Qwen-CUA: Native Computer Use for (almost) Everything
تقدم الورقة البحثية Qwen-CUA، وهو وكيل استخدام حاسوب أصيل مبني على نموذج خليط من الخبراء (MoE) بحجم 397 مليار معلمة، يعمل حصرياً من خلال لقطات الشاشة وأحداث الإدخال دون الاعتماد على أشجار DOM، محققاً أداءً هو الأفضل في فئته في اختبارات استخدام الحاسوب من خلال تدريب النشر السحابي واسع النطاق، وتحسين المكافأة القابلة للتحقق، وبنية قابلة للتوسع.
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 ينتظر فيه حاسوبك أن تضغط أنت على الأزرار، بل يراقب فعلياً ما تفعله ويتعلم القيام به نيابة عنك. هذا هو الأفق المثير لـ "الوكلاء الذكيين" (AI agents)، وهو فرع من العلوم حيث يتم تعليم الحواسيب كيف تتصرف كالبشر في العالم الرقمي. لفترة طويلة، كان هؤلاء الوكلاء مثل طلاب عباقرة لا يستطيعون سوى قراءة الكتب المدرسية (الأكواد البرمجية) أو اتباع أدلة تعليمات صارمة (واجهات برمجة التطبيقات - APIs). لقد كانوا بارعين في الرياضيات والمنطق، ولكن إذا طلبت منهم استخدام برنامج قديم وفوضوي أو موقع إلكتروني يتغير في كل مرة تقوم فيها بتحديث الصفحة، فإنهم يضيعون. لم يكن بمقدورهم "رؤية" الشاشة كما يفعل الإنسان؛ بل كانوا يحتاجون إلى مخططات خاصة ببنية الموقع ليعرفوا أين توجد الأزرار. لكن معظم حياتنا الرقمية تحدث على شاشات لا تملك تلك المخططات. تعالج هذه الورقة البحثية تحدي تعليم الذكاء الاصطناعي ليكون متدرباً رقمياً حقيقياً: متدرب ينظر إلى الشاشة، ويفهم ما يجب فعله، ويضغط أو يكتب تماماً كما يفعل البشر، دون الحاجة إلى أي اختصارات خاصة أو خرائط خفية.
يقدم الفريق القائم على هذا البحث Qwen-CUA، وهو نوع جديد من الوكلاء الأذكياء المصممين ليكونوا مستخدمي حاسوب "أصليين". فكر في الأمر كتعليم روبوت قيادة سيارة؛ فبدلاً من إعطاء الروبوت خريطة رقمية مثالية لكل طريق وإشارة مرور (وهي خرائط لا توجد للكثير من البرامج القديمة أو المعقدة)، علموه أن ينظر من النافذة، ويرى الطريق، ويدير عجلة القيادة بناءً على ما يراه. لا يرى Qwen-CUA سوى لقطات شاشة لشاشة الحاسوب، ولا "يتصرف" إلا عبر إرسال أوامر لوحة المفاتيح والفأرة. إنه لا يختلس النظر تحت غطاء المحرك أو يطلب المساعدة من البرنامج؛ بل يكتفي بالمشاهدة والتعلم.
ولجعل هذا الروبوت ذكياً بما يكفي للتعامل مع المهام الواقعية، اضطر الباحثون إلى بناء صالة ألعاب تدريبية ضخمة. لقد أنشأوا أسطولاً سحابياً يضم ما يقرب من 100,000 وحدة معالجة مركزية افتراضية (تخيل مدينة من آلاف الحواسيب تعمل في آن واحد) وأعدوا حوالي 40,000 مهمة مختلفة ليتدرب عليها الذكاء الاصطناعي. وتراوحت هذه المهام بين أشياء بسيطة مثل تنظيم الملفات ومهام معقدة متعددة الخطوات في برامج احترافية. لم يحصل الذكاء الاصطناعي فقط على عبارة "عمل جيد" أو "حاول مجدداً" في نهاية المهمة؛ بل صُمم النظام للتحقق مما إذا كانت المهمة قد أُنجزت بالفعل بشكل صحيح، مما سمح للذكاء الاصطناعي بالتعلم من أخطائه مراراً وتكراراً.
