تقدم هذه الورقة إطار عمل وكيلِيًّا يبني نماذج عالم واقعية فيزيائيًا من خلال التوليد والتحسين المتكرر لأكواد المحاكاة القابلة للتنفيذ عبر التخطيط المنسق، والبرمجة، والمراجعة البصرية، والتحليل الفيزيائي، مما يظهر أداءً فائقًا على النهج القائم على الفيديو في الدقة الفيزيائية، ودقة التعليمات، والجودة البصرية.
المؤلفون الأصليون:Hongyu Wang, Jingquan Wang, Bocheng Zou, Radu Serban, Dan Negrut
تخيل أنك تريد بناء مشهد سينمائي واقعي لسيارة تقود فوق جسر عائم على الماء، أو روبوت يتنقل في مكتب فوضوي.
الطريقة القديمة (نماذج الفيديو): فكر في مولدات الفيديو بالذكاء الاصطناعي الحالية كرسامين موهوبين للغاية. إذا طلبت منهم رسم سيارة تقود فوق الماء، فسوف ينظرون إلى ملايين الصور ومقاطع الفيديو للسيارات والمياه، ثم يخمنون كيف يجب أن تبدو الإطار (frame) التالي بناءً على الأنماط.
المشكلة: هم لا "يعرفون" الفيزياء حقاً؛ هم فقط يخمنون الألوان والأشكال. إذا اصطدمت السيارة بمطب، فقد يجعل الرسام السيارة تطفو عبر المطب عن طريق الخطأ، أو قد يلتوي الجسر بشكل غريب لأن الذكاء الاصطناعي "نسي" كيف تعمل الجاذبية. يبدو الأمر رائعاً لثانية واحدة، لكن قوانين الفيزياء تنهار بسرعة.
الطريقة الجديدة (نهج هذه الورقة البحثية): تقترح هذه الورقة طريقة مختلفة: بدلاً من رسم فيلم إطاراً تلو الآخر، يطلبون من الذكاء الاصطناعي كتابة دليل التعليمات (الكود البرمجي) لمحرك فيزياء.
فكر في الأمر كالتالي:
الطريقة القديمة تشبه ساحراً يحاول تخمين الخدعة التالية.
طريقة هذه الورقة تشبه توظيف مهندس لبناء نموذج حقيقي يعمل في مختبر.
كيف يعمل "الوكيل المبرمج" (Coding Agent)
تصف الورقة البحثية فريقاً من وكلاء الذكاء الاصطناعي (مساعدين متخصصين) يعملون معاً لبناء هذا المحاكاة. إنهم يعملون مثل طاقم بناء:
المخطط (المهندس المعماري): تخبر الفريق: "أريد روبوتاً في مكتب". يقوم المخطط بتفكيك هذا الطلب إلى مخطط هندسي: "نحتاج إلى أرضية، وطاولتين، وسبعة كراسي، وروبوت. ويجب أن يكون الروبوت قادراً على المشي بينها".
المبرمج (البنّاء): يأخذ هذا الوكيل المخطط ويكتب كوداً برمجياً فعلياً (باستخدام أداة تسمى Project Chrono) يخبر الكمبيوتر بالضبط كيفية بناء الغرفة، وأين يضع الأثاث، ومدى وزن كل شيء.
المراجع البصري (المفتش): يتم تشغيل الكود، ويتم إنشاء فيديو. يشاهد المراجع الفيديو ويقول: "انتظر، الروبوت يمر عبر الطاولة وكأنه يطفو. هذا خطأ".
محلل الفيزياء (المهندس): يتحقق هذا الوكيل من الحسابات الرياضية. يقول: "الطاولة خفيفة جداً، أو الروبوت ثقيل جداً. يجب إصلاح الكود".
الحلقة التكرارية: يقوم المبرمج بإصلاح الكود، ثم يقومون بتشغيله مرة أخرى. يستمرون في القيام بذلك حتى تعمل المحاكاة بشكل مثالي وتلتزم بقوانين الفيزياء.
