💻 computer science

WorldArena 2.0: Extending Embodied World Model Benchmarking on Modality, Functionality and Platform

تقدم هذه الورقة البحثية WorldArena 2.0، وهو معيار مرجعي موسع يقيم نماذج العالم المتجسدة بشكل منهجي عبر ثلاثة أبعاد جديدة — النمط البصري اللمسي، والوظائف التفاعلية لتحسين السياسات، والمنصات المتنوعة الواقعية والمحاكية — لمعالجة أوجه القصور في التقييمات الحالية المقتصرة على الرؤية فقط أو المعتمدة على المحاكاة.

المؤلفون الأصليون: Yu Shang, Yinzhou Tang, Yiding Ma, Zhuohang Li, Lei Jin, Weikang Su, Xin Jin, Zhaolu Wang, Ziyou Wang, Xin Zhang, Haisheng Su, Weizhen He, Wei Wu, Haoyi Duan, Gordon Wetzstein, Xihui Liu, Dhruv Shah

نُشر 2026-05-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yu Shang, Yinzhou Tang, Yiding Ma, Zhuohang Li, Lei Jin, Weikang Su, Xin Jin, Zhaolu Wang, Ziyou Wang, Xin Zhang, Haisheng Su, Weizhen He, Wei Wu, Haoyi Duan, Gordon Wetzstein, Xihui Liu, Dhruv Shah, Zhaoxiang Zhang, Zhibo Chen, Jun Zhu, Yonghong Tian, Tat-Seng Chua, Wenwu Zhu, Chen Gao, Yong Li

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 كيفية القيام بالأعمال المنزلية، مثل صب الماء أو مسح الطاولة. للقيام بذلك بأمان وفعالية، يحتاج الروبوت إلى "نموذج عالم" (World Model). فكر في نموذج العالم كأنه آلة أحلام داخلية للروبوت؛ وهي محاكاة داخل عقل الروبوت حيث يمكنه "تخيل" ما سيحدث بعد ذلك إذا حرك ذراعه بطريقة معينة، دون المخاطرة فعلياً بكسر مزهرية أو سكب مشروب.

لفترة طويلة، كان العلماء يختبرون آلات الأحلام هذه، لكن اختباراتهم كانت تشبه إلى حد كبير تقييم مهارات طيار من خلال النظر فقط إلى رسم ثنائي الأبعاد لطائرة. فقد كانوا يتحققون فقط مما إذا كان الروبوت يستطيع "رؤية" المستقبل بوضوح، متجاهلين الحواس الأخرى، ومدى قدرته على التعلم الفعلي للطيران، وما إذا كان بإمكانه التعامل مع الرياح والأمطار الحقيقية.

WorldArena 2.0 هو "محاكي طيران" جديد كلياً وأكثر صرامة لاختبار عقول الروبوتات هذه. لقد قام الباحثون من جامعة تسينغ هوا والعديد من المؤسسات الرائدة الأخرى بترقية الاختبار بثلاث طرق رئيسية:

1. إضافة "حاسة اللمس" (النمط/Modality)

الطريقة القديمة: سابقاً، كان لدى آلة أحلام الروبوت أعين فقط. كان بإمكانه التنبؤ بما سيبدو عليه فيديو لجسم متحرك، لكنه لم يكن يستطيع "الشعور" بأي شيء.
الطريقة الجديدة: تمنح WorldArena 2.0 الروبوت أعيناً وأيدٍ. فهي تختبر ما إذا كان بإمكان الروبوت التنبؤ ليس فقط بالفيديو، بل أيضاً بالتغذية الراجعة اللمسية (الشعور بالضغط، أو الانزلاق، أو الملمس).

التشبيه: تخيل أنك تحاول تعلم التلاعب بالكرات (الجوغلة) من خلال مشاهدة فيديو لشخص آخر يقوم بذلك فقط. قد تعرف أين ستذهب الكرات بناءً على "رؤيتك"، لكنك لن تعرف مدى قوة الضغط المطلوبة للإمساك بها. تجبر WorldArena 2.0 الروبوت على تخيل شعور اصطدام الكرة بيده، وهو أمر بالغ الأهمية لمهام مثل إدخال كابل USB (حيث تحتاج إلى الشعور بـ "النقرة") أو رفع زجاجة دون سحقها.

2. تحويل آلة الأحلام إلى "صالة ألعاب رياضية للتدريب" (الوظيفية/Functionality)

الطريقة القديمة: في السابق، كان الباحثون يطلبون من الروبوت "تخيل" المستقبل، ثم يتحققون مما إذا كان الحلم يبدو واقعياً. كان طريقاً باتجاه واحد: الروبوت يحلم، والبشر يقيمون الصورة.
الطريقة الجديدة: الآن، تعمل آلة أحلام الروبوت كـ صالة ألعاب رياضية افتراضية للتدريب. يمكن للروبوت ممارسة مهاراته داخل الحلم، وارتكاب الأخطاء، والتعلم منها، والتحسن، كل ذلك دون لمس العالم الحقيقي.

