Flex-: A Multi-Stream World-Action Model with Compute Flexibility
يُعد Flex- نموذجاً للأفعال العالمية بـ 6 مليارات معلمة، يستفيد من مشفر تلقائي (VAE) لتوليد الفيديو مجمد لترميز الهندسة ثلاثية الأبعاد ودلالات الأشياء ضمن بيانات RGB بشكل ضمني، مما يتيح نهج تدريب متعدد المسارات ومرناً يحقق تعميماً وكفاءة فائقين في مهام المناولة ثنائية اليد في العالم الحقيقي دون الحاجة إلى مستشعرات جديدة أو إعادة تدريب مسبق.
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 روبوتًا يحاول تعلم كيفية طي قميص أو إصلاح لعبة مكسورة. لفترة طويلة، كان العلماء يعلمون الروبوتات عبر عرض آلاف الفيديوهات لبشر يقومون بالمهمة، آملين أن يقوم الروبوت بمجرد "نسخ" الحركات. لكن هذا يشبه محاولة تعلم قيادة السيارة من خلال مراقبة أضواء لوحة القيادة فقط؛ فأنت ترى عداد السرعة يرتفع، لكنك لا تفهم الطريق، أو المنعطفات، أو السيارات الأخرى. يحاول نهج أحدث وأكثر ذكاءً يسمى "نماذج العالم-الفعل" (World-Action Models) إصلاح ذلك. فبدلاً من مجرد النسخ، تحاول هذه النماذج التنبؤ بما سيحدث لاحقاً في المستقبل. إنها تسأل: "إذا حركت ذراعي بهذه الطريقة، كيف سيبدو العالم بعد ثانية من الآن؟". ومن خلال تخمين المستقبل، يتعلم الروبوت قواعد الفيزياء وكيفية تفاعل الأشياء، مما يجعله أفضل بكثير في اكتشاف مهام جديدة دون الحاجة إلى مليون مثال. ومع ذلك، فإن معظم هذه الروبوتات الذكية تنظر فقط إلى صور مسطحة ثنائية الأبعاد (مثل الكاميرا العادية)، وهو أمر قد يكون مربكاً عند محاولة الإمساك بجسم ثلاثي الأبعاد قد يكون مخفياً خلف شيء آخر.
هنا يأتي دور FLEX-π، وهو عقل روبوتي جديد يحل هذا اللغز بحيلة ذكية. فكر في FLEX-π كطاهٍ ماهر يمكنه تذوق الحساء ومعرفة التوابل الموجودة فيه بالضبط، ومدى حرارته، وكثافته، حتى لو لم يملك سوى ملعقة واحدة من السائل. في الماضي، لكي تجعل الروبوت يفهم الأشكال ثلاثية الأبعاد (مثل العمق) أو معاني الأشياء (مثل "هذا كوب وليس كرة")، كان على العلماء تزويد الروبوت بكاميرات ثلاثية الأبعاد باهظة الثمن أو تعليمه طرقاً جديدة تماماً لرؤية العالم. أما FLEX-π، فقد اكتشف "غداءً مجانياً". فقد أدرك أن نفس العقل الذي يستخدمه لفهم الصور المسطحة يمكنه أيضاً فهم الأشكال ثلاثية الأبعاد ومعاني الأشياء بشكل مثالي تقريباً، دون أي تدريب إضافي أو أجهزة جديدة.
لقد بنى الباحثون نموذجاً بـ 6 مليارات معامل (عقل رقمي ضخم جداً) يتعلم التنبؤ بثلاثة أشياء في آن واحد: كيف ستبدو الصورة التالية، وما هو الشكل ثلاثي الأبعاد للمشهد، وما هي الأشياء المهمة في المشهد. يحدث السحر لأنهم دربوا الروبوت على تخيل هذه الأشياء الثلاثة معاً. فإذا رأى الروبوت صورة لكوب، فهو لا يرى مجرد صورة مسطحة؛ بل يتخيل في الوقت نفسه العمق ثلاثي الأبعاد للكوب ويعرف أنه "كوب". والأفضل من ذلك، أنهم علموا الروبوت أن يكون مرناً. فخلال التدريب، كانوا يخفون أحياناً البيانات ثلاثية الأبعاد أو أسماء الأشياء، مما يجبر الروبوت على تخمينها باستخدام الصورة المسطحة فقط. وهذا يعني أنه عندما يعمل الروبوت فعلياً، يمكنه العمل في "الوضع السريع" باستخدام الكاميرا فقط (متجاهلاً البيانات ثلاثية الأبعاد وبيانات الأشياء) وسيظل ذكياً للغاية، أو يمكنه العمل في "الوضع الفائق" باستخدام جميع البيانات إذا كان لديه الوقت.
النتائج مبهرة. فعند اختبارها على روبوتات حقيقية تقوم بمهام صعبة — مثل استخدام مفك براغي لإصلاح قبضتها بدقة المليمتر، أو إغلاق سحاب مقلمة ناعمة ولينة — تفوق FLEX-π على أفضل عقول الروبوتات الموجودة بفارق كبير، حيث كان أفضل بمقدار 2 إلى 7 مرات أحياناً. لقد تعلم هذه المهارات المعقدة بعدد قليل جداً من العروض التوضيحية، مما يعني أنه لم يكن بحاجة لمشاهدة البشر وهم يؤدون المهمة مئات المرات. ولعل الأمر الأكثر إثارة للدهشة هو أنه حتى عندما تم ضبط FLEX-π على "الوضع السريع" واستخدم الكاميرا فقط (متجاهلاً البيانات ثلاثية الأبعاد وبيانات الأشياء التي تعلمها)، كان لا يزال أسرع وأكثر نجاحاً من غيره من الروبوتات الرائدة. تُظهر الورقة البحثية أنه من خلال تعليم الروبوت تخيل المستقبل ثلاثي الأبعاد ومعنى الأشياء، يمكننا جعله أكثر ذكاءً وقدرة على التكيف، وكل ذلك دون الحاجة إلى مستشعرات جديدة أو إبطاء سرعته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.