Learning to Assemble Novel Structures with Unfamiliar Parts under Semantic Constraints

تخيل أنك تبني قلعة ضخمة ومعقدة من قطع الليغو. لديك القطع، ولديك التعليمات الخاصة بكيفية تركيبها فيزيائياً، ولديك ذراع آلية للرص. ولكن إليك المفاجأة: الروبوت لا يعرف "قواعد" القلعة. هو يعرف أن قطعة حمراء تناسب قطعة زرقاء، لكنه لا يعرف أنه في هذه المملكة تحديداً، "القطع الحمراء مخصصة فقط لبرج الملك، ولا تُستخدم أبداً لبرج السرداب". إذا حاول الروبوت بناء سرداب بقطعة حمراء، فقد يكون ذلك ممكناً من الناحية الفيزيائية، ولكنه سيكون كارثة "دلالية" (semantic)—فهو يكسر قصة القلعة. هذا هو التحدي الذي يواجهه الذكاء الاصطناعي العصبي الرمزي (neurosymbolic AI)، وهو مجال يحاول تعليم الروبوتات الجمع بين "الحدس" الناتج عن رؤية العالم (الشبكات العصبية) و"القواعد المنطقية" لكيفية سير الأشياء (الاستدلال الرمزي). عادةً، تتعلم الروبوتات من خلال مراقبتك وأنت تؤدي مهمة ما مرة أو مرتين. ولكن ماذا لو قدمت نوعاً جديداً من القطع أو قاعدة جديدة في منتصف اللعبة؟ هل يمكن للروبوت أن يتعلم أثناء العمل، ليس فقط من خلال مراقبة يديك، بل من خلال الاستماع إلى كلماتك؟

هذه الورقة البحثية، بعنوان "التعلم لتجميع هياكل جديدة بقطع غير مألوفة تحت قيود دلالية"، تستكشف هذا السيناريو بالضبط. قام الباحثون ببناء عالم محاكى حيث يحاول روبوت تجميع شاحنات ألعاب. العقبة هي؟ يبدأ الروبوت وهو لا يملك أي معرفة عما هي "شاحنة التفريغ" (dump truck)، أو كيف يبدو شكل "المفرغ" (dumper)، أو القاعدة التي تقول إن "شاحنات التفريغ لا يمكن أن تحتوي على أجزاء صفراء". بينما يحاول الروبوت البناء، فإنه يرتكب أخطاءً. هنا يتدخل معلم بشري، ليس فقط ليُظهر للروبوت كيفية تحريك ذراعه، بل ليشرح له "منطق" الخطأ. اختبر الفريق طرقاً مختلفة للتعليم: إظهار صورة للروبوت، أو إعطاؤه تسمية مثل "هذه هي المقصورة"، أو إعطاؤه جملة كاملة كقاعدة مثل "يجب أن تمتلك جميع شاحنات التفريغ مفرغاً".

تشير النتائج، التي وُجدت في محاكاة الكمبيوتر الخاصة بهم، إلى أن الطريقة الأكثر فعالية لتعليم الروبوت هي من خلال قواعد الجمل الكاملة. عندما اكتفى المعلم بالقول ببساطة، "استخدم هذا بدلاً من ذاك"، تعلم الروبوت ببطء وارتكب الكثير من الأخطاء. ولكن عندما شرح المعلم القاعدة العامة ("الأجزاء الملونة من شاحنة التفريغ يجب ألا تكون صفراء")، تعلم الروبوت بشكل أسرع وجمع الشاحنات بأخطاء أقل بكثير. اتضح أن إعطاء الروبوت "قاعدة استرشادية" قابلة لإعادة الاستخدام يشبه تسليمه دليل مرجعي للمستقبل، بدلاً من مجرد تصحيح حركة واحدة. وتظهر الدراسة أنه بينما تتحسن الروبوتات في الرؤية والإمساك بالأشياء، إلا أنها تحتاج حقاً إلى كلماتنا لفهم "المعنى" الكامن وراء عملية التجميع، خاصة عندما تواجه أجزاءً وقواعد لم ترها من قبل.

قصة الروبوت الباني المتحدث

تخيل روبوتاً يُدعى "بيلدر-بوت" (Builder-Bot) يجلس أمام طاولة مغطاة بقطع ألعاب ملونة ومربعة. مهمته؟ بناء أنواع محددة من شاحنات الألعاب، مثل شاحنات الإطفاء، أو شاحنات الصواريخ، أو شاحنات التفريغ. لكن "بيلدر-بوت" هو بمثة صفحة بيضاء؛ فهو لم يتم تدريبه على هذه الشاحنات المحددة بعد. هو لا يعرف ما هو "المفرغ"، ولا يعرف أن "شاحنة الإطفاء" تحتاج إلى سلم، وبالتأكيد لا يعرف القاعدة السرية التي تقول إن "شاحنات الإطفاء يجب أن تمتلك رفارف حمراء".

