تخيل عالماً لا يكون فيه الإنترنت مجرد سحابة من الإشارات غير المرئية، بل سلسلة مادية من الرسل الطائرين. هذا هو مجال شبكات ترحيل الطائرات بدون طيار (UAV) المعتمدة على التتابع. فكر في هذه الطائرات ليس كالمستكشفة المنفردة، بل كروابط في سلسلة حية تتنفس. عندما تضرب كارثة ما وتتعطل أبراج الإنترنت الأرضية، تطير هذه الطائرات إلى السماء لبناء جسر مؤقت، تنقل البيانات من محطة أرضية إلى فريق إنقاذ بعيد. لكن بناء هذه السلسلة في مدينة يمثل كابوساً؛ فلا يمكن للطائرات أن تطير في خط مستقيم فحسب، بل يجب عليها تفادي ناطحات السباء، والبقاء ضمن مسافة معينة من بعضها البعض للتواصل، وضمان وجود خط رؤية واضح. الأمر يشبه محاولة ترتيب صف من الأشخاص يمسكون بأيدي بعضهم البعض في متاهة ثلاثية الأبعاد مزدحمة حيث يتحرك الجميع، وإذا أفلت شخص واحد الحبل، انقطعت السلسلة بأكملها.

لفترة طويلة، كان تحديد مكان وضع هذه الطائرات يمثل صداعاً حسابياً هائلاً. إنه يشبه محاولة حل لغز ثلاثي الأبعاد بينما القطع مشتعلة بالنيران. تحاول الطرق التقليدية حساب كل المسارات الممكنة من الصفر، وهو ما يتطلب قدراً هائلاً من قوة الحاسوب والوقت. وهنا يأتي مفهوم "تعلم النقل" (Transfer Learning). تخيل أنك قضيت سنوات في تعلم كيفية السير عبر غرفة مزدحمة دون الاصطدام بالناس؛ الآن، إذا أردت تعليم روبوت القيام بنفس الشيء، فلن تبدأ من الصفر، بل ستعطيه "الهيكل العظمي" لمسار مشيك. ورقة البحث هذه، Arm2Air، تطرح سؤالاً جريئاً: هل يمكننا أخذ "مسار المشي" الذي تعلمه ذراع روبوت (الذي يتحرك في خط، تماماً مثل سلسلة الطائرات بدون طيار الخاصة بنا) واستخدامه لتعليم الطائرات بدون طيار كيفية الطيران عبر مدينة؟

الفكرة الكبرى للورقة: استعارة "الذاكرة العضلية" للروبوت

أدرك الباحثون وراء Arm2Air أن الذراع الروبوتية وسلسلة الطائرات بدون طيار تشتركان في تشابه سري. فالذراع الروبوتية لها قاعدة، وهدف، وسلسلة من المفاصل بينهما يجب أن تتلوى حول العوائق للوصول إلى الهدف. أما سلسلة الطائرات بدون طيار فلها نقطة بداية، ونقطة نهاية، وسلسلة من الطائرات بينهما يجب أن تتفادى المباني للحفاظ على الإشارة حية. إنهما "جسدان" مختلفان — أحدهما ذراع معدنية، والآخر آلة طائرة — لكنهما يحلان نفس مشكلة "السلسلة المرتبة".

بدلاً من جعل الطائرات تتعلم الطيران من الصفر في كل مرة، تعمل Arm2Air كمترجم. فهي تأخذ "هيكلاً عظمياً" لمسار نجح ذراع الروبوت بالفعل في التنقل عبره. هي لا تنسخ حركات عضلات الروبوت المحددة أو أوامر المحرك؛ بل تنسخ شكل المسار — "العظام" الهندسية لكيفية انثناء المفاصل لتجنب العوائق.

إليك كيف يحدث السحر، خطوة بخطوة:

1. المصدر: أولاً، يستخدم النظام نموذج ذكاء اصطناعي مدرب مسبقاً لتوليد حركات لذراع روبوتية. يحول هذه الحركات إلى قائمة بسيطة ومرتبة من النقاط — "هيكل عظمي" — يوضح كيف نجحت الذراع في تفادي العوائق للوصول إلى هدفها.
2. الترجمة: يتم بعد ذلك تمديد هذا الهيكل العظمي للذراع الروبوتية وتدويره ليتناسب مع خريطة المدينة. يتم محاذاته مع الطائرة الأولى (البوابة) والوجهة (الهدف). وهذا يخلق تخميناً أولياً تقريبياً لمكان طيران الطائرات. إنه يشبه رسم مخطط أولي لمسار على خريطة قبل البدء في القيادة.
3. التكيف الذكي (LoRA): هذا هو الجزء الذكي. يستخدم النظام نوعاً خاصاً من الذكاء الاصطناعي يسمى "المحول" (Transformer) (وهو نفس التقنية التي تقف وراء العديد من برامج الدردشة الحديثة) للنظر في عوائق المدينة ثلاثية الأبعاد وهيكل الذراع الروبوتية. ويستخدم تقنية تسمى "التكيف منخفض الرتبة" (Low-Rank Adaptation - LoRA). فكر في LoRA كأداة "ضبط دقيق" تسمح للذكاء الاصطناعي بتعلم القواعد المحددة لعالم الطائرات بدون طيار (مثل مدى المسافة التي يمكنها طيرانها أو الارتفاع الذي يمكنها الوصول إليه) دون الحاجة لإعادة تعلم كل شيء من الصفر. فهو يقوم فقط بتحديث جزء ضئيل من دماغ الذكاء الاصطناعي، مما يجعله فعالاً للغاية.
4. اللمسة النهائية: يتنبأ الذكاء الاصطناعي بمجموعة جديدة من مواقع الطائرات بناءً على هيكل الذراع الروبوتية وتخطيط المدينة. لكنه لا يتوقف عند هذا الحد. هناك خطوة "تحسين" نهائية تتحقق من الفيزياء والقواعد: هل الإشارة قوية بما يكفي؟ هل الطائرة قريبة جداً من مبنى؟ هل التأخير طويل جداً؟ تقوم هذه الخطوة بتعديل المواقع بما يكفي لجعل السلسلة مثالية.

