CoTinyVLA: Chain-of-Thought Distillation for a Sub-Billion-Parameter Vision-Language-Action Model
يُعد CoTinyVLA نموذجاً للرؤية واللغة والعمل (Vision-Language-Action) يقل حجمه عن مليار معلمة، وهو يحقق أداءً فائقاً من حيث المتانة على معيار LIBERO-Plus عبر الاستفيد من تقنيات الإشراف المهيكل — بما في ذلك المدخلات الزمنية ثنائية الرؤية، وتقطير سلسلة الأفكما التسلسلي الهرمي، وتعزيز إعادة الصياغة — بدلاً من زيادة حجم النموذج.
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 عالماً لا تكون فيه الروبوتات مجرد آلات صماء تتبع أكواداً جامدة، بل رفاقاً مفيدين يفهمون كلماتنا المنطوقة ويمكنهم استنتاج كيفية تحريك أذرعهم لإنجاز المهام. هذا هو حلم "الذكاء الاصطناعي المتجسد" (Embodied AI)، وهو مجال تتعلم فيه الحواسيب رؤية العالم عبر الكاميرات، وفهم لغة البشر، وترجمة هذين الأمرين إلى أفعال مادية. لفترة طويلة، كانت الروبوتات الأكثر ذكاءً تحتاج إلى عقول ضخمة — نماذج حاسوبية تحتوي على مليارات "النيورونات" — للتعامل مع هذه المهام. كانت هذه النماذج العملاقة تشبه الحواسيب الفائقة التي تتطلب خوادم ضخمة ومكلفة لتشغيلها، مما يجعل من المستحيل وضعها داخل روبوت صغير يمكنه التجول في المنزل أو المساعدة في المطبخ. السؤال الكبير الذي طرحه الباحثون هو: هل يمكننا صنع روبوت بذكاء وموثوقية مماثلين، ولكن بحجم صغير يكفي ليُوضع في حقيبة ظهر؟
يقدم هذا البحث نموذجاً جديداً لعقل الروبوت يسمى CoTinyVLA. فكر فيه كعقل روبوت صغير فائق الكفاءة، ينجح في التفوق على النماذج الضخمة والعملاقة التي تقود المجال حالياً، كل ذلك باستخدام جزء ضئيل فقط من الذاكرة. لم يكتفِ الباحثون بتقليص حجم العقل فحسب؛ بل علموه طريقة أفضل للتفكير. فبدلاً من محاولة حفظ كل موقف محتمل، أعطوا الروبوت "ورقة غش" للاستنتاج. لقد علموه كيفية تفكيك مهمة كبيرة إلى خطة بسيطة (مثل قائمة مهام) ثم التفكير في كل خطوة صغيرة قبل التحرك. كما منحوه "عينين" خاصتين — واحدة تنظر من بعيد لترى الغرفة بأكملها، وأخرى على معصمه لترى بالضبط ما تلمسه يده — وعلموه مشاهدة مقطع فيديو قصير للثواني القليلة الماضية لفهم الحركة. والنتيجة هي نموذج روبوت يحتوي على 0.9 مليار بارامتر فقط (وهو رقم ضئيل مقارنة بالعمالقة الذين يمتلكون 7 مليارات بارامتر) ويمكنه التعامل مع المواقف الواقعية الصعبة والفوضوية بشكل أفضل من النماذج التي تفوقه ثمانية أضعاف في الحجم.
المشكلة: عقول ضخمة، روبوتات صغيرة
لسنوات، كانت أفضل الروبوتات لتنفيذ التعليمات تشبه الدبابات الضخمة والثقيلة. لفهم أمر مثل "التقط الكوب الأزرق وضعه على الطاولة"، تستخدم هذه الروبوتات نماذج حاسوبية ضخمة تتراوح بين 3 إلى 7 مليارات بارامتر. وبينما تعد هذه النماذج ذكية للغاية، إلا أنها ضخمة أيضاً؛ فهي تتطلب حوالي 20 جيجابايت من ذاكرة الحاسوب لمجرد التشغيل. هذا يشبه محاولة وضع مكتبة كاملة داخل حقيبة ظهر؛ الأمر ببساطة لا يتناسب مع الحجم.
أراد الباحثون معرفة: هل نحتاج حقاً إلى عقل ضخم جداً لنكون أذكياء؟ أم يمكننا بناء روبوت صغير وفعال يكون بنفس الجودة في التعامل مع فوضى العالم الحقيقي غير المتوقعة؟
الحل: عقل صغير باستراتيجية كبيرة
بنى الفريق CoTinyVLA، وهو عقل روبوت يحتوي على 0.9 مليار بارامتر فقط. ولجعل هذا النموذج الصغير بقوة العمالقة، لم يكتفوا بتغذيته بمزيد من البيانات، بل غيروا كيفية تعلمه وما يركز عليه. استخدموا ثلاث حيل رئيسية، أطلقوا عليها اسم "الإشراف الهيكلي" (Structured Supervision)، لتعليم الروبوت التفكير بشكل أفضل.
1. "العينان" وآلة الزمن
تخيل أنك تحاول الإمساك بكرة. إذا رأيت صورة واحدة فقط للكرة، فلن تعرف ما إذا كانت قادمة نحوك أم تبتعد عنك. أنت بحاجة لرؤية فيديو قصير لفهم الحركة.
تم تعليم CoTinyVLA النظر إلى العالم من خلال "عينين" مختلفتين في نفس الوقت:
- عين الشخص الثالث: كاميرا تنظر إلى الغرفة بأكملها لترى أين توجد الأشياء.