في العالم الحقيقي، إذا علمت روبوتاً بناء شاحنة، فقد تكتفي بعرض فيديو لك وأنت تفعل ذلك مرة أو مرتين. سيراقب الروبوت يديك، ويحفظ الحركات، ويحاول تقليدها. هذا يسمى "التعلم من التوضيحات" (learning from demonstrations). وهو يعمل بشكل رائع للأمور الفيزيائية: "ارفع الكتلة الحمراء، حركها إلى هنا، ثبتها هناك". لكنه سيء جداً بالنسبة لـ "القواعد". إذا أريت الروبوت يبني شاحنة إطفاء برفرف أحمر، ثم طلبت منه لاحقاً بناء شاحنة تفريغ، فقد يضع الرفرف الأصفر على شاحنة التفريغ عن طريق الخطأ. فيزيائياً، الرفرف الأصفر يناسب المكان تماماً. ولكن دلالياً، هذا خطأ لأن شاحنات التفريغ لها قواعد مختلفة. لا يستطيع الروبوت تخمين القاعدة بمجرد المشاهدة؛ إنه بحاجة لأن يُقال له ذلك.

هنا يأتي دور النهج "العصبي الرمزي" (neurosymbolic) الخاص بالورقة البحثية. فكر في عقل الروبوت كأنه يحتوي على غرفتين متميزتين:

1. غرفة الرؤية (العصبية): هنا ينظر الروبوت إلى الطاولة. يرى كتلة من البكسلات ويقول: "هذا يبدو كمقصورة، أنا متأكد بنسبة 80%". هي جيدة في تخمين ماهية الأشياء بناءً على ما رآه من قبل.
2. غرفة المنطق (الرمزية): هنا يحتفظ الروبوت بكتاب القواعد الخاص به. يحتوي على عبارات مثل "إذا كانت شاحنة إطفاء، فيجب أن تحتوي على سلم". هذه الغرفة مثالية للتحقق مما إذا كانت الخطة منطقية، لكنها عمياء عن العالم ما لم تخبرها "غرفة الرؤية" بما تراه.

أراد الباحثون معرفة كيف يمكن لهاتين الغرفتين التواصل عندما يواجه الروبوت شيئاً جديداً تماماً. أنشأوا محاكاة يحاول فيها الروبوت بناء شاحنات أثناء الدردشة مع معلم بشري. يمكن للمعلم المساعدة بعدة طرق مختلفة، وقد اختبر الباحثون أربعة "أساليب تعليمية" لمعرفة أي منها يساعد الروبوت على التعلم بشكل أسرع.

الأسالاليب التعليمية الأربعة

قارن الباحثون بين أربعة طرق لتفاعل المعلم مع "بيلدر-بوت":

1. المراقب الصامت (NoLabels+CaseMemory): لا يستخدم المعلم أي كلمات محددة مثل "مقصورة" أو "مفرغ". هو فقط يشير ويقول: "استخدم هذا، وليس ذاك". على الروبوت أن يخمن أسماء الأجزاء ويتذكر التصحيح المحدد لتلك اللحظة بالضبط. الأمر يشبه محاولة تعلم لغة جديدة حيث يشير المعلم فقط إلى الأشياء دون تسميتها.
2. المُسمِّي (LabelsOnly): يعطي المعلم الروبوت الأسماء. "هذه مقصورة. هذا مفرغ". يتعلم الروبوت المفردات ويمكنه التعرف على الأجزاء، لكنه لا يحصل على أي قواعد حول كيفية استخدامها.
3. المُصحِّح (Labels+CaseMemory): يعطي المعلم الأسماء ويذكر أخطاءً محددة. "تذكر، بالنسبة لشاحنة التفريغ، استخدم المقصورة الحمراء، وليس الزرقاء". يتعلم الروبوت الأسماء ويخزن قائمة من "الممنوعات" لحالات معينة، لكنه لا يتعلم القاعدة العامة وراءها.
4. مانح القواعد (Labels+TeacherRules): هذا هو الحزمة الكاملة. يعطي المعلم الأسماء ويشرح القواعد العامة. "شاحنة التفريغ يجب أن تمتلك مفرغاً"، أو "الأجزاء الملونة من شاحنة التفريغ يجب ألا تكون صفراء". يأخذ الروبوت هذه الجمل ويحولها إلى قواعد منطقية صارمة في "غرفة المنطق" الخاصة به.

