تخيل أنك تعلم روبوتًا القيام بمهمة، مثل التقاط كوب أو طي منشفة. في الأيام الخوالي، كان على المهندسين كتابة آلاف الأسطر من الكود البرمجي لإخبار الروبوت بدقة بكيفية تحريك ذراعه، وأين ينظر، وماذا يمسك. كان الأمر يشبه إعطاء طفل نصًا جامدًا ليتبعه؛ فإذا لم يتطابق النص تمامًا مع العالم الحقيقي، سيتجمد الطفل. اليوم، نستخدم نهجًا أكثر ذكاءً يسمى "التعلم بالتقليد" (Imitation Learning). بدلًا من كتابة القواعد، نعرض للروبوت فيديو لإنسان يقوم بالمهمة، ويحاول الروبوت تعلم النمط من خلال المشاهدة. إنه يشبه طفلًا يتعلم ركوب الدراجة من خلال تقليد أخيه الأكبر.

ومع ذلك، هناك عقبة. عندما يتعلم الروبوت بهذه الطريقة، فإنه يبني دماغًا "صندوقًا أسود". هو يرى العالم من خلال كاميرا، لكن ليس لدينا أدنى فكرة عما ينظر إليه حقًا. إذا فشل الروبوت، لا يمكننا ببساطة أن نقول: "مهلًا، لقد كنت تنظر إلى المكان الخطأ!" لأن انتباه الروبوت مخفي داخل رياضيات معقدة. يصبح هذا مشكلة كبيرة عندما تتغير الأشياء. إذا حركت الكوب إلى مكان جديد أو وضعت نمطًا ملونًا على الطاولة، فقد يرتبك الروبوت ويفشل لأنه تدرب على إعداد محدد. إنه مثل طالب حفظ الإجابات للاختبار، ولكنه يصاب بالذعر عندما يغير المعلم ترتيب الأسئلة. نحن بحاجة إلى طريقة للنظر داخل عقل الروبوت وقول: "لا، انظر إلى الكوب، وليس إلى الخلفية!"

هنا يأتي دور إطار عمل جديد يسمى GuidedAttention. فكر في الأمر كأنك تعطي الروبوت زوجًا من "النظارات السحرية" التي تظهر لنا بالضبط أين يركز انتباهه. المبتكرون وراء هذا العمل، ماساكي مورووكا وفريقه، ابتكروا نظامًا لا يكتفي فقط بتخمين ما يجب فعله؛ بل يشير أولاً إلى الأجزاء المهمة في الصورة، مثل طالب يحدد الكلمات الرئيسية في كتاب مدرسي. إذا حدد الروبوت الشيء الخطأ، يمكن للإنسان التدخل، والنقر على المكان الصحيح، وقول: "انظر هنا!" ثم يستخدم الروبوت هذا المكان المصحح كدليل لبقية المهمة، ويتتبعها تلقائيًا أثناء حركته.

يختبر البحث هذه الفكرة بطريقتين: داخل محاكاة كمبيوتر وفي العالم الحقيقي باستخدام ذراع روبوت حقيقية. وقد وجدوا أنه عندما يكون الروبوت في بيئة مألوفة، فإنه يؤدي جيدًا بمفرده. ولكن عندما تصبح الأمور غريبة — مثل نقل الهدف إلى موقع جديد أو إضافة مكعبات ملونة مشتتة للانتباه على الطاولة — فإن الروبوت عادة ما يفقد مساره. وهنا تبرز أهمية "النظارات السحرية". فعندما يقدم الإنسان دفعة بسيطة في بداية المهمة لتصحيح تركيز الروبوت، يقفز معدل نجاح الروبوت بشكل كبير. في بعض الاختبارات الصعبة في العالم الحقيقي، ساعد تصحيح الانتباه في البداية الروبوت على النجاح بنسبة 80% أكثر مما لو كان عليه اكتشاف الأمر بمفرده. لقد تبين أن منح الروبوت تلميحًا بسيطًا وقابلًا للتصحيح حول أين ينظر هو السر لجعل الريد متميزًا في التعامل مع عالم فوضوي ومتغير.

المشكلة: دماغ الروبوت "الصندوق الأسود"

تخيل أنك تعلم روبوتًا كيفية ربط حذائه. تعرض له فيديو، ويتعلم الروبوت تقليد حركاتك. لكن المشكلة هي: الروبوت لا "يرى" الحذاء كما تراه أنت. هو يرى مجموعة من البكسلات المتداخلة. في تعلم الروبوتات الحديث، نستخدم ما يسمى السياسات من الطرف إلى الطرف (End-to-End policies). وهذا يعني أن الروبوت يأخذ صورة كمدخلات ويخرج حركة كمخرجات، متجاوزًا جميع الخطوات الوسطى حيث قد يشرح الإنسان ما يحدث.