التشبيه: بدلاً من مجرد مشاهدة فيلم للاعب كرة قدم، يلعب الروبوت الآن لعبة فيديو حيث يمكنه ممارسة ركل الكرة فعلياً. يختبر هذا: "إذا تركنا الروبوت يتدرب داخل هذا الحلم لمدة 10 ساعات، هل سيصبح لاعباً أفضل عندما يخطو على الملعب الحقيقي؟"

3. الاختبار في "العالم الحقيقي" (المنصة/Platform)

الطقديمة: معظم الاختبارات كانت تحدث بالكامل داخل محاكاة حاسوبية. كان الأمر يشبه اختبار سيارة فقط على مضمار سلس ومسطح تماماً في لعبة فيديو.
الطريقة الجديدة: تختبر WorldArena 2.0 الروبوتات في ثلاثة بيئات مختلفة:

RoboTwin 2.0: محاكاة حاسوبية معقدة تحتوي على عوائق عشوائية.
LIBBERO: محاكاة مهيكلة تختبر أنواعاً محددة من التعلم.
AgileX ALOHA: روبوت مادي حقيقي في غرفة حقيقية.

التشبيه: إنه الفرق بين اختبار سيارة في لعبة فيديو، وعلى مضمار اختبار، وأخيراً قيادتها في شارع حقيقي مليء بالمطبات والأمطار. وجد الباحثون أنه بينما كان العديد من الروبوتات بارعة في مستوى لعبة الفيديو، إلا أنها غالباً ما تعثرت عندما طُلب منها القيادة في شارع حقيقي وفوضوي. يسلط هذا الضوء على فجوة كبيرة بين "الحلم" المثالي و"التنفيذ" المثالي.

ماذا وجدوا؟

اختبر الباحثون 12 "آلة أحلام" مختلفة للروبوتات باستخدام هذه القواعد الجديدة.

الأخبار الجيدة: تعلمت بعض النماذج "الشعور" بالعالم بشكل جيد للغاية. على سبيل المثال، كان أحد النماذج (Wan 2.2) بارعاً جداً في التنبؤ بالأحاسيس اللمسية لدرجة أنه تمكن من أداء مهمة دقيقة (إدخال كابل HDMI) بنسبة نجاح 100% في المحاكاة.
الأخبار السيئة: لا تزال هناك فجوة كبيرة بين المحاكاة والواقع. الروبوت الذي يبدو كأنه عبقري في المحاكاة الحاسوبية غالباً ما يفشل عندما يُطلب منه صب الماء على طاولة حقيقية. "الحلم" ليس دقيقاً بما يكفي للتعامل مع فيزياء العالم الحقيقي الفوضوية بعد.

الخلاصة

تعد WorldArena 2.0 بمثابة تقرير درجات أكثر صدقاً وشمولية لذكاء الروبوت. فهي تتوقف عن جعلنا نكتفي بالإعجاب بفيديوهات الروبوتات الجمية، وتبدأ في طرح الأسئلة الصعبة: هل يستطيع الروبوت الشعور؟ هل يمكنه التعلم داخل عقله؟ وهل يمكنه حقاً أداء المهمة عندما يكون في العالم الحقيقي؟

يخلص البحث إلى أنه بينما نحرز تقدماً، لا يزال أمامنا طريق طويل قبل أن تتمكن الروبوتات من التعلم بشكل موثوق من "أحلامها" وتطبيق ذلك التعلم على مهام الحياة الواقعية.

ملخص تقني: WorldArena 2.0: توسيع نطاق تقييم نماذج العالم المجسدة على مستويات الوسائط، والوظائف، والمنصات

بيان المشكلة

أصبحت نماذج العالم مركزًا جوهريًا للذكاء المجسد، حيث تمكن الوكلاء من التنبؤ بالمستقبلات المشروطة بالأفعال والاستنتاج حول ديناميكيات البيئة. ومع ذلك، تعاني المعايير المرجعية الحالية لنماذج العالم المجسدة (EWMs) من ثلاثة قيود حرجة تعيق تقييم النماذج الأكثر شمولاً:

