Outcome-Guided Distillation: A Teacher-Student Framework to Advance VLM Reasoning in Autonomous Driving

تخيل أنك تحاول تعليم روبوت قيادة سيارة. لفترة طويلة، حاول المهندسون بناء هذه الروبوتات كفريق من المتخصصين: جزء ينظر إلى الطريق، وآخر يتوقع أين ستذهب السيارات الأخرى، وثالث يقرر متى يدير عجلة القيادة. لكن هذا يشبه سباق التتابع حيث يسقط العصا كثيراً؛ فإذا تعثر العداء الأول، يفشل الفريق بأكمده. هناك فكرة أحدث وأكثر بريقاً وهي القيادة "من الطرف إلى الطرف" (End-to-End)، حيث يتعلم الروبوت النظر إلى الطريق وتحريك عجلة القيادة فوراً، تماماً كما يفعل الدماغ البشري. ومع ذلك، غالباً ما تكون هذه الروبوتات "صناديق سوداء"؛ فهي تتخذ القرارات، لكنها لا تستطيع شرح "لماذا". إذا انحرف الروبوت فجأة، فنحن لا نعرف ما إذا كان قد رأى كلباً، أو ظلاً، أو خللاً تقنياً. ولإصلاح ذلك، يحاول العلماء منح هذه الروبوتات "صوتاً" باستخدام نماذج الرؤية واللغة (VLMs) — وهي حواسيب فائقة الذكاء يمكنها رؤية الصور والتحدث عنها. والهدف هو جعل الروبوت "يفكر بصوت عالٍ" قبل أن يقود، مما يخلق سلسلة من المنطق يمكن للبشر فهمها. لكن هناك عقبة: تعليم هذه الروبوتات التفكير أمر صعب للغاية ومكلف، وأحياناً تخطئ في الحسابات، مما يحول المنحنى السلس إلى مسار متعرج ومضطرب.

تقدم هذه الورقة البحثية طريقة جديدة ذكية لتدريب روبوتات القيادة هذه، تعمل كمعلم خبير يوجه طالباً. يقترح الباحثون، زييو دونغ وفريقه، إطار عمل يسمى "التقطير الموجه بالنتيجة" (Outcome-Guided Distillation). فبدلاً من مجرد مطالبة الروبوت بتخمين الإجابة الصحيحة، يستخدمون نموذج "معلم" يُجبر على النظر إلى مسار القيادة الصحيح أولاً، ثم يعمل بشكل عكسي لاستنتاج المنطق الذي أدى إليه. وهذا ما يسمى "الاستدلال التأملي". تخيل لاعب شطرنج بارعاً ينظر إلى نقلة فوز، ثم يشرح قائلاً: "لقد حركت حصاني إلى هنا لأن ذلك حاصر ملك الخصم في الزاوية". الروبوت يتعلم هذا المنطق، وليس مجرد الحركة. ثم، لضمان عدم ارتباك الروبوت بالأرقام (بما أن الذكاء الاصطناعي سيء جداً في الرياضيات)، قاموا بتقسيم الدماغ إلى جزأين: جزء يكتب القصة (الاستدلال)، وجزء منفصل ومتخصص يتولى التعامل مع إحداثيات التوجيه الدقيقة.

اختبر الفريق هذا الأسلوب على مجموعة بيانات "وايمو" (Waymo) للقيادة، وهي مجموعة ضخمة من سيناريوهات القيادة في العالم الحقيقي. ووجدوا أنه باستخدام هذا الأسلوب "التأملي"، حقق نموذج الروبوت الأصغر والأسرع أداءً أفضل بنسبة 24% تقريباً من روبوت مشابه لم يستخدم الاستدلال على الإطلاق. لم يكتفِ الروبوت بالقيادة فحسب، بل فهم لماذا يقود بهذه الطريقة. فعلى سبيل المثال، في منطقة أعمال إنشائية معقدة، حدد الروبوت بشكل صحيح علامة معينة كسبب لتغيير المسار، بينما قامت النماذج الأخرى بالتخمين فقط. ومن خلال تجميد "أعين" الروبوت (مشفر الرؤية) حتى لا ينسى ما يعرفه بالفعل عن العالم، ومن خلال فصل "التفكير" عن "التوجيه"، نجحوا في إنشاء نظام ليس فقط أكثر أماناً ودقة، بل أيضاً سريع بما يكفي للعمل في سيارة حقيقية. والنتيجة هي نظام قيادة شفاف، موثوق، وجاهز للانطلاق على الطريق دون الحاجة إلى إنسان ليضع تسميات توضيحية لكل صورة يراها.