يواجه بعض الصعوبات في المواقف المعقدة للغاية، مثل التمييز بين الكوب وحامل فرشاة الأسنان إذا كانا يبدوان متطابقين تماماً، أو التعامل مع الأشياء المخفية خلف أشياء أخرى. ولكن بالنسبة الآن، يثبت Aff-X أن امتلاك "دماغ روبوت" صغير وسريع وذكي هو أمر ممكن.