لماذا يهم هذا الأمر؟
تدعي الورقة أنه من خلال بناء العالم عبر كود قابل للتنفيذ بدلاً من مجرد التنبؤ بإطارات الفيديو، تصبح المحاكاة:
دقيقة فيزيائياً: تصطدم الأشياء، وتسقط، وترتد تماماً كما ينبغي لها، لأن الكود يفرض قواعد فيزيائية حقيقية.
قابلة للإصلاح: إذا حدث خطأ ما، يمكنك النظر في الكود، وإيجاد الخطأ، وإصلاحه. لا يمكنك "إصلاح" فيديو بسهولة إذا كانت الفيزياء خاطئة؛ عليك فقط محاولة رسمه من جديد.
موثوقة للمهام المعقدة: اختبر الفريق هذا مع روبوت في مكتب، ومركبة عسكرية تسير في تضاريس وعرة، وسيارة تقود فوق جسر عائم على الماء (مزيج معقد من فيزياء المواد الصلبة والسائلة).
النتائج
عندما قارنوا منهج "الوكيل المبرمج" بنماذج توليد الفيديو المتقدمة (باستخدام معيار تقييم يسمى WorldModelBench)، سجلت طريقتهم درجات أعلى في:
دقة تنفيذ التعليمات: هل فعلوا بالضبط ما طلبته؟ (نعم، لأن الكود يبني صراحةً ما طلبته).
القوانين الفيزيائية: هل سقطت السيارة عبر الأرضية؟ (لا، لأن الكود يمنع ذلك).
العقبة
تعترف الورقة بأن هذا النظام ليس مثالياً بعد. يمكن أن يكون بطيئاً ومكلفاً (من حيث قدرة الكمبيوتر) لأنه يتعين عليه كتابة الكود، وتشغيله، وفحصه، وإصلاحه بشكل متكرر. أيضاً، إذا لم يكن لدى الذكاء الاصطناعي نموذج ثلاثي الأبعاد لجسم معين في مكتبته، فعليه تقريبه باستخدام شكل بسيط.
باختختصر: بدلاً من مطالبة الذكاء الاصطناعي بـ تخمين كيف يبدو عالم واقعي، تعلم هذه الورقة الذكاء الاصطناعي كيف يبني عالماً واقعياً باستخدام الكود، مما يضمن أن تكون الفيزياء حقيقية، وليست مجرد وهم.
ملخص تقني: الوكيل البرمجي كنموذج محاكاة للعالم
بيان المشكلة
لقد برزت نماذج العالم كنموذج لبناء بيئات محاكاة تفاعلية، حيث أظهرت النهج الحديثة القائمة على الفيديو تقدماً في توليد ديناميكيات واقعية بصرياً. ومع ذلك، تستنتج هذه النماذج الديناميكيات من الفيديو وتمثلها في حالات كامنة بدلاً من فرض القيود الفيزيائية صراحةً. ونتيجة لذلك، غالباً ما تفتقر مخرجات الفيديو المولدة إلى الواقعية الفيزيائية، حيث تظهر تلامساً غير مستقر، أو تشوهات في الأشكال، أو حركة غير متسقة. وتظل هناك فجوة حرجة في بناء عوالم يمكن فيها فحص الميكانيكا، وتنفيذها، وإصلاحها، لا سيما في التفاعلات طويلة الأمد حيث يكون الحفاظ على الحالة الفيزيائية بنفس أهمية رندرة الإطار التالي. توفر محاكيات الفيزياء الحالية (مثل MuJoCo و Project Chrono) حالة وتشخيصات صريحة، لكنها تتطلب من المستخدمين اختيار الأصول يدوياً، وإنشاء الأجسام، وكتابة الكود، وضبط المعلمات، مما يخلق عنق زجاجة في بناء العالم.
