💻 computer science

EmbodiedClaw: Conversational Workflow Execution for Embodied AI Development

تقدم الورقة البحثية EmbodiedClaw، وهو وكيل محادثة يعمل على أتمتة سير عمل تطوير الذكاء الاصطناعي المتجسد المعقد وعالي التكلفة — مثل بناء البيئات، وتوليد المسارات، وتقييم النماذج — من خلال ترجمة الأهداف المكتوبة باللغة الطبيعية إلى إجراءات قابلة للتنفيذ، مما يقلل بشكل كبير من الجهد الهندسي اليدوي مع تعزيز الاتساق وقابلية التكرار.

المؤلفون الأصليون: Xueyang Zhou, Yihan Sun, Xijie Gong, Guiyao Tie, Pan Zhou, Lichao Sun, Yongchao Chen

نُشر 2026-04-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xueyang Zhou, Yihan Sun, Xijie Gong, Guiyao Tie, Pan Zhou, Lichao Sun, Yongchao Chen

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 طاهٍ يرغب في ابتكار طبق جديد ومعقد. في عالم الذكاء الاصطناعي المتجسد (الروبوتات التي تتفاعل مع العالم المادي)، يشبه الباحثون حالياً الطهاة الذين يتعين عليهم:

بناء مطبخهم الخاص من الصفر.
زراعة خضرواتهم بأنفسهم.
صهر سكاكينهم الخاصة.
كتابة كتاب وصفاتهم الخاص.
تذوق الطعام، وإدراك أنه قد احترق، ثم البدء من جديد.

هذا الأمر بطيء للغاية، ومكلف، ومحبط. ففي كل مرة يريد فيها الباحث اختبار فكرة جديدة، يضطر لقضاء أيام كاملة فقط في إعداد "المطبخ" (بيئة المحاكاة) وجمع "المكونات" (البيانات) قبل أن يتمكن حتى من البدء في الطهي (تدريب الروبوت).

إليك "EmbodiedClaw".

فكر في "EmbodiedClaw" كأنه مساعد شيف خارق يتحدث لغتك. بدلاً من أن تقوم أنت ببناء المطبخ وتقطيع الخضروات بنفسك، ما عليك سوى أن تقول: "أريد مطبخاً به طاولة حمراء، وذراع روبوت يمكنها التقاط التفاح، وأحتاج إلى 1,000 فيديو وهي تفعل ذلك".

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. "المحادثة السحرية" (الواجهة)

في الماضي، كان التحدث مع نظام روبوت يتطلب معرفة أكواد حاسوبية معقدة ومصطلحات تقنية محددة. كان الأمر يشبه محاولة طلب وجبة عبر التحدث فقط باستخدام رسومات هندسية تقنية.
يغير EmbodiedClaw هذا إلى محادثة طبيعية. يمكنك الدردشة معه ببساطة. يمكنك قول: "اجعل الغرفة أكثر عتمة"، أو "غير يد الروبوت إلى مخلب"، وهو سيفهم تماماً ما تعنيه. إنه يترجم كلماتك العادية إلى التعليمات التقنية الصارمة التي يحتاج الروبوت لسماعها.

2. "الأوعية السحرية الثلاثة" (الكائنات الأساسية)

ينظم النظام عملية بناء الروبوت بأكمل لتصبح ضمن ثلاثة أوعية رئيسية، تماماً كما ينظم الشيف محطة عمله:

المطبخ (بيئات المحاكاة): هذا هو المكان الذي يعيش فيه الروبوت. يمكن لـ EmbodledClaw بناء غرف جديدة، أو تغيير الإضاءة، أو إضافة أثاث بمجرد طلبك لذلك.
المكونات (البيانات/المسارات): تحتاج الروبوتات إلى "مشاهدة" البشر أو الروبوتات الأخرى للتعلم. يقوم EmbodiedClaw تلقائياً بتسجيل آلاف جولات التدريب (مثل كاميرا فيديو تسجل شيفاً يقطع البصل) ويحفظها بالتنسيق المثالي.
الوصفة (النماذج): هذا هو عقل الروبوت. يمكن لـ EmbodiedClaw أخذ تلك المكونات، وخلطها في وصفة تدريب، وطهي النموذج، ثم تذوقه ليرى ما إذا كان جيداً.