المشكلة هي أن هذه العملية عبارة عن "صندوق أسود". نحن لا نعرف ما الذي ينتبه إليه الروبوت. إذا فشل الروبوت في ربط الحذاء، لا يمكننا بسهولة معرفة ما إذا كان ينظر إلى الأربطة، أم الأرض، أم ظل ما. الأمر يشبه محاولة إصلاح محرك سيارة دون القدرة على رؤية ما بداخل غطاء المحرك. والأسوأ من ذلك، إذا نقلت الحذاء إلى مكان مختلف على الطاولة (وهي حالة تسمى خارج التوزيع - Out-of-Distribution أو OOD)، فقد يرتبك الروبوت تمامًا لأنه تدرب على وجود الحذاء في مكان واحد محدد. إنه مثل الطالب الذي حفظ الإجابة "5" لمسألة رياضية، ولكنه يفشل عندما تتغير الأرقام، لأنه لم يتعلم المفهوم، بل تعلم المثال المحدد فقط.

الحل: GuidedAttention (النظارات السحرية)

يقترح المؤلفون حلاً يسمى GuidedAttention. بدلًا من ترك الروبوت يخمن ما يجب أن ينظر إليه، يجبرونه على التنبؤ بمجموعة من النقاط المفتاحية (keypoints) — وهي نقاط صغيرة تحدد الأجزاء المهمة في الصورة. فكر في هذه النقاط المفتاحية مثل خريطة الكنز. يجب على الروبوت أن يرسم علامة "X" على المكان الذي يحتاج للقبض عليه (مثل طرف حبل) وعلامة "X" أخرى على الهدف (مثل الثقب الذي يجب أن يمر من خلاله).

الجزء المذهل هنا هو أن هذه العلامات "X" مرئية لنا. إنها تمثيل وسيط قابل للتفسير (interpretable intermediate representation). وهذا يعني أننا نستطيع رؤية ما يعتقده الروبوت مهمًا بالضبط. إذا رسم الروبوت علامة "X" في المكان الخطأ، يمكن للإنسان التدخل ونقل الـ "X" إلى المكان الصحيح. هذا هو الجزء القابل للتصحيح (correctable).

بمجرد أن يقوم الإنسان بإصلاح الـ "X" في بداية المهمة، لا يحتاج الروبوت للمساعدة بعد ذلك. فهو يستخدم وحدة تتبع (tracking module) (مثل كاميرا ذكية تتبع جسمًا متحركًا) للحفاظ على تلك الـ "X" مثبتة على المواقع الصحيحة أثناء حركة الروبوت. الأمر يشبه إعطاء الروبوت ملاحظة لاصقة تقول "انظر هنا!"، ثم جعل صديق يتبع تلك الملاحظة باستخدام مؤشر ليزر لبقية اللعبة.

كيف يعمل: دماغ الروبوت الجديد

يستخدم النظام نوعًا من الذكاء الاصطناعي يسمى سياسة الانتشار (Diffusion Policy). يمكنك التفكير في هذا كأن الروبوت يتعلم من خلال "إزالة الضجيج" (denoising). تخيل صورة مغطاة بضجيج استاتيكي. مهمة الروبوت هي إزالة الضجيج ببطء للكشف عن الحركة الصحيحة. عادةً، يحاول الروبوت تخمين الحركة بناءً على الصورة الضبابية بأكملها.

في هذا النظام الجديد، يتنبأ الروبوت أولاً بالنقاط المفتاحية (علامات "X"). ثم يستخدم هذه الـ "X" لتوجيه عملية إزالة الضجيج. الأمر يشبه قولك للروبوت: "تجاهل الخلفية الفوضوية؛ وركز فقط على المنطقة المحيطة بهاتين النقطتين".

يقدم البحث خدعة ذكية تسمى آلية تجاوز النقاط المفتاحية (Keypoint Override Mechanism):

1. التدريب: يتعلم الروبوت التنبؤ بالنقاط من خلال مشاهدة البشر وهم يؤدون المهمة. يقوم البشر بتحديد النقاط في الإطار الأول فقط من الفيديو، ويقوم برنامج كمبيوتر بتتبعها لبقية الفيديو.
2. التنفيذ (المهمة الحقيقية): عندما يحاول الروبوت أداء المهمة بمفرده، فإنه يتنبأ بالنقاط. إذا كان الروبوت يؤدي جيدًا، فهذا رائع! ولكن إذا ارتبك الروبوت (ربما لأن الطاولة تبدو مختلفة)، يمكن للإنسان النقر لإصلاح النقاط مرة واحدة في البداية.
3. السحر: يحتوي النظام على خدعة رياضية تضمن أن النقاط "المُصححة" لا تزال منطقية لعقل الروبوت. فهو لا يستبدل النقاط فحسب، بل يستبدل معنى النقاط بحيث يفهم الروبوت التصحيح بشكل مثالي.

النتائج: هل ينجح الأمر حقًا؟

اختبر الفريق هذه الفكرة في مكانين: محاكاة كمبيوتر (عالم افتراضي) وفي العالم الحقيقي باستخدام ذراع روبوت حقيقي (Universal Robots UR5e).

