Towards Embodied Cognition in Robots via Spatially Grounded Synthetic Worlds
تقدم هذه الورقة مجموعة بيانات اصطناعية متاحة للعموم تم إنشاؤها في منصة NVIDIA Omniverse لتدريب نماذج الرؤية واللغة على الاستدلال المكاني واتخاذ المنظور البصري، مما يمثل خطوة تأسيسية نحو الإدراك المتجسد في التفاعل بين الإنسان والروبوت.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تلعب لعبة الغميضة مع صديق لك في غرفة معيشة ضخمة ومزدحمة. أنت مختبئ خلف الأريكة، وصديقك يقف عند الباب. إذا صرخت: "أنا أرى الكرة الحمراء على يساري!"، فعلى صديقك أن يقوم بشيء صعب للغاية: لا يمكنه مجرد النظر إلى اليسار من مكانه، بل عليه أن يضع نفسه مكانك ذهنياً، ويدور ليرى الغرفة من زاويتك، ثم يكتشف أين تقع تلك الكرة الحمراء بالنسبة له. هذه الجمباز الذهني يسمى "تبني المنظور البصري". إنه قوة خارقة يمتلكها البشر تتيح لهم فهم ما يراه الآخرون، ويفكرون فيه، ويشعرون به. ولكي تتمكن الروبوتات من مرافقتنا حقاً، أو اللعب معنا، أو مساعدتنا في منازلنا، فإنها تحتاج إلى هذه القوة الخارقة نفسها. في الوقت الحالي، غالباً ما تكون الروبوتات مثل أشخاص لا يستطيعون رؤية العالم إلا من أعينهم الخاصة؛ فهي تجد صعوبة في فهم أن "اليسار" بالنسبة لها قد يكون "اليمين" بالنسبة لك. تغوص هذه الورقة البحثية في عالم الذكاء الاصطناعي (AI) لترى ما إذا كان بإمكاننا تعليم الروبوتات القيام بعملية الدوران الذهني هذه، وتحديداً باستخدام نوع خاص من بيانات التدريب التي تعمل كأنها محاكي لألعاب الفيديو.
يعمل الباحثون وراء هذه الورقة، جويل كوري وفريقه، على معالجة مشكلة محددة: الروبوتات والأدمغة الاصطناعية التي تقودها بارعة في التعرف على الأشياء، لكنها سيئة جداً في فهم مكان تلك الأشياء بالضبط في الفضاء ثلاثي الأبعاد، خاصة عند النظر إليها من زوايا مختلفة. وبينما تستخدم بعض أساليب الروبوتات القديمة قواعد رياضية جامدة لتحديد المساحة، يقترح الفريق أن "نماذج الرؤية واللغة" الحديثة (وهي ذكاء اصطناعي يمكنه رؤية الصور وقراءة النصوص) قد تكون هي المستقبل، ولكن فقط إذا استطعنا تعليمها بشكل أفضل. وتجادل الورقة بأن هذه النماذج الذكية تفشل حالياً في التفكير المكاني ليس لأنها "غبية"، بل لأنها لم تُدرب على قدر كافٍ من البيانات التي تربط بدقة بين شكل الشيء ومكانه بالضبط.
ولإصلاح ذلك، أنشأ الفريق "صالة تدريب" جديدة تماماً للروبوتات، ولكن بدلاً من غرفة حقيقية، بنوا واحدة رقمية داخل محرك ألعاب فيديو قوي يسمى NVIDIA Omniverse. فكر في الأمر كأنه صندوق رمال رقمي حيث يمكنهم وضع مكعب واحد، مضغوط قليلاً، والتقاط صورة له من كاميرا بارتفاع عشوائي، وكتابة جملة تصفه. الجزء السحري هو أنه بما أنهم بنوا هذا العالم داخل كمبيوتر، فهم يعرفون الرياضيات الدقيقة لمكان المكعب، وصولاً إلى المليمتر. لقد أنشأوا مجموعة بيانات مليئة بهذه المشاهد، تجمع بين صورة، ونص وصفي، و"مصفوفة تحويل 4×4" دقيقة (وهي شبكة رياضية متطورة تخبرك بالضبط كيف يتم تحديد موقع الكائن).
في هذه التجربة الأولى، لم يطلب الفريق من الذكاء الاصطناعي حل لغز الفضاء ثلاثي الأبعاد بالكامل دفعة واحدة. بدلاً من ذلك، ركزوا على مهارة أساسية أبسط: تخمين مدى بعد الكائن على طول محور Z (خط العمق بالنسبة للكاميرا)، مع إبقاء كل شيء آخر ثابتاً. إنهم يريدون معرفة ما إذا كان بإمكان الذكاء الاصطناعي النظر إلى الصورة والوصف وتخمين تلك المسافة بشكل صحيح. إذا استطاع الذكاء الاصطناعي تعلم ذلك في عالمهم الاصطناعي المثالي، فإن الأمل هو أنه سيتعلم في النهاية كيفية التعامل مع التعقيد الكامل والفوضوي لغرفة حقيقية. تقدم الورقة هذا كـ "إثبات للمفهوم"، مما يعني أنه اختبار في مرحلة مبكرة لمعرفة ما إذا كانت الفكرة ناجحة. هم لا يدعون أنهم حلوا مشكلة ذكاء الروبوتات اليوم؛ بل إنهم يضعون اللبنة الأولى في بناء الأساس. لقد جعلوا مجموعة البيانات هذه عامة ليتمكن العلماء الآخرون من استخدامها لتدريب روبوتاتهم، بهدف الوصول إلى مستقبل يمكن للروبوتات فيه أن تفهم حقاً "ما يراه الآخرون" وتتنقل في عالمنا بنفس الوعي المكاني الذي نعتبره أمراً بديهياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.