- عين المعصم: كاميرا على يد الروبوت لترى بالضبط ما يلمسه القابض.
بدلاً من مجرد النظر إلى اللحظة الحالية، يشاهد الروبوت "فيلمًا" قصيراً لآخر 16 إطاراً (8 إطارات من كل عين). وهذا يمنحه إحساساً بالوقت والحركة، مما يساعده على فهم سرعة الأشياء واتجاهها.
2. ورقة غش "خطط وفكر"
هذه هي الحيلة الأهم. قبل أن يتحرك الروبوت، يتم تعليمه كتابة قصة.
- الخطة: في بداية المهمة، يكتب الروبوت "قائمة مهام" رفيعة المستوى (مثلاً: "أولاً، أمسك الكوب. ثانياً، ارفعه. ثالثاً، ضعه على الطاولة"). هذه الخطة تظل ثابتة طوال المهمة.
- التفكير: قبل كل حركة صغيرة، يكتب الروبوت ملاحظة سريعة عما يفعله الآن (مثلاً: "أنا أغلق قبضتي"، أو "أنا أرفع الكوب").
يتعلم الروبوت هذا من خلال مراقبة روبوت أكبر وأذكى (روبوت "معلم" يمتلك 35 مليار بارامتر) وهو يحل المهام نفسها. يقوم الروبوت الصغير بتقليد عملية التفكير لدى المعلم، وهذا يساعد الروبوت الصغير على فهم لماذا يفعل شيئاً ما، وليس فقط ماذا يفعل.
3. لعبة "إعادة الصياغة"
غالباً ما ترتبك الروبوتات إذا قلت الشيء نفسه بطريقة مختلفة. إذا تم تدريب الروبوت فقط على عبارة "التقط الكوب"، فقد يتعثر إذا قلت له "أمسك الكوب" (Grab the cup).
لحل هذه المشكلة، علم الباحثون الروبوت بـ 40 تعليمات أساسية ولكنهم وسعوها إلى 800 نسخة مختلفة. قاموا باستبدال الكلمات (مثل تغيير "التقط" إلى "أمسك" أو "ارفع")، وتغيير أوصاف الأشياء (مثل "وعاء أسود" إلى "وعاء داكن")، وحتى إضافة عبارات مهذبة مثل "هل يمكنك من فضلك...". هذا علم الروبوت فهم معنى الأمر، وليس مجرد الكلمات المحددة.
النتائج: الصغير يحقق انتصاراً كبيراً
اختبر الباحثون CoTinyVLA على LIBERO-Plus، وهي مجموعة اختبار صعبة مصممة لمعرفة مدى قدرة الروبوتات على التعامل مع التغييرات في العالم. يتضمن الاختبار أكثر من 10,000 سيناريو مختلف حيث تسوء الأمور: يبدأ الروبوت من وضع غريب، أو تتغير الإضاءة، أو تختلف الخلفية، أو تُصاغ التعليمات بشكل غريب.
كانت النتائج مفاجئة. فقد تفوق CoTinyVLA، بـ 0.9 مليار بارامتر فقط، على أقوى النماذج التي تمتلك 7 مليارات بارامتر في جميع فئات الاختبار الأربع الرئيسية:
- المكاني (Spatial): نجاح بنسبة 90.8% (متفوقاً على النماذج الكبيرة بـ 4.7 نقطة).
- الأشياء (Object): نجاح بنسبة 87.3% (متفوقاً على النماذج الكبيرة بـ 2.8 نقطة).
- الهدف (Goal): نجاح بنسبة 86.6% (متفوقاً على النماذج الكبيرة بفارق هائل قدره 15.9 نقطة).
- الطويل (Long): نجاح بنسبة 80.7% (متفوقاً على النماذج الكبيرة بـ 3.0 نقاط).
كان أكبر فوز في فئة "الهدف"، حيث كان الروبوت الصغير أفضل من أفضل روبوت عملاق بنحو 16 نقطة. وهذا مثير للإعجاب بشكل خاص لأن CoTinyVLA يعمل على حاسوب يستخدم 2.25 جيجابايت فقط من الذاكرة، وهو حجم صغير بما يكفي ليتناسب مع العديد من الروبوتات في العالم الحقيقي.
لماذا هذا مهم؟
يظهر هذا البحث أنك لست بحاجة إلى عقل ضخم لتكون روبوتاً ذكياً. فمن خلال تعليم روبوت صغير كيف "يفكر" بطريقة مهيكلة (وضع الخطط والتحقق من خطواته) ومن خلال منحه النوع الصحيح من التدريب البصري واللغوي، يمكنه التعامل مع العالم الحقيقي الفوضوي وغير المتوقع بشكل أفضل من النماذج الأكبر بكثير.
وجد الباحثون أيضاً أن جزء "الخطة" في عملية التفكير أمر بالغ الأهمية. فإذا نزعت عن الروبوت القدرة على وضع خطة، تنخفض نسبة نجاحه بمقدار 40 إلى 45 نقطة. وهذا يثبت أن الروبوت لا يقوم بمجرد التخمين، بل يستخدم الخطة فعلياً لتوجيه أفعاله.
باخت-صار، يثبت CoTinyVLA أنه مع طرق التعليم الصحيحة، يمكن لروبوت صغير وفعال أن يكون قادراً بقدر ما هو قادر الحاسوب العملاق، مما يقربنا خطوة أخرى من امتلاك روبوتات ذكية ومفيدة في منازلنا وأماكن عملنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.