في سعيها لتعليم الآلات كيفية التحرك عبر العالم المادي، اعتمد الباحثون لفترة طويلة على استراتيجية تحاكي الاستبصار البشري: تخيل المستقبل قبل الفعل. فبدلاً من التفاعل بشكل أعمى مع كل إحساس جديد، يبني الروبوت نموذجاً ذهنياً لمحيطه، وهو عبارة عن خريطة داخلية مبسطة تتنبأ بما سيحدث إذا مد يده، أو دفع، أو دار. تتيح هذه الخريطة الذهنية للآلة محاكاة آلاف التسلسلات الممكنة من الحركات في جزء من الثانية، واختيار المسار الذي يؤدي مباشرة إلى النتيجة المنشودة، مثل تمرير كتلة في مكان محدد أو الإمساك بكوب. ولكي تعمل هذه المحاكاة، يجب على الروبوت ترجمة البيانات المرئية الخام من كاميرته إلى تمثيل تجريدي مدمج، وهو كود مخفي يلتقط جوهر المشهد دون الغرق في التفاصيل غير الضرورية. وكان التحدي دائماً هو ضمان ألا يكون هذا الكود الداخلي مجرد وصف جيد للعالم، بل دليلاً جيداً للفعل.

كشفت دراسة حديثة أجراها باحثون من "Simple AI" والجامعة الصينية للعلوم الأكاديمية عن خلل دقيق ولكن حاسم في كيفية بناء هذه الخرائط الذهنية حالياً. فقد اكتشفوا أن النموذج الداخلي للروبوت يمكن أن يكون دقيقاً تماماً في وصف ما يراه -بمعرفة مكان الجسم وشكله بدقة- ومع ذلك يفشل في توجيه الروبوت إلى الحل الصحيح. تكمن المشكلة في هندسة خيال الروبوت. فعندما يقارن الروبوت بين احتمالات المستقبل المختلفة، فإنه يقيس المسافة بين حالته الراهنة والهدف داخل هذا الفضاء التجريدي. وإذا لم تتطابق المسافات في هذا العالم الخفي مع الصعوبة الحقيقية للمهام في العالم الواقعي، فسيختار الروبوت المسار الخاطئ، حتى لو كان يفهم المشهد تماماً. وجد الباحثون أنه من خلال إضافة نوع معين من التدريب يعلم الروبوت ربط أفعاله مباشرة بالتغيرات في خريطته الداخلية، استطاعوا إصلاح هذا التباين الهندسي. لم يغير هذا التعديل ما يعرفه الروبوت عن العالم، لكنه حسن بشكل جذري كيفية استخدام تلك المعرفة للتخطيط، مما أدى إلى معدلات نجاح أعلى بكert في مهام المناولة المعقدة.

جوهر المشكلة يكمن في التمييز بين المعرفة واتخاذ القرار. تخيل روبوتاً يحاول دفع كتلة عبر طاولة. ينشئ نموذجه الداخلي كوداً مخفياً لكل وضعية ممكنة للكتلة. ولتقرير ما يجب فعله، يحسب الروبوت المسافة بين الكود الحالي وكود وضعية الهدف. في النظام الذي يعمل بشكل جيد، يجب أن تقابل أقصر مسافة في هذا الكود الخفي أسهل أو أكثر المسارات مباشرة في العالم الحقيقي. ومع ذلك، وجد البحثون أن طرق التدريب القياسية غالباً ما تنتج كوداً مخفياً تكون المسافات فيه مضللة. فالمسار الذي يبدو قصيراً في عقل الروبوت قد يكون في الواقع طريقاً مسدوداً، بينما قد يكون المسار الذي يبدو طويلاً هو الحل الصحيح. يحدث هذا لأن التدريب يركز على جعل الكود وصفاً جيداً للبيانات المرئية، لكنه لا يضمن أن العلاقات المكانية داخل ذلك الكود تطابق العواقب الفيزيائية لأفعال الروبوت.

لإثبات ذلك، طور الفريق طريقة لقياس التوافق بين ترتيب الروبوت للخطط والنتائج الفعلية لتلك الخطط. واختبروا ذلك عبر توليد العديد من تسلسلات الحركة العشوائية ومقارنة كيفية ترتيب نموذج الروبوت لها مقابل أدائها الفعلي في بيئة محاكاة. ووجدوا أنه بينما يمكن لنموذج الروبوت فك تشفير حالة العالم بدقة من كوده الداخلي، فإن ترتيب الخطط كان غالباً سيئاً. وفي بعض الحالات، كان النموذج يفضل باستمرار تسلسلاً من الأفعال التي تفشل في العالم الحقيقي على تسلسل آخر ينجح، ببساطة لأن مقياس المسافة الداخلي كان مشوهاً. لم يكن هذا النقص في المعلومات؛ فالروبوت كان يعرف الحقائق، لكن مسطرته الداخلية كانت ملتوية.

بعد ذلك، قدم الباحثون طريقة تدريب جديدة تسمى DA-LeWM لتصحيح هذا التشوه. فقد أضافوا مهمتين تعليميتين محددتين إلى نظام تدريب الروبوت. تطلبت المهمة الأولى من الروبوت التنبؤ بالفعل الذي اتخذه بناءً فقط على التغيير في حالته الداخلية، مما يجبر الكود على الحفاظ على معلومات الحركة. أما المهمة الثانية، فقد طلبت من الروبوت التنبؤ بالفعل المطلوب للوصول إلى هدف محدد من حالته الحالية، مما يربط الكود الداخلي مباشرة بالهدف. كانت هذه الإضافات خفيفة ولم تغير البنية الأساسية للنموذج أو طريقة تخطيط الروبوت وقت الاختبار. بدلاً من ذلك، عملت كعدسة تصحيحية أثناء مرحلة التعلم، حيث شكلت هندسة الفضاء الداخلي بحيث تعكس المسافات بين النقاط حقاً صعوبة المهام.

كانت نتائج هذا التعديل مذهلة. ففي عمليات المحاكاة التي تتضمن دفع الأشياء، والوصول إلى الأهداف، والتنقل في الغرف، سمحت الطريقة الجديدة للروبوت بالتعلم بسرعة أكبر وتحقيق معدلات نجاح أعلى بكثير من الطريقة القياسية السابقة. وفي مهمة تتضمن دفع كتلة، قفز معدل النجاح من حوالي 49 بالمائة إلى أكثر من 92 بالمائة، وهو تحسن هائل تحقق دون تغيير خوارزمية التخطيط نفسها. لم يصبح الروبوت أكثر ذكاءً من حيث ما يمكنه رؤيته أو وصفه؛ بل أصبح أكثر فعالية في استخدام ما يعرفه. لاحظ الباحثون أن الكود الداخلي أصبح أفضل في ترتيب الاحتمالات المستقبلية، مما يضمن أن الروبوت يختار باستمرار المسار الذي يؤدي إلى النجاح. وقد ظل هذا التحسن ثابتاً عبر أنواع مختلفة من المهام، من الدفع البسيط إلى الملاحة الأكثر تعقيداً، مما يشير إلى أن التوافق الهندسي للنموذج الداخلي هو مطلب عالمي للتخطيط الفعال.

ومن الأهمية بمكان أن الدراسة استبعدت فكرة أن الأداء الأفضل جاء ببساطة من تعلم الروبوت المزيد من التفاصيل حول البيئة. فقد فحص الباحثون قدرة الروبوت على فك تشفير المعلومات مثل موقع الأشياء أو قيمة الحالة، ووجدوا أن هذه الدرجات ظلت متطابقة تقريباً بين الطريقتين القديمة والجديدة. كان الفرق محض في كيفية تنظيم الروبوت لتلك المعلومات من أجل اتخاذ القرار. يتحدى هذا الاكتشاف افتراضاً شائعاً في هذا المجال مفاده أنه إذا استطاع النموذج وصف العالم بدقة، فسيكون بطبيعته جيداً في التحكم فيه. وتظهر الدراسة أن النموذج يمكن أن يكون مثالياً معلوماتياً ولكنه مكسور هندسياً، وأن إصلاح الهندسة أمر ضروري للأداء في العالم الحقيقي.

كما فحص الباحثون كيف تطورت عملية التخطيط لدى الروبوت أثناء بحثه عن المسار الأفضل. ووجدوا أن الطريقة الجديدة ساعدت الروبوت على الحفاظ على تفضيل واضح للخطط الجيدة حتى مع تضييق خياراته إلى أفضل المرشحين. في النماذج القديمة، كان الترتيب الداخلي غالباً ما يصاب بالارتباك عندما يركز الروبوت على الخيارات الأكثر واعدة، مما يؤدي به إلى فقدان طريقه. حافظ التدريب الجديد على اتساق المسافات الداخلية، مما سمح للروبوت باختيار تسلسل الأفعال الصحيح بثقة حتى في المراحل النهائية من التخطيط. كان هذا الاستقرار هو المفتاح لقدرة الروبوت على الوصول إلى حل بسرعة وموثوقية.

على الرغم من أن الدراسة أجريت في بيئات محاكاة، إلا أن آثارها على الروبوتات الفيزيائية كبيرة. يشير العمل إلى أنه لكي تتقن الروبوتات المهام المعقدة، يجب تدريب نماذجها الداخلية ليس فقط على الرؤية، بل على فهم عواقب الحركة بطريقة تتوافق مع العالم المادي. ومن خلال ضمان احترام النموذج الداخلي للروبوت للهندسة الحقيقية للفعل، يمكن للمهندسين بناء أنظمة أكثر قوة وكفاءة. ويقر الباحثون بأن نتائجهم تستند إلى عمليات محاكاة محددة، وأن هناك حاجة لمزيد من العمل لمعرفة مدى صمود هذه المبادئ في عالم الواقع غير المتوقع. ومع ذلك، فإن الارتباط الواضح بين شكل التمثيل الداخلي ونجاح أفعال الروبوت يوفر اتجاهاً جديداً وعملياً للمستقبل في الأنظمة المستقلة. إن الطريق إلى الأمام ليس بالضرورة بناء نماذج أكبر أو أكثر تعقيداً، بل بناء نماذج يكون منطقها الداخلي متوافقاً تماماً مع الواقع الذي يُفترض بها التنقل فيه.