Benchmarking and Reasoning Distillation of Large Language Models for Feedback Controller Design in Complex Dynamical Systems
تقدم هذه الورقة البحثية CoDyControlBench لتقييم النماذج اللغوية الكبيرة في تصميم وحدات التحكم بالتغذية الراجعة المعقدة، مما يكشف عن فجوات أداء كبيرة مدفوعة بالمعرفة في مجال التحكم، وتُظهر أن نموذجاً بـ 1.5 مليار معلمة مستخلص عبر الاستنتاج يمكنه تحقيق نجاح قوي وقابل للنشر عند الحواف في تطبيقات الروبوتات الفيزيائية.
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 تحاول تعليم روبوت كيف يمشي، أو يطير، أو يحمل كوباً رقيقاً دون أن يسقطه. للقيام بذلك، تحتاج إلى "متحكم بالتغذية الراجعة" (feedback controller). فكر في هذا المتحكم كأنه الأذن الداخلية والدماغ يعملان معاً: فهو يتحقق باستمرار من مكان وجود الروبوت، ويقارنه بالمكان الذي يريد أن يكون فيه، ثم يجري تعديلات طفيفة وفورية للحفاظ على استقراره. إذا بدأ الروبوت في التمايل، فإن المتحكم يدفع في الاتجاه المعاكس؛ وإذا كان بطيئاً جداً، فإن المتحكم يعطيه دفعة. لعقود من الزمن، كان تصميم هذه المتحكمات مهمة لمهندسين بشريين مدربين تدريباً عالياً يقضون سنوات في دراسة الرياضيات والفيزياء. ولكن مؤخراً، بدأ نوع جديد من الأدمغة الرقمية يظهر، وهو "النماذج اللغوية الكبيرة" (LLMs). هذه هي نفس أنواع الذكاء الاصطناعي التي يمكنها كتابة القصائد، وحل الألغاز، والدردشة معك. والآن، يتساءل العلماء سؤالاً كبيياً: هل يمكن لهذه الأدمغة الاصطناعية "الثرثارة والمبدعة" أيضاً أن تقوم بالعمل الهندسي الشاق؟ هل يمكنها تصميم الرياضيات التي تمنع الروبوت من السقوط، حتى عندما يكون الروبوت معقداً، أو متمايلاً، أو يتحرك بطرق غريبة؟
هذه الورقة البحثية، التي تحمل عنوان "تقييم وتدقيق الاستنتاج للنماذج اللغوية الكبيرة لتصميم متحكمات التغذية الراجعة في الأنظمة الديناميكية المعقدة"، تغوص مباشرة في هذا السؤال. لقد أدرك الباحثون أنه بينما يتفوق الذكاء الاصطناعي في المهام البسيطة، لم يختبر أحد حقاً ما إذا كان بإمكانه التعامل مع الواقع الفوضوي والمعقد للآلات الحقيقية. لذا، قاموا ببناء ساحة اختبار ضخمة تشبه ألعاب الفيديو تسمى CoDyControlBench. تخيل مسار عقبات ضخم يحتوي على 132 مستوى مختلفاً. بعض المستويات سهلة، مثل عجلة واحدة تتدحرج على طريق مستوٍ. وهناك مستويات كابوسية: روبوت بست عجلات حيث كل عجلة متشابكة مع الأخرى، والطريق يهتز، ووزن الروبوت نفسه يتغير أثناء حركته. الهدف؟ معرفة ما إذا كان بإمكان الذكاء الاصطناعي كتابة الكود البرمجي لقيادة هذا الروبوت بدقة نحو نقطة مستهدفة دون الاصطدام أو الانزلاق خارج السيطرة.
وضع الفريق ستة نماذج مختلفة من "الذكاء الاصطناعي فائق الذكاء" في مسار العقبات هذا. بعضها كانت نماذج تجارية مشهورة (مثل GPT وGemini وClaude)، وأخرى كانت نماذج مفتوحة المصدر (مثل Qwen وDeepSeek). كانت النتائج مزيجاً من الذهول والحذر. كان نجم العرض هو GPT، الذي نجح في تصميم متحكم يعمل بنسبة 94.8% في التحديات المعقدة. كان الأمر أشبه بمهندس بارع يمكنه النظر إلى كتلة متشابكة من الزنبركات والمحركات ومعرفة كيفية ضبطها فوراً. وفي الطرف الآخر من الطيف، نجح نموذج Qwen بنسبة 50% فقط من المرات؛ كان الأمر كأنه طالب يمكنه التعامل مع سيارة لعبة بسيطة، لكنه يصاب بالارتباك التام عندما تبدأ العجلات في الدوران في اتجاهات مختلفة.
