Zetta $\zeta$: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence

لطالما كانت الروبوتات قادرة على أداء مهام بسيطة ومتكررة في المصانع، لكن منحها المرونة للتعامل مع الطبيعة الفوضوية وغير المتوقعة للمنزل أو الورشة الحقيقية ظل أحد أصعب التحديات في الذكاء الاصطناعي. لسنوات، حاول الباحثون تعليم الروبوتات عبر تغذيتها بكميات هائلة من بيانات الفيديو، آملين أن تتعلم الآلة مجموعة واحدة مثالية من التعليمات لكل موقف محتمل. هذا النهج، رغم قوته، غالباً ما يفشل عندما ينحرف العالم الحقيقي ولو قليلاً عن فيديوهات التدريب؛ إذ يمكن لانزلاق طفيف في القابض أو تغير في الإضاءة أن يتسبب في تجمد الروبوت أو اصطدامه. وقد ظهر مسار بديل، يعامل الروبوتات ليس كبرامج ثابتة بل كوكلاء يمكنهم التفكير والتخطيط واستخدام الأدوات. ومع ذلك، حتى هؤلاء الوكلاء الأكثر ذكاءً واجهوا صعوبات في التعلم من أخطائهم في الوقت الفلوت. تعمل معظم الأنظمة في حلقة حيث تحاول تنفيذ مهمة، ثم تفشل، ثم تتأمل فقط فيما سار بشكل خاطئ بعد انتهاء المحاولة بأكملها. وبحلول الوقت الذي يحللون فيه الخطأ، تكون اللحظة المناسبة للإصلاح قد مضت، والتفاعل الفيزيائي قد انكسر بالفعل.

قدم فريق من الباحثين من جامعة تسينغ هوا وشركة Z-Trans AI نظاماً جديداً يسمى "زيتا" (Zetta)، والذي يغير كيفية تعلم الروبوتات من خلال سد الفجوة بين التفكير والعمل. فبدلاً من الانتظار حتى تنتهي المهمة للتعلم، يسمح "زيتا" للروبوت بمراقبة حالته الفيزيائية باستمرار أثناء حركته، مما يتيح له رصد الأخطاء في اللحظة التي تحدث فيها وتصحيحها فوراً. لا يحاول النظام إعادة تدريب "الدماغ الأساسي" للروبوت، الذي يظل ثابتاً ومستقراً، بل يبني طبقة من "النقاد في وقت التشغيل" (runtime critics)—وهي مراقبون متخصصون وصغار يراقبون أيدي الروبوت والأشياء التي يلمسها. إذا لاحظ أحد النقاد انزلاق القبضة أو أن شيئاً ما على وشك السقوط، فإنه يفعل مهارة استرداد مبرمجة مسبقاً لإنقاذ الموقف قبل أن يفقد الروبوت السيطرة. وهذا يخلق حلقة تطور ذاتي حيث يصبح الروبوت أفضل في مهمة معينة كلما حاول أكثر، ليس عن طريق تغيير فهمه الجوهري للعالم، بل من خلال تراكم مكتبة من الطرق المثبتة للتعامل مع الإخفاقات الفيزيائية.

اختبر الباحثون هذا النهج على معيارين رئيسيين للتلاعب الروبوتي: مجموعة من المهام التي تتضمن نقل الأشياء بين مواقع مختلفة، ومجموعة أكثر تعقيداً من الأعمال المنزلية مثل فتح الأدراج أو تشغيل الأجهزة. في هذه المحاكاة، بدأ النظام بسياسة روبوت أساسية بلغت نسبة نجاحها حوالي 35 بالمائة في المهام الأصعب. ومع تشغيل آلاف التجارب، بدأ النظام في تحديد اللحظات المحددة التي سارت فيها الأمور بشكل خاطئ. قام بتجميع هذه الإخفاقات، وحدد السبب الجذري، وكتب كوداً جديداً لإصلاحها. وفي غض_بضعة جولات فقط من هذا التصحيح الذاتي، قفزت نسبة النجاح في المهام الصعبة إلى أكثر من 90 بالمائة. لم يكن النظام مجرد محظوظ؛ بل أظهر نمطاً واضحاً من التحسن حيث كان يعاني لفترة، ثم يكتشف فجأة مبدأً فيزيائياً رئيسياً—مثل الحاجة إلى تثبيت القبضة قبل الرفع—فتقفز كفاءته للأمام. ويسمي الباحثون هذه الاختراقات المفاجئة بـ "لحظات الإدراك" (aha moments)، حيث يفهم الروبوت أخيراً القيد الفيزيائي الذي كان ينقصه.

