← أحدث الأبحاث
🤖 machine learning

A Compositional Paradigm for Foundation Models: Towards Smarter Robotic Agents

تقترح هذه الورقة دمج مبادئ التعلم المستمر والتركيبية في النماذج التأسيسية للتغلب على قيودها في التكيف مع السيناريوهات الديناميكية في العالم الحقيقي، مما يتيح تطوير وكلاء روبوتيين أكثر مرونة وكفاءة وذكاءً.

المؤلفون الأصليون: Luigi Quarantiello, Elia Piccoli, Jack Bell, Malio Li, Giacomo Carfì, Eric Nuertey Coleman, Gerlando Gramaglia, Lanpei Li, Mauro Madeddu, Irene Testa, Vincenzo Lomonaco

نُشر 2026-07-31
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Luigi Quarantiello, Elia Piccoli, Jack Bell, Malio Li, Giacomo Carfì, Eric Nuertey Coleman, Gerlando Gramaglia, Lanpei Li, Mauro Madeddu, Irene Testa, Vincenzo Lomonaco

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 تحاول تعليم روبوت القيام بكل شيء، من صنع التوست إلى إصلاح صنبور يسرب الماء. لفترة طويلة، كانت أفضل طريقة للقيام بذلك هي بناء "عقل فائق" للروبوت — نموذج ضخم كلي المعرفة يتم تدريبه على تيرابايت من البيانات. فكر في هذا الأمر كأنك توظف عبقرياً قرأ كل كتاب في المكتبة وشاهد كل فيديو على الإنترنت. هذه "النماذج التأسيسية" ذكية للغاية؛ يمكنها الدردشة كالبشر، والتعرف على الصور، وحتى التحكم في أذرع الروبوت. لكن هناك مشكلة: فهي تشبه حقيبة ظهر ضخمة وثقيلة. بمجرد أن ترتديها، يصعب تغييرها. إذا احتاج الروبوت لتعلم مهارة جديدة تماماً، مثل فتح نوع معين من البرطمانات، فغالباً ما يتعين عليك خلع الحقيبة الضخمة بالكامل، وإعادة تدريب العبقري من الصفر ثم إعادتها. هذا يستغرق وقتاً طويلاً، ويستهلك الكثير من الكهرباء، وإذا نسي الروبوت كيفية صنع التوست أثناء تعلمه عن البرطمانات، فهذه مشكلة تُعرف باسم "النسيان الكارثي".

لحل هذه المشكلة، ينظر العلماء إلى فكرتين مختلفتين: "التعلم المستمر" و"التركيبية". التعلم المستمر يشبه طالباً لا يتوقف أبداً عن الدراسة؛ فهو يستمر في إضافة معارف جديدة إلى دماغه دون نسيان ما تعلمه سابقاً. أما التركيبية فهي تشبه البناء بقطع "الليغو" (LEGO). بدلاً من كتلة واحدة ضخمة من البلاستيك، لديك العديد من القطع الصغيرة المتخصصة. يمكنك تركيبها معاً بطرق مختلفة لبناء قلعة، أو سيارة، أو سفينة فضاء. إذا كنت بحاجة لتحويل السفينة إلى غواصة، يمكنك ببساطة استبدال بعض القطع بدلاً من صهر الكتلة بأكملها. السؤال الكبير هو: هل يمكننا استخدام قطع البناء الشبيهة بالليغو هذه لجعل الروبوتات أكثر ذكاءً، وأسرع، وأسهل في التحديث من حقائب الظهر الضخمة التي لدينا اليوم؟

تقترح هذه الورقة البحثية، بعنوان "نموذج تركيبي للنماذج التأسيسية: نحو وكلاء روبوتيين أكثر ذكاءً"، أن الإجابة هي نعم. يجادل المؤلفون بأن مجرد جعل نماذج الذكاء الاصطناعي أكبر وأكبر يوصلنا إلى طريق مسدود. هم يقترحون أنه بدلاً من تدريب نموذج واحد ضخم وصلب، يجب علينا بناء أنظمة تجمع بين أجزاء أصغر ومتخصصة. لقد اختبروا هذه الفكرة في عالمين مختلفين تماماً: التعرف على الصور والتحكم في أذرع الروبوت.

أولاً، نظروا في تصنيف الصور. تخيل أنك تعرض على كمبيوتر تدفقاً من أنواع مختلفة من الصور، مثل الطيور، والسيارات، والزهور، واحداً تلو الآخر. بدلاً من إعادة تدريب نظام رؤية الكمبيوتر بالكامل في كل مرة يظهر فيها نوع جديد من الصور، استخدم المؤلفون نهج "الليغو". لقد قاموا بتدريب وحدات صغيرة ومنفصلة (تسمى محولات LoRA) لكل مهمة جديدة. ثم استخدموا عملية دمج ذكية لتركيب هذه الوحدات معاً. وجدوا أن هذه الطريقة لم تكن أكثر دقة فحسب، بل كانت أيضاً أسرع بكثير في التدريب. في اختباراتهم على مجموعة بيانات تضم 50 مهمة مختلفة، وصلت طريقتهم "الليغو" إلى دقة قدرها 55.17%، متفوقة على الطرق الأخرى التي لم تتمكن إلا من تحقيق 47.56% أو 36.02%. والأفضل من ذلك، استغرق تدريبها 170.61 ثانية فقط، بينما استغرق المنافسون أكثر من 300 ثانية.

بعد ذلك، نقلوا هذه الفكرة إلى عالم الروبوتات الحقيقي. أرادوا معرفة ما إذا كان بإمكان الروبوت تعلم التعامل مع الأشياء دون الحاجة إلى كمبيوتر خارق. قاموا ببناء نظام يستخدم "محولات" صغيرة مدربة مسبقاً لتعديل دماغ الروبوت الحالي، مما يسمح له بالتكيف مع السياقات الجديدة فوراً. كانت النتائج مذهلة. في مهمة معالجة روبوتية، حققت طريقتهم خفيفة الوزن معدل نجاح قدره 0.91 (بمعنى أنها نجحت بنسبة 91%) وحققت مكافأة قدرها 0.60 لكل خطوة. في المقابل، فشلت النماذج الأكثر تعقيداً وشهرة مثل OpenVLA وInstructRL تماماً، حيث حققت معدل نجاح قدره 0.0. وبينما استغرق تدريب النماذج الثقيلة من 40 إلى 92 ساعة، أنجزت طريقتهم المهمة في 14 ساعة فقط.

تخلص الورقة البحثية إلى أنه لكي تصبح الروبوتات وكلاء أذكياء يمكنهم التعامل مع العالم الحقيقي الفوضوي والمتغير، يجب أن تتوقف عن كونها عمالقة ثابتة وتبدأ في كونها مجموعات مرنة من المهارات. من خلال الجمع بين هذه الأجزاء الصغيرة والفعالة، يمكننا إنشاء وكلاء يتعلمون أشياء جديدة دون نسيان القديم، كل ذلك مع استخدام طاقة ووقت أقل بكثير. إنه تحول من بناء "عقل فائق" واحد غير قابل للتغيير إلى تجميع فريق من الخبراء المتخصصين الذين يمكنهم العمل معاً، والتكيف فوراً، وحل المشكلات بمستوى من المرونة لم تستطع الطريقة القديمة مضاهاة مستواه.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →