HumanCLAW: Can Vision-Language Models Act Through a Body?
تقدم هذه الورقة البحثية HumanCLAW، وهو إطار عمل يفصل بين اتخاذ القرار في نماذج الرؤية واللغة وبين التنفيذ الحركي لتقييم الذكاء المتجسد، كاشفاً أن النماذج الحالية تخفق في المهام الفيزيائية طويلة المدى بشكل أساسي بسبب نقص الوعي الذاتي المتجسد بدلاً من قدرات الإدراك.
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 تقوم بتعليم روبوت عبقري وذكي للغاية كيف يلعب لعبة فيديو. لكن هذه ليست مجرد لعبة عادية؛ إنها لعبة يتعين على الروبوت فيها التحكم في جسد حقيقي يمكنه التعثر، أو السقوط، أو الاصطدام بالجدران، أو قلب المزهريات. في عالم الذكاء الاصطناعي، لدينا نوعان رئيسيان من "الأدمغة" للروبوتات. النوع الأول يشبه الطيار الذي حفظ ملايين مسارات الطيران المحددة؛ هو بارع جداً في فعل ما رآه من قبل بالضبط، ولكن إذا هبت الرياح بشكل مختلف، فقد يصطدم. أما النوع الآخر فهو "نموذج الرؤية واللغة" (VLM). فكر في هذا كأنه روبوت يمتلك مكتبة ضخمة من الكتب وكاميرا كعينين. يمكنه قراءة قصة، والنظر إلى صورة، وفهم أفكار معقدة مثل "ابحث عن الأريكة الحمراء واجلس عليها". إنه مذهل في التفكير والتحدث، لكنه لم يسبق له أبمة تحريك جسد من قبل.
السؤال الكبير الذي يطرحه العلماء الآن هو: هل يمكن لهذا الروبوت "المثقف" أن يفعل أشياء حقاً في العالم الحقيقي؟ هل يمكنه تحويل فكرة رفيعة المستوى مثل "اذهب إلى المطبخ" إلى تلك الحركات العضلية الدقيقة التي تحدث في أجزاء من الثانية والمطلوبة للمشي دون السقوط؟ عادةً، عندما يفشل الروبوت، يكون من الصر ح تحديد ما إذا كان "الدماغ" قد اتخذ قراراً سيئاً (مثل المشي نحو جدار) أو أن "الجسد" ببساطة لم يستطع القيام بالمهمة (مثل فقدان التوازن). ولحل هذا اللغز، احتاج الباحثون إلى طريقة لفصل التفكير عن الحركة، حتى يتمكنوا من رؤية أين تعثر دماغ الروبوت بالضبط.
وهنا يأتي دور دراسة جديدة تسمى HumanCLAW. فقد بنى الباحثون ساحة اختبار خاصة ليروا ما إذا كانت هذه الأدمغة الذكية للذكاء الاصطناعي يمكنها التحكم في جسد يشبه البشر في عالم مادي. لم يدربوا الذكاء الاصطناعي على الحركة؛ بل أعطوه فقط كاميرا، وهدفاً، وقائمة من الحركات الأساسية مثل "امشِ للأمام"، "استدر"، أو "اجلس". ثم تركوا الذكاء الاصطناعي يحاول التنقل عبر 41 منزلاً افتراضياً مختلفاً للعثور على أشياء والجلوس عليها.
كانت النتائج صادمة. فحتى أكثر نماذج الذكاء الاصطناعي تطوراً وذكاءً اليوم فشلت في معظم المرات. نجح أفضل نموذج في حوالي 16.8% فقط من المحاولات. وهذا يعني أنه فشل في أكثر من 83% من المرات.
الجزء الغريب هو: لم يكن الذكاء الاصطناعي يفشل لأنه "أعمى". فعندما ظهر الجسم المستهدف (مثل الأريكة) بالفعل على الشاشة، كان الذكاء الاصطناعي يتعرف عليه دائماً تقريباً. لقد عرف ما الذي ينظر إليه. لم تكن المشكلة في الرؤية؛ بل كانت في معرفة مكانه.
اكتشف الباحثون أن نماذج الذكاء الاصطناعي هذه تعاني من حالة شديدة من "فقدان ذاكرة الجسد". إنهم يشبهون شبحاً يمكنه رؤية الأثاث بوضوح تام، لكنه لا يملك أدنى فكرة عن مكان ساقيه. عندما حاول الذكاء الاصطناعي المشي، كان غالباً ما يستمر في المشي حتى بعد وصوله بالفعل إلى الأريكة، أو يتوقف مبكراً جداً، ظناً منه أنه وصل بينما كان لا يزال بعيداً. وعندما حاول الجلوس، كان غالباً ما يخفض جسده في الهواء الطلق، جالساً على لا شيء لأنه لم يدرك أن الأريكة لم تكن تحته مباشرة. كما كان يمشي مباشرة نحو الجدران أو يتعثر بالعقبات دون أن يدرك أبداً أنه اصطدم بها.
تظهر الدراسة أن نماذج الذكاء الاصطناعي هذه، رغم كونها مذهلة في وصف العالم، إلا أنها سيئة للغاية في فهم مكانها فيه. يمكنها أن تخبرك كيف يبدو الكرسي، لكنها لا تستطيع معرفة كيفية الجلوس عليه دون السقوط. وخلص الباحثون إلى أنه لجعل الروبوتات قادرة حقاً على العمل في العالم الحقيقي، لا نحتاج فقط لتعليمها كيف ترى، بل كيف "تشعر" بمكان جسدها وكيف يتفاعل مع العالم من حولها. وإلى أن نحل مشكلة "الوعي بالذات المتجسد" هذه، ستظل حتى أكثر أدمغة الذكاء الاصطناعي ذكاءً مجرد أشباح خرقاء داخل آلات مادية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.