ما وجدوه: أسرع، أذكى، وأكثر كفاءة

كانت نتائج هذه التجربة مثيرة للإعجاب، خاصة عند مقارنتها بالطرق القديمة. اختبر الباحثون طريقتهم على تسعة خرائط مدن معقدة وعالية الازدحام ثلاثية الأبعاد لم يسبق للذكاء الاصطناعي رؤيتها من قبل.

• السرعة: كان الاكتشاف الأكثر لفتاً للنظر هو السرعة. قللت Arm2Air الوقت المستغرق لتخطيط سلسلة الطائرات بالكامل بنسبة 64.9% مقارنة بأسرع مخطط تقليدي. فبدلاً من أن يستمر الحاسوب في العمل الشاق لفترة طويلة، أعطاها "الهيكل العظمي المستعار" دفعة قوية للأمام.
• اتصالات أفضل: عند اختبارها على مجموعة منفصلة من 30 خريطة مدينة كثيفة وصعبة، أنشأت الطائبات التي وضعتها Arm2Air شبكة أقوى بكثير. كانت "أضعف حلقة" في السلسلة (سعة عنق الزجاجة) أقوى بنسبة 32.6% من الطريقة التالية الأفضل. وهذا يعني أن الشبكة كانت أقل عرضة للفشل.
• تذبذب أقل: لم تضطر الطائرات للتحرك كثيراً لاتخاذ مواقعها. قلل النظام المسافة التي توجب على الطائرات قطعها من تخمينها الأولي بنسبة 16.9% مقارنة بالطرق الأخرى، مما يوفر البطارية والوقت.
• كفاءة البيانات: ولعل الأهم من ذلك، أن Arm2Air تعلمت كل هذا ببيانات قليلة جداً. فقد احتاجت فقط إلى ثلاث خرائط تدريبية للتكيف مع عالم الطائرات الجديد. في المقابل، كان تدريب نموذج من الصفر سيتطلب تحديث أكثر من 1.383 مليون معلمة (parameter). بينما قامت Arm2Air بتحديث 0.134 مليون معلمة فقط، ومع ذلك حققت أداءً أفضل، حيث قللت الخطأ في تحديد مواقع الطائرات بنسبة 53.6% مقارنة بالبدء من الصفر.

ماذا يعني هذا (وما لا يعنيه)

تشير الورقة إلى أننا لسنا بحاجة لإعادة اختراع العجلة لكل روبوت أو طائرة بدون طيار جديدة. فمن خلال إدراك أن الذراع الروبوتية وسلسلة الطائرات بدون طيار كلاهما عبارة عن "هياكل مرتبة" تتفادى العوائق، يمكننا نقل "الذاكرة العضلية" من أحدهما إلى الآخر. هذا النهج غير مكلف حاسوبياً وفعال من حيث البيانات.

ومع ذلك، من المهم ملاحظة ما لا تدعيه هذه الورقة. النتائج مبنية على عمليات محاكاة وخرائط اختبار محددة. ويقترح المؤلفون أن هذا المبدأ يمكن أن يعمل في مهام أخرى، مثل تشكيلات الروبوتات المتعددة أو نشر المستشعرات، لكنهم لم يثبتوا ذلك بعد في العالم الحقيقي باستخدام طائرات فعلية تطير في طقس ديناميكي ومتغير. كما أنهم لم ينقلوا أوامر المحرك الفعلية للروبوت، بل نقلوا فقط الشكل الهندسي للمسار.

باخت مختصار، تُظهر Arm2Air أنه في بعض الأحيان، تكون أفضل طريقة لتعليم طائرة بدون طيار كيفية الطيران عبر مدينة هي سؤال ذراع روبوت عن كيفية سيرها عبر حشد. إنها طريقة مرحة، وفعالة، وناجحة بشكل مفاجئ لحل مشكلة جدية للغاية، مما يشير إلى أن مستقبل الروبوتات قد لا يتعلق ببناء عقول جديدة لكل جسد جديد، بل بمشاركة الحكمة الهيكلية التي تعلمناها بالفعل.