3. "شبكة الأمان" (التحقق)

أحد أكبر المشاكل في الذكاء الاصطناعي هو أنه غالباً ما يحاول القيام بشيء ما، فيفشل، مما يؤدي إلى تعطل النظام بالكامل.
يحتوي EmbodiedClaw على مفتش مراقبة جودة مدمج. بعد كل خطوة (مثل "حرك الطاولة" أو "سجل الفيديو")، يتحقق من: "هل نجح هذا حقاً؟ هل الطاولة موجودة بالفعل؟"

إذا كانت الإجابة بنعم، ينتقل إلى الخطوة التالية.
إذا كانت لا، فإنه يقوم فوراً بإصلاح الخطأ أو العودة إلى آخر نقطة آمنة، بدلاً من ترك المشروع بأكمله ينهار. إنه يشبه مساعد الشيف الذي يتذوق الصلصة قبل تقديمها للزبون.

4. "المحول العالمي" (التكيف مع المنصات)

تخيل لو كان عليك تعلم لغة جديدة في كل مرة تزور فيها مطعماً مختلفاً. هذا ما يفعله الباحثون الآن؛ فكل محاكي روبوت (مثل Isaac Gym أو SAPIEN وغيرها) يتحدث "لهجة" مختلفة.
يعمل EmbodledClaw كـ مترجم عالمي. تعطيه أمراً واحداً، وهو يفهم تلقائياً كيفية التحدث باللغة المحددة لمحاكي الروبوت الذي تستخدمه. لست بحاجة لمعرفة الاختلافات؛ فالنظام يتولى عملية الترجمة.

لماذا يهم هذا؟ (النتائج)

اختبرت الورقة البحثية هذا النظام مقابل خبراء بشريين وأدوات برمجة ذكاء اصطناعي أخرى.

السرعة: المهام التي استغرقت من الخبراء البشر 200 دقيقة (أكثر من 3 ساعات) أنجزها EmbodiedClaw في 23 دقيقة. هذه توفير في الوقت بنسبة 88%!
الموثوقية: بينما غالباً ما ترتبك أدوات الذكاء الاصطنا الأخرى وتنتج أكواداً معطلة، نجح EmbodiedClaw في المهمات بنفس وتيرة الخبراء البشريين تقريباً لأنه يدقق في عمله.
سهولة الوصول: يتيح للباحثين الذين يمتلكون أفكاراً عظيمة ولكنهم ليسوا بارعين في البرمجة (أو مجرد متعبين من البرمجة) بناء تجارب روبوتية معقدة بسرعة.

الخلاصة

إن EmbodiedClaw ينقل المجال من "العمل اليدوي" إلى "المحادثة". إنه يحول العمل الهندسي الممل والمتكرر لبناء عوالم الروبوتات إلى دردشة بسيطة. بدلاً من قضاء أسابيع في بناء المختبر، يمكن للباحثين الآن قضاء وقتهم في ابتكار طرق جديدة لكيفية تفكير الروبوتات وتحركها. إنه الفرق بين بناء سيارة يدوياً، برغياً تلو الآخر، وبين مجرد إخبار روبوت مصنع: "اصنع لي سيارة رياضية حمراء".

إليك ملخص تقني مفصل لورقة البحث بعنوان "EmbodiedClaw: التنفيذ الحواري لسير عمل الذكاء الاصطنا संबंधी (Embodied AI) للتطوير".

1. بيان المشكلة

ينتقل بحث الذكاء الاصطناً لدى الجسم (Embodied AI) من النماذج الأولية أحادية المهمة والبيئة إلى تطوير معقد متعدد المهام، متعدد المشاهد، ومتعدد النماذج. وقد خلق هذا التحول عقبة كبيرة: الأعباء الهندسية الإضافية. يقضي الباحثون حالياً وقتاً مفرطاً في مهام متكررة وعالية التكلفة مثل:

بناء وتعديل بيئات المحاكاة.
جمع وتحويل بيانات المسارات (Trajectories).
تدريب وتقييم النماذج عبر منصات مختلفة.
تكييف الأكواد والأصول (Assets) لتناسب محاكيات محددة (مثل AI2-THOR، وHabitat، وManiSkill3).