النتائج مبهرة. ففي الاختبارات عبر ثمانية معايير مختلفة، تفوق Qwen-CUA باستمرار على نسخته السابقة، Qwen3.7، بل وصمد بقوة أمام بعض أكثر أنظمة الذكاء الاصطناٍ القوية والمكلفة المتاحة اليوم. على سبيل المثال، في اختبار يسمى OSWorld-Verified، والذي يقيس مدى قدرة الذكاء الاصطناعي على التعامل مع مهام سطح المكتب اليومية، سجل Qwen-CUA درجة 86.2، بينما سجل النموذج السابق 73.3. وعندما رفعوا هذا النطاق إلى نموذج أكبر يسمى Qwen-CUA-Max (الذي يحتوي على أكثر من تريليون معلمة/parameter)، ارتفعت الدرجة إلى 87.6.
أحد أروع الأشياء في هذه الورقة هو كيفية تعاملها مع المهام الطويلة والمعقدة. تخيل أنك تحاول تذكر قصة قرأتها قبل أسبوع بينما تكتب فصلاً جديداً. كان على الذكاء الاصطناعي أن يتذكر كيف كانت الشاشة تبدو قبل خطوات عديدة ليعرف أين يقف في مهمته. حل الباحثون هذه المشكلة من خلال منح الذكاء الاصطناعي "ذاكرة بصرية" تحتفظ بآخر 20 لقطة شاشة وتقوم بـ "طي" اللقطات الأقدم بذكاء في ملخص، حتى لا يشعر بالارتباك أو التشتت. وقد سمح ذلك للذكاء الاصطناعي بالحفاظ على هدوئه أثناء سير العمل الطويل دون أن ينسى بداية القصة.
تناولت الورقة أيضاً مسألة السلامة. فقد اختبروا الذكاء الاصطناعي ضد "RedTeamCUA"، وهو تحدٍ يتم فيه خداع الذكاء الاصطناعي عبر تعليمات مزيفة مخفية في الشاشة. كان النموذج الجديد أفضل بكثير في تجاهل هذه الخدع، حيث خفض معدل نجاح الهجمات من 36.6% إلى 16.4%، مع الاستمرار في إنجاز مهامه الخاصة.
أخيراً، استكشف الباحثون نهجاً "هجيناً". فقد وجدوا أنه إذا سمحوا للذكاء الاصطناعي باستخدام أداة سطر الأوامة (مثل عصا سحرية نصية لعمليات الملفات) جنباً إلى جنب مع مهارات الفأرة ولوحة المفاتيح، فإنه يستطيع إنهاء المهام بشكل أسرع. ومع ذلك، كان الذكاء الاصطناعي يغير الأدوات أحياناً في الوقت الخاطئ، لذا فبينما كان أسرع، لم يكن مثالياً دائماً بعد. ويشير المؤلفون إلى أن المزيد من التدريب، وهذا المزيج من المشاهدة البصرية والأوامر النصية، قد يكون المفتاح لجعل الوكلاء الأذكياء فعالين حقاً.
باخت-صار، تُظهر هذه الورقة أننا لسنا بحاجة إلى جسور خاصة لربط الذكاء الاصطناعي بحواسيبنا. فمن خلال تعليم الذكاء الاصطناعي ببساطة كيف ينظر إلى الشاشة ويتصرف كالإنسان، يمكننا بناء وكلاء مستعدين لتولي أي برنامج تقريباً، بدءاً من أحدث التطبيقات وصولاً إلى أقدم البرامج، وكل ذلك مع التعلم من كميات هائلة من الممارسة الواقعية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.