إن ما يجعل هذا الاكتشاف مهماً بشكل خاص هو أن المهارات التي تعلمها الروبوت لم تكن مرتبطة بشيء واحد محدد أو غرفة واحدة محددة. فعندما أخذ الباحثون المهارات التي تعلمها الروبوت للتعامل مع زجاجة نبيذ في مهمة ما وطبقوها على مهمة مختلفة تماماً تتضمن حاوية جبنة كريمية، نجح الروبوت دون أي تدريب جديد. لقد تعلم النظام مبادئ عامة لكيفية الإمساك بالأشياء وتحريكها ووضعها، والتي نجحت عبر سيناريوهات مختلفة. يشير هذا إلى أن الروبوت لم يكن يحفظ مساراً نحو هدف فحسب، بل كان يتعلم فهماً أعمق لكيفية التفاعل مع العالم الفيزيائي. كما أثبت النظام أنه سريع للغاية، حيث أجرى عمليات محاكاة على مجموعة من الحواسيب لتوليد الخبرة اللازمة للتعلم. ومن خلال فصل منطق الروبوت عن الأجهزة التي تشغل المحاكاة، تمكن الباحثون من تشغيل عملية التعلم بسرعة تزيد عن عشرين ضعفاً عن الطرق السابقة، مما سمح للروبوت بتطوير مهاراته في غضون ساعات بدلاً من أيام.

يجادل الباحثون بأن هذا النهج يحل مشكلة جوهرية في الروبوتات: عدم قدرة النماذج الحالية على الاستجابة للتغيرات السريعة في العالم الفيزيائي. فنماذج الذكاء الاصطناعي الكبيرة بطيئة جداً في اتخاذ القرارات بالسرعة المطلوبة للإمساك بجسم يسقط أو تعديل قبضة تنزلق. ومن خلال إبقاء الدماغ الرئيسي ثابتاً وإضافة طبقة سريعة وتفاعلية من النقاد ومهارات الاسترداد، يجسّر "زيتا" الفجوة بين التخطيط عالي المستوى والتحكم الفيزيائي منخفض المستوى. أظهر النظام قدرته على التعامل مع تسلسلات طويلة ومعقدة من الأفعال، مثل التنقل في المطبخ، وفتح خزانة، ووضع عنصر بداخلها، وذلك عبر تقسيم المهمة إلى خطوات يمكن إدارتها وتوفير شبكة أمان جاهزة لكل فشل محتمل. في إحدى دراسات الحالة، فشل روبوت يحاول نقل زجاجة إلى وعاء مراراً في البداية لأنه أسقط الزجاجة أثناء النقل. وبعد جولات قليلة من التصحيح الذاتي، أضاف النظام فحصاً محدداً لضمان إحكام القبضة قبل التحرك، وقفزت نسبة النجاح في تلك المهمة من 15 بالمائ^ة إلى 95 بالمائة.

يسلط هذا العمل الضوء أيضاً على أهمية البنية التحتية في جعل هذا النوع من التعلم ممكناً. فلتطوير مهارات الروبوت، يحتاج النظام إلى إجراء آلاف التجارب للعثور على اللحظات النادرة التي يفشل فيها ثم تحليل تلك الإخفاقات. بنى الباحثون نظاماً متخصصاً لإدارة عبء العمل هذا، مما سمح لهم بتشغيل العديد من عمليات المحاكاة في آن واحد دون تباطؤ. كانت هذه البنية التحتية حاسمة لسرعة المشروع، حيث مكنت الفريق من جمع البيانات اللازمة لتدريب النقاد ومهارات الاسترداد بكفاءة. ولولا القدرة على توسيع نطاق عملية التعلم هذه، لكانت حلقة التطور الذاتي بطيئة جداً بحيث لا يمكن تطبيقها عملياً. وتشير النتائج إلى مسار جديد للذكاء الفيزيائي، مسار لا يحتاج فيه الروبوتات لأن تكون مثالية منذ البداية، بل يمكنها التعلم لتكون موثوقة من خلال التجربة، وتطوير قدرتها على التعامل مع غير المتوقع باستمرار.

تمتد تداعيات هذا البحث إلى ما هو أبعد من مجرد جعل الروبوتات أفضل في تحريك الأشياء. فهي تقدم مخططاً لكيفية تفاعل الذكاء الاصطناعي مع العالم الفيزيائي بطريقة قوية وقابلة للتكيف. ومن خلال التركيز على القدرة على اكتشاف الأخطاء والتعافي منها في الوقت الفعلي، يتجنب النظام الهشاشة التي عانت منها النهج السابقة. ويشير الباحثون إلى أنه بينما أُجري عملهم الحالي في المحاكاة، فإن المبادئ التي طوروها مصممة للنقل إلى الروبوتات الحقيقية. والخطوة التالية للفريق هي أخذ هذا الحزام المتطور ذاتياً واختباره على آلات فيزيائية، لسد الفجوة بين المحاكاة الرقمية والعالم الحقيقي. وإذا نجح الأمر، فقد يؤدي ذلك إلى روبوتات ليست مبرمجة لأداء مهمة فحسب، بل قادرة على التعلم وتحسين أدائها في كل مرة تحاول فيها، مما يجعلها شركاء أكثر فائدة وموثوقية في البيئات البشرية.