تفشل أدوات الأتمتة الحالية (مثل الوكلاء للأغراض العامة أو سكربتات الأتمتة المعزولة) في معالجة ذلك لأنها تفتقر إلى المعرفة المتخصصة بالمجال المطلوبة للتعامل مع الطبيعة المهيكلة والمعتمدة على الأدوات لسير عمل الذكاء الاصطناً لدى الجسم. فهي غالباً ما تنتج أكواداً تبدو منطقية ولكنها غير قابلة للتنفيذ أو إعادة الإنتاج في بيئات محاكاة محددة.

2. المنهجية: EmbodiedClaw

يقترح المؤلفون نظام EmbodiedClaw، وهو وكيل حواري يترجم نوايا المستخدم عالية المستوى إلى سير عمل تنفيذي متكامل (End-to-End).

الصياغة الجوهرية

يصيغ النظام تطوير الذكاء الاصطناً لدى الجسم حول ثلاثة كائنات تشغيلية:

بيئات المحاكاة ( $o^S$ ): حالة المحاكي (المشاهد، الروبوتات، الأشياء).
البيانات ( $o^D$ ): المسارات، مجموعات البيانات، وعينات التدريب.
النماذج ( $o^M$ ): كود النموذج، الأوزان (Weights)، وحالات التقييم.

يعمل النظام في حلقة مغلقة حيث يقوم، بناءً على سياق الحوار $c_t$ ومدخل المستخدم $x_t$ ، باستنتاج تمثيل النية $z^I_t$ وتخليق سير عمل $\pi_t$ لتحديث هذه الكائنات. الهدف هو تقليل الجهد الهندسي البشري وتكلفة تنفيذ النظام مع تعظيم التوافق مع هدف المستخدم.

بنية النظام

يتكون EmbodiedClaw من أربع وحدات رئيسية:

فهم النوايا: يحول طلبات اللغة الطبيعية (التي قد تكون ناقصة التحديد) إلى تمثيلات بنية للنية ( $z^I_t$ ) ويحدد كائنات التشغيل المستهدفة. يقوم بعملية "ربط الكائنات" (Object Grounding) لحل الإشارات إلى مشاهد أو روبوتات أو مجموعات بيانات محددة وتحويلها إلى مراجع قابلة للتنفيذ.
تنسيق سير العمل (Workflow Orchestration): يولد تسلسلاً من المهارات ( $\pi_t$ ) من مكتبة مهارات قابلة لإعادة الاستخدام. هذه المهارات هي تحويلات مجردة (مثل "تعديل المشهد"، "جمع مسار") تحدد ما يجب القيام به، وليس كيفية القيام به.
التنفيذ القائم على المهارة: يربط المهارات المجردة بإجراءات ملموسة خاصة بالمنصة (استدعاءات API، استدعاء السكربتات، التحكم في المحاكي). تتعامل هذه الطبقة مع التباين بين المحاكيات المختلفة وتنسيقات الأصول.
تكييف الأصول والمنصات: يعامل الأصول والخلفيات (Backends) كأطر سياقية قابلة للاستبدال. يدعم الربط بمكتبات موجودة أو تحميل وتسجيل أصول ثلاثية الأبعاد من أطراف ثالثة تلقائياً.
التحقق من الحلقة المغلقة: بعد تنفيذ كل مهارة، يتحقق "المُحقّق" (Verifier) من الحالة. إذا فشلت خطوة ما، يمكن للنظام التراجع، وتشخيص الخطأ، وإعادة التخطيط (على سبيل المثال، عبر إصلاح الوسائط أو استبدال الأدوات)، مما يضمن المتانة في المهام طويلة المدى.