قيد الوسائط (Modality Limitation): تقتصر المعايير المرجعية السائدة على الإعدادات التي تعتمد على الرؤية فقط، متجاهلة الطبيعة متعددة الوسائط للتفاعلات المجسدة حيث تُعد التغذية الراجعة اللمسية ضرورية لحل ديناميكيات الاتصال والاحتكاك الفيزيائي.
قيد الوظائف (Functionality Limitation): تقتصر التقييمات اللاحقة إلى حد كبير على التخطيط مفتوح الحلقة أو تقييم السياسات الساكنة. وهي نادرًا ما تبحث في قدرة نموذج العالم على العمل كبيئة تعلم تعزيزي (RL) تفاعلية تدعم تحسين السياسات المتكرر من خلال عمليات المحاكاة المتخيلة.
قيد المنصات (Platform Limitation): يتم الحصول على نتائج المعايير المرجعية حصريًا تقريبًا في بيئات المحاكاة. ولا يزال من غير الواضح ما إذا كان الأداء القوي في البيئات الافتراضية الخاضعة للتحكم يترجم إلى النشر في العالم الحقيقي، مما يترك فجوة "المحاكاة إلى الواقع" (sim-to-real) دون فحص كافٍ.

المنهجية

لمعالجة هذه القيود، قدم المؤلفون WorldArena 2.0، وهو معيار مرجعي موسع يوسع تقييم نماذج العالم المجسدة بشكل منهجي عبر ثلاثة أبعاد منسقة: الوسائط، والوظائف، والمنصات.

1. توسيع الوسائط: التقييم البصري-اللمسي (Visuotactile)

يقوم WorldArena 2.0 بتوسيع التقييم من الرؤية فقط إلى الوسائط البصرية-اللمسية.

خط إنتاج معياري: بناءً على محاكي UniVTAC، يقترح المؤلفون خط إنتاج معياري لترقية نماذج العالم التي تعتمد على الرؤية فقط إلى نماذج بصرية-لمسية دون الحاجة لتغيير هيكلي. يتضمن ذلك ثلاث وحدات:
- مشفر تلقائي متباين (Tactile VAE): يقوم بتشفير خرائط التشوه اللمسي ومواءمتها في الفضاء الكامن للفيديو.
- نموذج عالم ثنائي المسار (بصري-لمسي): يقوم بإزالة الضجيج المتزامن لكل من تنبؤ الفيديو والتنبؤ اللمسي.
- رأس انتشار الأفعال (Action Diffusion Head): يستنتج الأفعال المستقبلية بناءً على المتغيرات البصرية-اللمسية المتوقعة.
مقاييس التقييم: يتم تقييم النماذج بناءً على جودة التنبؤ اللمسي (PSNR, SSIM) ومعدلات النجاح الوظيفي في مهام التلاعب باليد (مثل إدخال وصلة HDMI، ورفع الزجاجة).

2. توسيع الوظائف: نماذج العالم كبيئات تعلم تعزيزي (RL)

ينتقل المعيار المرجعي لما وراء التنبؤ غير المتصل لتقييم نماذج العالم كـ بيئات تعلم تعزيزي تفاعلية عبر الإنترنت.

الإطار العملي: يصيغ المؤلفون مسار تعلم تعزيزي مغلق الحلقة حيث يقرب نموذج العالم نواة انتقال البيئة ( $\hat{P}_\phi$ $\hat{P}_{ϕ}$ ). يتكون الإطار من أربعة مكونات:
- بيئة نموذج العالم: تتنبأ بالملاحظة التالية بناءً على الحالة والفعل الحاليين.
- نموذج المكافأة: يتنبأ بالمكافآت الفورية (تم اختباره باستخدام تصميمات قائمة على الوكيل، وعلى النماذج اللغوية الكبيرة VLM، وعلى التشابه).
- نموذج السياسة: يولد الأفعال مشروطة بالملاحظات.
- وحدة التحسين: تقوم بتحديث معلمات السياسة (على سبيل المثال، عبر GRPO) لتعظيم العائد المتوقع.
العملية: يحل محل نموذج العالم المحاكي التقليدي في إعدادات التعلم التعزيزي. يتم تدريب السياسات عبر التفاعل المتكرر مع نموذج العالم، ويتم نشر السياسات الناتجة لقياس معدلات النجاح في مهام العالم الحقيقي أو المحاكاة عالية الدقة.

3. توسيع المنصات: الانتقال من المحاكاة إلى الواقع عبر الأجساد المختلفة

يقدم WorldArena 2.0 خط تقييم متدرج يمتد عبر ثلاث منصات متميزة لتقييم التعميم عبر الأجساد المختلفة:

RoboTwin 2.0: بيئة محاكاة ثنائية اليد قابلة للتوسع مع تنويع واسع للمجال (مهام: ضبط الزجاجة، قرع الجرس).
LIBERO: معيار مرجعي مهيكل للتلاعب بذراع واحدة مع تحولات معرفية إجرائية (مهمة: تشغيل الموقد).
* AgileX Split-Type ALOHA: منصة اختبار روبوتية في العالم الحقيقي مجهزة بأذرع PiPER سداسية درجات الحرية (مهام: صب الماء، مسح الطاولة).
بروتوكولات التقييم: يتم اختبار النماذج كـ محركات بيانات مجسدة (توليد بيانات اصطناعية لتدريب السياسات) وكـ مخططات أفعال مجسدة (التنبؤ مباشرة بتسلسلات الأفعال مغلقة الحلقة).