في المحاكاة:
اختبروا ثلاث مهام صعبة:

• الكابل (Cable): توجيه كابل مرن عبر فجوة ضيقة.
• الحلقة (Ring): وضع حلقة فوق عمود.
• الجسيمات (Particle): غرف جسيمات صغيرة في صندوق.

جعلوا المهام أصعب عن طريق نقل الأهداف إلى أماكن جديدة (OOD الموضعي) أو تغيير نسيج الطاولة بأنماط ملونة (OOD المظهري).

• بدون مساعدة: فشلت الروبوتات القياسية كثيرًا عندما تغيرت الظروف. على سبيل المثال، في اختبار "OOD المظهري" (الأنماط الملونة)، نجح الروبوت القياسي بنسبة 28.9% فقط تقريبًا.
• مع GuidedAttention (ذاتي): أدى الروبوت بشكل أفضل، حيث نجح بنسبة 45.6% تقريبًا.
• مع GuidedAttention (تصحيح بشري): عندما قام إنسان بتصحيح النقاط في البداية، قفز معدل النجاح إلى 67.8%. هذا تحسن هائل!

في العالم الحقيقي:
اختبروا روبوتات حقيقية في مهام مثل وضع كوب داخل كوب آخر، والتقاط سلسلة، وطي منشفة.

• OOD الموضعي (تحريك الهدف): واجهت الروبوتات القياسية صعوبة، حيث حققت قاعدة DP نسبة نجاح 35.6% فقط. تفوق GuidedAttention، حتى بدون مساعدة، في الأداء. ولكن مع تصحيح بشري واحد في البداية، ارتفع معدل النجاح ليصل إلى 71.1%.
• OOD المظهري (طاولة فوضوية): كان هذا هو الاختبار الأصعب. فشل الروبوت القياسي بشكل كبير، حيث حقق نسبة نجاح 0% في مهمة المنشفة. كما عانى GuidedAttention بدون مساعدة، حيث حقق 13.3% فقط من النجاح. ولكن مع التصحيح البشري، نجح الروبوت بنسبة 90% من الوقت!

لماذا هذا مهم؟

يظهر البحث أننا لسنا بحاجة لبناء روبوت يعرف كل شيء. بدلاً من ذلك، يمكننا بناء روبوت يعرف كيف ينظر، ويمكننا تقديم المساعدة له عندما يرتبك.

وجد المؤلفون أن أكبر المكاسب جاءت عندما كان الروبوت في بيئة جديدة أو فوضوية. في البيئات المألوفة، كان الروبوت جيدًا بالفعل. ولكن عندما تغير العالم، كانت القدرة على قول "لا، انظر إلى الكوب، وليس إلى الخلفية" هي التي أنقذت الموقف.

كما فند البحث بعض الأفكار الأخرى. فقد جربوا وضع صندوق أو نقطة على الشاشة لإخبار الروبوت أين ينظر (ما يسمى "التحفيز عبر تراكب العلامات")، لكن ذلك لم يعمل بنفس الكفاءة. يحتاج الروبوت أن يتنبأ بالنقاط بنفسه حتى يتمكن من تعلم النمط، ولكن ليكون قادرًا على تصحيحها عندما يخطئ.

الحدود

كان المؤلفون صريحين بشأن ما لا يستطيع نظامهم فعله حتى الآن.

• النقاط المفتاحية البسيطة: يفترض النظام أن عددًا قليلًا من النقاط كافٍ لوصف المهمة بأكملها. إذا كانت المهمة معقدة للغاية، مثل التلاعب بعشر كرات، فقد لا تكون بضع نقاط كافية.
• ثنائي الأبعاد فقط: النقاط موجودة فقط على الصورة المسطحة. إذا احتاج الروبوت لمعرفة مدى عمق شيء ما، أو إذا اختفت النقطة خلف جسم ما، فقد يرتبك النظام.
• مشاكل التتبع: يعتمد النظام على متتبع لملاحقة النقاط. إذا تحرك الروبوت بسرعة كبيرة أو تم حجب الجسم لفترة طويلة، فقد يفقد المتتبع النقطة.

الخاتمة

إن GuidedAttention تشبه إعطاء الروبوت نظارات تظهر لنا ما يفكر فيه. إنها تجسر الفجوة بين دماغ الروبوت "الصندوق الأسود" وقدرتنا البشرية على توجيهه. من خلال السماح لنا بتصحيح تركيز الروبوت مرة واحدة فقط في البداية، يمكن للروبوت التعامل مع البيئات المتغيرة والفوضوية بشكل أفضل بكثير مما سبق. إنه ليس عصا سحرية تحل كل شيء، ولكنه خطوة قوية نحو روبوتات ذكية بما يكفي للتعلم، ولكنها مرنة بما يكفي للاستماع إلينا عندما تتعثر.