المنهجية
يقترح المؤلفون إطار عمل متعدد الوكلاء يقوم ببناء نماذج عالم قائمة على الفيزياء من خلال كود محاكاة قابل للتنفيذ بدلاً من التنبؤ بالإطارات المباشر. يعامل النظام الكود المولد كتمثيل للعالم، حيث يحدد الهندسة، والأجسام، والمفاصل، والتلامسات، والمواد، والمستشعرات، والإعدادات العددية داخل محرك فيزيائي (Project Chrono). يعمل إطار العمل عبر سير عمل لوكيل ذو حلقة مغلقة:
مكتبة الأصول وتمثيل التصادم: يستخدم النظام مكتبة أصول موحدة تجمع بين الأصول ثلاثية الأبعاد الخارجية (للتنوع الدلالي والبصري) والأصول الأصلية للمحاكي (للمكونات الفيزيائية). ولإدارة التكاليف الحسابية، يتم فصل الهندسة البصرية عن هندسة التصادم؛ حيث تُستخدم الشبكات عالية الدقة للرندرة، بينما تعتمد التفاعلات الفيزيائية على هياكل محدبة مفككة يتم إنشاؤها عبر خوارزمية التفكيك المحدب التقريبي (CoACD).
سير عمل متعدد الوكلاء:
وكيل التخطيط (Plan Agent): يحول المطالبات اللغوية الطبيعية غير المحددة (والصور المرجعية الاختيارية) إلى خطة محاكاة مهيكلة. يستخرج هذا الوكيل الكيانات الفيزيائية، ويستنتج طوبولوجيا المشهد باستخدام جبر مسلمات محدد (مثل PLACE-ON و FLOATS-AT-SURFACE و FACING-TO)، ويحول العلاقات المكانية إلى وضعيات ملموسة للمحاكي. يقوم بعرض هذه الخطة على المستخدم للتأكيد لضمان التحقق من الخيارات الملموسة (الأبعاد، الخطوات الزمنية، وضع الكاميرا) قبل البرمجة.
وكيل الكود (Code Agent): يترجم الخطة المعتمدة إلى كود PyChrono قابل للتنفيذ. يعتمد التوليد على مكتبة مهارات منسقة (أنماط تنفيذ للأجسام الصلبة، المفاصل، المركبات، إلخ)، وواجهة أدوات للاستعلام عن الموارد، وفهرس واجهة برمجة تطبيقات (API) خاص بإصدار معين لمنع انحراف الواجهة.
حلقة التنفيذ والمراجعة: يعمل الكود المولد في محرك Chrono.
قاضي المحاكاة (Simulation Judge): يجمع بين سجلات التشخيص، وبيانات المسار الفيزيائي، والأدلة البصرية لتحديد الصلاحية. إذا فشلت المحاكاة (على سبيل المثال، أخطاء فيزيائية، عدم تطابق بصري)، يعيد القاضي تقريراً هيكلياً عن الخطأ.
الإصلاح التكراري: يقوم وكيل الكود بترقيع البرنامج الحالي بناءً على التغذية الراجعة بدلاً من إعادة التوليد من الصفر. تستمر هذه الحلقة حتى تلبي المحاكاة الخطة والقيود الفيزيائية.
المساهمات الرئيسية
إطار عمل متعدد الوكلاء لمحاكاة العالم: يقترح المؤلفون نظاماً يعمل فيه الوكلاء بشكل تعاوني لبناء عوالم فيزيائية قابلة للتنفيذ من خلال تخطيط مدرك للمحاكي، وتوليد كود قائم على المهارات، وتغذية راجعة للتنفيذ، ومراجعة بصرية، وإصلاح تكراري.
تمثيل العالم القابل للتنفيذ: يدمج إطار العمل محاكاة الفيزياء مباشرة في عملية بناء العالم. تُمثل الأجسام، والمفاصل، والتلامسات، والإعدادات العددية كبرامج محاكاة قابلة للتنفيذ، مما يسمح بحالات فيزيائية صريحة، وديناميكيات قابلة للفحص، وتفاعل راسخ يتجاوز التنبؤ البصري على مستوى الإطار.