3. المساهمات الرئيسية

نموذج جديد للذكاء الاصطناً لدى الجسم: تقترح الورقة توحيد الأنشطة الهندسية عالية التكرار (تخليق البيئة، جمع البيانات، نشر النماذج) في فئة من مهارات التطوير القابلة للتنفيذ والموجهة حوارياً. وهذا ينقل سير العمل من الربط اليدوي للأدوات إلى التنفيذ عبر اللغة الطبيعية.
نظام EmbodiedClaw: وكيل مدفوع بالحوار يدعم عمليات عشوائية على بيئات المحاكاة، والبيانات، والنماذج. إنه يسد الفجوة بين النوايا عالية المستوى وتنفيذ المحاكي منخفض المستوى.
الكفاءة والموثوقية: يضغط النظام سير العمل الذي كان يتطلب سابقاً أياماً من الجهد اليدوي إلى ساعات، مع الحفاظ على دقة تضاهي الخبراء البشريين.

4. النتائج التجريبية

تم تقييم النظام على منصة RoboTwin عبر أربع مهام أساسية: من الصورة إلى المحاكاة (Image-to-Simulation)، من التعديل إلى المحاكاة (Revision-to-Simulation)، من المحاكاة إلى البيانات (Simulation-to-Data)، وتقييم نماذج VLA (الرؤية-اللغة-الفعل).

الكفاءة:
- تفوق EmbodiedClaw بشكل كبير على كل من "غير المتخصصين" (الباحثين غير الخبراء) و"الخبراء" (باحثي الدكتوراه) في وقت إنجاز المهام.
- من المحاكاة إلى البيانات: قلل الوقت من ~200 دقيقة (خبير) إلى 23.4 دقيقة (تحسن بنسبة ~88%).
- تقييم VLA: قلل الوقت من ~200 دقيقة إلى 122 دقيقة (تحسن بنسبة ~39%).
- كما تفوق أيضاً على وكلاء البرمجة للأغراض العامة (مثل Claude Code) في الكفاءة للمهام المعقدة متعددة الخطوات للذكاء الاصطناً لدى الجسم.
الدقة والقابلية للتنفيذ:
- حقق EmbodiedClaw دقة بمستوى الخبراء (0.9–1.0) عبر جميع المهام.
- في المقابل، عانى الوكلاء للأغراض العامة (مثل Claude Code) بشكل كبير (على سبيل المثال، 0.2 دقة في مهمة "من المحاكاة إلى البيانات"، و0.0 في "تقييم VLA") بسبب نقص الربط بالمجال واتساق سير العمل.
- أظهر النظام قدرة فائقة على التعامل مع المراحل المعتمدة على بعضها (على سبيل المثال، ضمان مطابقة تنسيقات البيانات لمتطلبات النموذج) دون تدخل يدوي.
دراسات الحالة:
- أظهر نجاحاً في التعديل الجماعي للبيئات (إدخال أشياء، تغيير الإضاءة) وسير عمل تقييم VLA المتكامل، مما يثبت قدرته على التعامل مع التنسيق المعقد متعدد المراحل.

5. الأهمية

التحول من اليدوي إلى الحواري: تجادل الورقة بأن تطوير الذكاء الاصطناً لدى الجسم يجب أن يبتعد عن تجميع حلقات تجريبية خاصة بالمنصات يدوياً نحو التنفيذ الحواري.
قابلية إعادة الإنتاج والاتساق: من خلال توحيد سير العمل وفرض حلقات التحقق، يعالج EmbodiedClaw "أزمة إعادة الإنتاج" في مجال الذكاء الاصطناً لدى الجسم، حيث تؤدي أخطاء التكوين الصغيرة غالباً إلى تعطل سلاسل العمل بأكملها.
القابلية للتوسع: يسمح التصميم المعياري (فصل النية، التنسيق، والتنفيذ) للنظام بالتوسع عبر محاكيات ومكتبات أصول مختلفة دون إعادة كتابة المنطق الأساسي، مما يجعل أبحاث الذكاء الاصطناً لدى الجسم أكثر سهولة وتوافراً لمجموعة أوسع من الباحثين.

باختالاف، يمثل EmbodiedClaw خطوة مهمة نحو دمقرطة أبحاث الذكاء الاصطناً لدى الجسم من خلال أتمتة الأعمال الهندسية الشاقة، مما يسمح للباحثين بالتركيز على الابتكار الخوارزمي بدلاً من صيانة البنية التحتية.