النتائج الرئيسية

أجرى المؤلفون تجارب واسعة النطاق على 12 نموذجًا من أحدث نماذج العالم المجسدة عبر المنصات المحددة.

الأداء البصري-اللمسي:
- أظهرت نماذج العالم العامة (مثل Wan2.2) جودة تنبؤ لمسي متفوقة مقارنة بالنماذج المجسدة المتخصصة، محققة نجاحًا بنسبة 100% في مهمة "إدخال وصلة HDMI".
- ومع ذلك، كشفت المهام طويلة المدى مثل "رفع الزجاجة" عن قصور؛ فبينما حقق نموذج ACT الأساسي نجاحًا بنسبة 80%، انخفضت نماذج العالم إلى 0%، مما يشير إلى أن النماذج الحالية تعاني في التحكم المستدام في القوة عبر الآفاق الزمنية الطويلة رغم تحسن الإدراك اللمسي.
فائدة بيئة التعلم التعزيزي (RL):
- حققت السياسات المدربة باستخدام نماذج العالم (مثل WoVR, Ctrl-World) أداءً مشابهًا للتدريب على المحاكي الحقيقي في المهام قصيرة المدى (قرع الجرس)، لكنها أظهرت نتائج متفاوتة في المهام طويلة المدى.
- من بين نماذج المكافأة، أثبتت نماذج المكافأة القائمة على الوكيل (Proxy-based) (باستخدام هياكل ResNet) أنها الأكثر قوة، متفوقة على النماذج القائمة على VLM والتشابه التي عانت من نقص الضبط الدقيق أو الاعتماد على دقة التنبؤ.
الارتباطات عبر المنصات:
- الجودة الإدراكية: أظهرت الجودة البصرية، وجودة الحركة، والالتزام بالفيزياء ارتباطات قوية عبر منصات المحاكاة (RoboTwin و LIBERO).
- فجوة المحاكاة إلى الواقع: لوحظ انفصال كبير بين أداء المحاكة والأداء في العالم الحقيقي. وبينما ارتبطت تصنيفات المحاكاة بشكل متوسط، انخفضت معدلات نجاح المهام بشكل حاد في تقييمات العالم الحقيقي. حققت قلة من النماذج فقط معدلات نجاح غير صفرية في مهام العالم الحقيقي، وظلت جميعها بعيدة جدًا عن متطلبات النشر العملي.
- التحويل الوظيفي: ارتبط نجاح المهام إيجابيًا بين المحاكيات، لكنه انخفض بشكل كبير عند مقارنته بالأداء في العالم الحقيقي، مما يؤكد أن مقاييس المحاكاة ليست مؤشرات موثوقة للقابلية للنشر في العالم الحقيقي.

الأهمية والادعاءات

يزعم البحث أن WorldArena 2.0 يوفر بيئة اختبار صارمة ومعيارية تتبع التقدم نحو نماذج عالم مجسدة عامة حقًا. وتكمن أهميته الأساسية في:

التقنين (Standardization): إنه يمهد الطريق لبروتوكولات معيارية لتقييم نماذج العالم البصرية-اللمسية واستخدام نماذج العالم كبيئات تعلم تعزيزي عبر الإنترنت، وهي مجالات كانت تفتقر سابقًا إلى معايير ثابتة.
اختبار الواقع (Reality Check): من خلال تقديم التقييم الروبوتي في العالم الحقيقي، يكشف هذا المعيار عن "فجوة استخدام كبيرة بين المحاكاة والواقع"، موضحًا أن الأداء عالي الدقة في المحاكاة لا يضمن الكفاءة في العالم الحقيقي.
التقييم الشامل: ينتقل المجال من مجرد الواقعية البصرية إلى تقييم التجذر الفيزيائي، والمنفعة التفاعلية، والمتانة عبر المنصات، مما يوفر أساسًا أكثر واقعية لتطوير الذكاء المجسد.

خلص المؤلفون إلى أنه بينما تظهر النماذج الحالية وعودًا في التقاط الديناميكيات متعددة الوسائط ودعم تحسين السياسات، إلا أن تحديات كبيرة لا تزال قائمة في سد الفجوة بين التدريب في المحاكاة والتنفيذ الفيزيائي في العالم الحقيقي.