الاكتشاف الكبير: القواعد تتفوق على الأمثلة

عندما أجرى الباحثون المحاكاة 30 مرة مع 40 تحدياً مختلفاً للتجميع، ظهر نمط واضح.

الروبوت الذي حصل فقط على التسميات والتصحيحات المحددة (الأسلوب 3) تعلم تقريباً بقدر ما تعلم الروبوت الذي حصل على التسميات فقط (الأسلسل 2). كلاهما كان أفضل من المراقب الصامت، لكنهما لا يزالان يرتكبان الكثير من الأخطاء. لماذا؟ لأنه عندما يرى الروبوت جزءاً جديداً أو نوعاً جديداً من الشاحنات، يتعين عليه التخمين بناءً على ذاكرته لأخطاء الماضي المحددة. كان الأمر أشبه بمحاولة حل لغز عبر تذكر كل مرة وضعت فيها قطعة في مكان خاطأ، بدلاً من فهم الصورة الموجودة على الصندوق.

ومع ذلك، كان الروبوت الذي حصل على القواعد العامة (الأسلوب 4) متميزاً حقاً. فقد ارتكب أخطاءً أقل بكثير وتعلم بشكل أسرع بكثير. النتيجة الرئيسية هنا هي أن الروبوت لم يتحسن فقط في رؤية الأجزاء، بل أصبح أفضل في التخطيط. عندما سمع الروبوت: "شاحنات التفريغ لديها مفرغ"، لم يحفظ تلك الشاحنة فحسب، بل قام بتحديث كتاب القواعد الداخلي الخاص به. في المرة التالية التي توجب عليه فيها بناء شاحنة تفريغ، قامت "غرفة المنطق" لديه بالتحقق فوراً: "هل لدي مفرغ؟ لا؟ إذن لا يمكنني بناء هذه الشاحنة بعد".

تشير الورقة البحثية إلى أن تعلم "القيود الدلالية" هو العامل الأساسي. فمن خلال التواصل عبر قواعد العالم باستخدام اللغة الطبيعية، أعطى المعلم للروبوت أداة يمكنه استخدامها مراراً وتكراراً. لم يكن عليه إعادة تعلم الدرس في كل مرة تظهر فيها شاحنة جديدة. استطاع الروبوت أخذ قاعدة "شاحنات الإطفاء تحتاج إلى رفارف حمراء" وتطبيقها على أي شاحنة إطفاء واجهها، حتى لو لم يرَ ذلك الرفرف الأحمر المحدد من قبل.

لماذا هذا مهم (وما ليس كذلك)

من المهم ملاحظة أن هذا ليس روبوتاً يمكنه الخروج وبناء سيارة حقيقية في مرآب غداً. لقد حدثت التجارب بالكامل في محاكاة كمبيوتر باستخدام شاحنات ألعاب. كانت "عيون" الروبوت مثالية (كان يعرف مكان كل قطعة بدقة)، واتبع المعلم نصاً صارماً. ويؤكد الباحثون أن هذا هو خطوة نحو جعل الروبوتات أكثر قدرة على التكيف، وليس حلاً نهائياً للمشكلة.

لكن التبعات مثيرة للاهتمام. في المستقبل، إذا أردت من روبوت أن يساعدك في بناء أثاث أو تجميع مجموعة معقدة، فلن تحتاج لقضاء ساعات في تصوير نفسك وأنت تفعل ذلك. قد تكتفي بالقول: "مهلاً، أرجل هذه الطاولة يجب أن تكون الثقيلة، وليست الخفيفة"، وسيفهم الروبوت القاعدة فوراً ويطبقها على الطاولة التالية التي تطلب منه بناءها.

تظهر الورقة البحثية أنه بينما تصبح الروبوتات بارعة في الرؤية والتحريك، إلا أنها لا تزال تتعلم كيفية "الاستماع" إلى منطق لغتنا. ومن خلال الجمع بين قدرة الروبوت على الرؤية وقدرته على الاستدلال بشأن القواعد، يمكننا تعليمهم التعامل مع غير المتوقع، وتحويلهم من مجرد مقلدين جامدين إلى شركاء تعلم مرنين. لم يتعلم الروبوت بناء شاحنة فحسب؛ بل تعلم كيف يتعلم قواعد اللعبة.