الفعالية والعمومية المثبتة: تم تقييم إطار العمل عبر مهام متنوعة، بما في ذلك تفاعل الروبوت في البيئات الداخلية، وديناميكيات المركبات الخارجية، والتفاعل عالي الدقة بين السوائل والصلب (FSI).
النتائج التجريبية
تم تقييم إطار العمل باستخدام ثلاثة سيناريوهات: روبوت Go2 يقوم بدوريات في مكتب، ومركبة HMMWV تقود في تضاريس خارجية، ومركبة Polaris تعبر كتلة عائمة على الماء (FSI).
متانة التخطيط: أظهرت دراسة الاستبعاد (Ablation study) لوكيل التخطيط معدلات نجاح عالية (100% Pass@1) في توليد خطط مهيكلة، مع وجود أو عدم وجود صور مرجعية.
استخدام الموارد: استغرقت عمليات التشغيل من البداية إلى النهاية للمحاكاة الناجحة ما بين 24 إلى 30 دقيقة، وتراوح استخدام الرموز (Tokens) بين حوالي 1.68 مليون إلى 6.34 مليون رمز، اعتماداً على تعقيد السيناريو.
تقييم المعيار المرجعي (WorldModelBench): تمت مقارنة إطار العمل مع نموذج فيديو مرجعي متطور (Wan2.2-TI2V-5B) على WorldModelBench، الذي يقيم الالتزام بالتعليمات، والقوانين الفيزيائية، والمنطق العام.
حقق إطار العمل متعدد الوكلاء درجات إجمالية أعلى في السيناريوهات الثلاثة.
كان التحسن ذا دلالة إحصائية (p=0.0012) في سيناريو مركبة FSI.
على مستوى المقاييس، أظهر إطار العمل مكاسب كبيرة في الالتزام بالتعليمات (p=0.000059)، مما يشير إلى قدرة فائقة على الحفاظ على الكيانات المطلوبة وقيود المشهد.
كانت درجات القوانين الفيزيائية والمنطق العام قابلة للمقارنة مع النموذج المرجعي، رغم أن إطار العمل حافظ على تفوق عددي طفيف.
الأهمية والقيود
تفترض الورقة أن وكيل البرمجة يمكنه العمل بفعالية كمحاكي للعالم من خلال بناء برامج قابلة للتنفيذ تحدد العالم الفيزيائي نفسه. ينقل هذا النهج المشكلة من التنبؤ بالإطارات إلى بناء عالم مدرك للمحاكي، مما يسمح بتتبع الإخفاقات من خلال سجلات التنفيذ وإصلاحها عبر تعديل الكود بدلاً من إعادة التدريب أو إعادة توليد الحالات الكامنة.
يقر المؤلفون بعدة قيود:
رتابة الإصلاح (Repair Monotonicity): عملية الإصلاح ليست مضمونة التحسن بشكل رتيب وقد تمر بحلقات مفرغة من أنماط الفشل المختلفة.
قيود الكود: التوليد محدود بمكتبة المهارات وفهرس واجهة برمجة التطبيقات، مما يجعل من الصعب إنشاء مستشعرات غير مدعومة أو حلول مخصصة.
نطاق التقييم: يغطي التقييم الحالي عدداً صغيراً من السيناريوهات ويعتمد جزئياً على الحكم البشري لقبول الخطة.
تشمل اتجاهات العمل المستقبلي التي تم تحديدها دمج خطوط أنابيب توليد الأصول ثلاثية الأبعاد للتعامل مع العناصر ذات الذيل الطويل، وتحسين استخدام الرموز من خلال تمثيلات حالة وتخزين مؤقت أفضل، واستكشاف التنفيذ المتوازي للتغلب على اختناقات الأجهزة الحالية.