MiMo-Embodied: X-Embodied Foundation Model Technical Report
تقدم الورقة البحثية MiMo-Embodied، وهو أول نموذج تأسيسي مفتوح المصدر عابر للأجساس (cross-embodied) يحقق أداءً هو الأفضل في مجاله في كل من القيادة الذاتية والذكاء الاصطناي المادي (embodied AI) عبر الاستفادة من التعلم متعدد المراحل، والبيانات المنسقة، والضبط الدقيق باستخدام سلسلة الأفكار (CoT) والتعلم المعزز (RL) لإظهار انتقال إيجابي قوي بين هذين المجالين.
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 أن لديك طالبين مختلفين تماماً في فصل دراسي واحد.
- الطالب (أ) هو "خادم آلي" (Robot Butler). إنه بارع في التنقل داخل مطبخ فوضوي، ومعرفة أي جزء من الكوب يمكن الإمساك به، والتخطيط لكيفية طي قميص دون تجعيده. إنهم خبراء في "الذكاء الاصطناعي المجسد" (التفاعل مع الأشياء داخل غرفة).
- الطالب (ب) هو "سيارة ذاتية القيادة" (Self-Driving Car). هم خبراء في مراقبة الطريق، والتنبؤ بما إذا كان أحد المشاة سيعبر الطريق بشكل مفاجئ، واتخاذ قرار بشأن ما إذا كان يجب الكبح أو الانعطاف يساراً عند تقاطع مزدحم. إنهم خبراء في "القيادة الذاتية".
عادةً، تُعلّم المدارس هذين الطالبين بشكل منفصل؛ فالخادم الآلي لا يعرف كيف يقود، والسيارة ذاتية القيادة لا تعرف كيف تلتقط ملعقة.
إليك "MiMo-Embodied".
يقدم هذا البحث "طالباً خارقاً" جديداً ابتكرته شركة شاومي (Xiaomi). إنه أول نموذج مفتوح المصدر ينجح في دمج عقول "الخادم الآلي" و"السيارة ذاتية القيادة" في حزمة واحدة. فكر فيه كأنه "سكين سويسري" بارع في فتح زجاجة نبيذ بقدر براعته في التنقل عبر طريق سريع.
كيف صنعوا هذا الطالب الخارق؟
لم يقم الباحثون بمجرد دمج الاثنين معاً؛ بل استخدموا وصفة تدريب مكونة من أربع خطوات لضمان تعلم الطالب لكل شيء دون ارتباك:
- الخطوة 1: "فصل الغرفة": أولاً، علموا النموذج كل شيء عن الغرف، والأشياء، وكيفية التحرك داخل المنزل. استخدموا بيانات حول الروبوتات التي تلتقط الأشياء وتفهم أماكنها في الفضاء ثلاثي الأبعاد.
- الخطوة 2: "فصل الطريق": بعد ذلك، وضعوا نفس الطالب في محاكي قيادة. علموه قواعد إشارات المرور، والسيارات الأخرى، وكيف يتنبأ بما قد يفعله شاحنة تسير أمامه.
- الخطوة 3: "فصل التفكير بصوت عالٍ": هذا هو السر الحقيقي. بدلاً من إعطاء الإجابة فقط، تم تعليم النموذج التفكير بصوت عالٍ (سلسلة الأفكب - Chain-of-Thought). فقبل أن يقول "انعطف يساراً"، يتعلم أن يقول: "أرى ضوءاً أحمر، لذا يجب أن أتوقف. أرى سيارة تنعطف، لذا يجب أن أنتظر". هذا يساعد النموذج على فهم سبب اتخاذه للقرار.
- الخطوة 4: "فصل المدرب": أخيراً، استخدموا تقنية التعلم المعزز (مثل مدرب يعطي نقاطاً للعب الجيد وعقوبات للعب السيئ). لقد قام هذا بضبط النموذج بدقة فائقة، مما يضمن أنه لا يكتفي بالتخمين، بل يحسب الخطوة الأكثر أماناً ومنطقية.
ماذا يمكن لهذا الطالب الخارق أن يفعل؟
اختبر الباحثون MiMo-Embodied في 29 تحدياً مختلفاً (معايير قياس) ووجدوا أنه الأفضل في معظمها، متفوقاً على كل من الروبوتات المتخصصة والسيارات المتخصصة، وكذلك نماذج الذكاء الاصطناٍ التجاري الكبيرة.
في عالم "الخادم الآلي" (الذكاء الاصطناعي المجسد):
- توقع القدرة على الاستخدام (Affordance Prediction): إذا عرضت عليه صورة لكرسي، فهو لا يرى مجرد "كرسي". بل يرى "شيئاً يمكن الجلوس عليه" و"شيئاً يمكن الإمساك بذراعه". إنه يعرف بالضبط أين يلمس الشيء ليلتقطه.
- تخطيط المهام: إذا قلت له "أنا جائع، أحضر لي وجبة خفيفة"، يمكنه تقسيم ذلك إلى: اذهب إلى المطبخ -> افتح الثلاجة -> ابحث عن التفاحة -> أحضرها إلى هنا.
- الفهم المكاني: يعرف أن "النافذة" بعيدة، و"الطاولة" قريبة، و"القط" تحت الكرسي. يمكنه التنقل في الغرفة دون الاصطدام بالأشياء.
في عالم "السيارة ذاتية القيادة" (القيادة الذاتية):
- الإدراك البيئي: يمكنه النظر إلى مشهد شارع فوضوي ورصد إشارة مرور حمراء، ومشاة يخطون خارج الرصيف، وشاحنة متوقفة على جانب الطريق فوراً.
- توقع الحالة: يمكنه تخمين ما يدور في ذهن السائقين الآخرين. "تلك السيارة تتباطأ؛ ربما يريد الانعطاف". "ذلك المشاة ينتظر؛ هو على وشك العبور".
- تخطيط القيادة: هو لا يقود فحسب، بل يقود بأمان. يمكنه التخطيط لتغيير مسار سلس أو توقف لطيف، مع شرح أسبابه كما يفعل السائق البشري.
الاكتشاف الكبير: "التدريب المتقاطع" ينجح
الجزء الأكثر إثارة في البحث هو اكتشاف أن تعلم مهارة واحدة يساعد في المهارة الأخرى.
عادةً، كان الناس يعتقدون أن النموذج المدرب على بيانات القيادة سينسى كيفية التقاط كوب، وأن النموذج المدرب على الروبوتات سينسى كيفية القيادة. لكن MiMo-Embodied أثبت أن هذه المهارات في الواقع تعزز بعضها البعض.
- تعلم التنبؤ بمكان ذهاب السيارة يساعد النموذج على فهم كيفية تحرك الأشياء في الغرفة.
- تعلم كيفية تحديد كيفية الإمساك بمقبض يساعد النموذج على فهم القيود الفيزيائية لعجلة القيادة.
الخلاصة
إن MiMo-Embodied هو "نموذج أساسي" يعمل كعقل عالمي للآلات الفيزيائية. سواء كانت الآلة مكنسة روبوتية، أو روبوتاً بشرياً، أو سيارة ذاتية القيادة، يمكن لهذا النموذج الموحد أن يفهم العالم، ويخطط لأفعاله، وينفذها بأمان.
يزعم البحث أن هذه خطوة كبيرة للأمام لأنها تكسر الحاجز بين "الروبوتات الداخلية" و"السيارات الخارجية"، مما يظهر أن ذكاءً اصطناعياً واحداً موحداً يمكنه التعامل مع تعقيدات العالم المادي بأكمله. وقد جعلوا الكود والنموذج متاحين للجميع للاستخدام والدراسة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.