وجد الباحثون أن المشكلة الكبرى للذكاء الاصطناعي لم تكن بالضرورة في كون الروبوت "غير خطي" (متمايل) أو "متغير زمنياً" (يتغير بمرور الوقت)، بل في عدد الأجزاء المتحركة. فكلما زاد عدد الأجزاء المتحركة (التي تسمى "درجات الحرية" أو DoF) من 1 إلى 6، انخفض معدل نجاح الذكاء الاصطناعي بشكل كبير. يبدو الأمر كما لو أن الذكاء الاصطناعي يمكنه التلاعب بكرة واحدة بسهولة، ولكن عندما تضيف كرة ثانية، وثالثة، وسادسة، يبدأ في إسقاطها. ومن المثير للاهتمام أن الذكاء الاصطناعي وجد أنه من الأسهل تصميم نوع معين من المتحكمات القائمة على الرياضيات المعقدة (المسمى "التحكم بالوضع المنزلق" أو Sliding Mode Control) مقارنة بمتحكم "PID" الأكثر بساطة وشيوعاً. كان هذا مفاجئاً، لأن البشر عادة ما يعتقدون أن النوع البسيط هو الأسهل. يبدو أن الذكاء الاصطناعي فضل القواعد الصارمة والخطوات المتتالية للرياضيات المعقدة على أسلوب "التخمين والتجربة" الخاص بالمتحكم البسيط.
ولكن إليكم الجزء الأكثر إثارة في القصة: لم يرد الباحثون فقط معرفة ما إذا كانت نماذج الذكاء الاصطناعي الضخمة الموجودة في السحابة يمكنها القيام بالمهمة؛ بل أرادوا معرفة ما إذا كان بإمكان ذكاء اصطناعي "صغير" أن يعمل على شريحة صغيرة داخل الروبوت. لاختبار ذلك، استخدموا تقنية تسمى "تدقيق الاستنتاج" (Reasoning Distillation). تخيل أن لديك معلماً عبقرياً (ذكاء اصطناعي ضخم) لا يعطيك الإجابة النهائية لمسألة رياضية فحسب، بل يكتب عملية تفكيره كاملة: "أولاً، أرى أن الروبوت يتأرجح لليسار، لذا أحتاج إلى الدفع لليمين. ولكن انتظر، إذا دفعت بقوة كبيرة، فسوف أتجاوز الحد المطلوب، لذا سأبطئ السرعة قليلاً". لقد علموا ذكاءً اصطناعياً صغيراً وخفيف الوزن (يحتوي على 1.5 مليار معلمة فقط، وهو رقم صغير بالنسبة للذكاء الاصطناعي) أن ينسخ عملية التفكير هذه، وليس مجرد الإجابة النهائية.
والنتيجة؟ الذكاء الاصطناعي الصغير الذي تعلم كيف يفكر مثل المعلم العبقري (المسمى "نموذج التفكير" أو Think-Model) أصبح مهندساً جيداً بشكل مدهش. فقد تفوق على الذكاء الاصطناعي الصغير الذي اكتفى بحفظ الإجابات، بل وتفوق على النموذج الأساسي الذي لم يتم تدريبه على الإطلاق. وفي اختبار واقعي، تم تثبيت هذا الذكاء الاصطناعي الصغير على ذراع روبوتية تعمل بعضلات مملوءة بالهواء (وهي عضلات معروفة بتمايلها وصعوبة التحكم بها). نجح الذكاء الاصطناعي الصغير في توجيه الذراع إلى زاوية مستهدفة في جميع المحاولات الثلاث، محافظاً على استقرارها ودقتها. يشير هذا إلى أننا قد لا نحتاج إلى حواسيب عملاقة في السحابة للتحكم في روبوتات المستقبل؛ بدلاً من ذلك، قد نتمكن من وضع مهندس ذكي قادر على الاستنتاج مباشرة على شريحة دماغ الروبوت نفسه.
باختختصار، تظهر الورقة البحثية أنه بينما أصبح الذكاء الاصطناعي اليوم جيداً جداً في تصميم متحكمات الروبوت، إلا أنه لا يزال يعاني مع الآلات الأكثر تعقيداً وتعدد الأجزاء. ومع ذلك، من خلال تعليم نماذج الذكاء الاصطناعي الصغيرة كيفية الاستنتاج من خلال المشكلة بدلاً من مجرد حفظ الحلول، يمكننا إنشاء متحكمات خفيفة الوزن وذكية تعمل مباشرة عند "الحافة" (on the edge)، جاهزة لإبقاء روبوتات المستقبل مستقرة، وآمنة، وفي المسار الصحيح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.