في الزوايا الهادئة للروبوتات الحديثة، تتعلم أجيال جديدة من الآلات كيفية أداء مهام دقيقة، من رص المكعبات إلى سكب السوائل، مسترشدة بنماذج يمكنها رؤية العالم وفهم اللغة. هذه الأنظمة، التي تُسمى غالبًا نماذج الرؤية واللغة والفعل (vision-language-action models)، مصممة لتلقي أمر مثل "التقط الكوب" وترجمته إلى سلسلة من الحركات الفيزيائية. ومع ذلك، فإن تعليم الروبوت كيفية الحركة هو نصف المعركة فقط؛ أما النصف الآخر فهو اكتشاف مدى جودة أدائه الفعلي. تقليديًا، كان العلماء يحكمون على هذه الروبوتات من خلال مراقبتها وهي تحاول أداء مهمة ما مرارًا وتكرارًا على طاولة فيزيائية، وعدّ عدد المرات التي نجحت فيها وعدد المرات التي فشلت فيها. هذه الطريقة بطيئةة، ومجهدة للمشغلين البشريين الذين يجب عليهم إعادة ضبط المشهد بعد كل محاولة، وغالبًا ما تكون فجة للغاية بحيث لا تستطيع رصد الاختلافات الدقيقة بين النجاح المتعثر والنجاح الانسيابي. فإذا أسقط الروبوت كوبًا لكنه تمكن من التقاطه مرة أخرى، أو إذا تمايل بعنف قبل وضع جسم ما، فإن تصنيف "نجاح" أو "فشل" البسيط يغفل القصة بأكملها.

اقترح فريق من الباحثين طريقة مختلفة للحكم على هذه الآلات، طريقة تبتعد عن عد الرؤوس وتتجه نحو مشاهدة الأداء بأكمره. يعتمد نهجهم، المسمى R2S-Eval، على دمج فكرتين قويتين لإنشاء نظام تقييم أكثر كفاءة وبصيرة. أولاً، قاموا ببناء توأم رقمي لبيئة الاختبار في العالم الحقيقي، وهو محاكاة تمت معايرتها بعناً لتتطابق مع حركات الروبوت الفيزيائي والأجسام التي يتفاعل معها. وبدلاً من إجبار الروبوت على إجراء آلاف التجارب على طاولة حقيقية، مما قد يستغرق أيامًا من العمل البشري، قام الفريق بتشغيل هذه التجارب داخل هذا العالم الحاسوبي عالي الدقة. يتيح لهم ذلك توليد مئات المقاطع المرئية للروبوت وهو يحاول أداء المهام في جزء ضئيل من الوقت. أما الجزء الثاني من منهجيتهم فيتضمن استخدام نظام ذكاء اصطناعي مدرب على فهم الصور واللغة لمشاهدة هذه الفيديوهات. وبدلاً من مجرد التحقق مما إذا كانت المهمة قد اكتملت، يعمل هذا الذكاء الاصطناعي كحكم بشري، حيث يقارن بين أزواج من مقاطع الفيديو ليقرر أي أداء بدا أفضل، أو أكثر سلاسة، أو أكثر تحكمًا. ومن خلال تجميع هذه المقارنات الثنائية، ينتج النظام ترتيبًا لسياسات الروبوت يعكس جودة السلوك، وليس مجرد النتيجة النهائية.

اختبر الباحثون خط الإنتاج هذا على منصة روبوت ثنائية الأذرع مجهزة بأيدٍ ماهرة وكاميرات متعددة، وطلبوا منها أداء سبع مهام مختلفة على الطاولة، مثل التقاط كرة ووضعها في صندوق، أو رص المكعبات. وقارنوا بين ستة نماذج مختلفة للتحكم في الروبوت، تتراوح من الأنظمة الضخمة والمعقدة إلى الأنظمة الأصغر والأكثر كفاءة. في الإعداد التقليدي، يتطلب تقييم هذه النماذج أن يحاول الروبوت كل مهمة مئات المرات في العالم الحقيقي، مع وجود مشغل بشري يقوم باستمرار بإعادة ضبط الأشياء ومراقبة الأجهزة. ووجد الفريق أن طريقتهم الجديدة يمكنها توليد بيانات الفيديو اللازمة في بيئة محاكاة مضبوطة لتتطابق مع العالم الحقيقي لدرجة أن سلوك الروبوت في الحاسوب كان متطابقًا تقريبًا مع سلوكه على الطاولة. وعندما قاموا بتشغيل الروبوت في العالم الحقيقي، كانت معدلات نجاح النماذج المختلفة قريبة جدًا من المعدلات التي لوحظت في المحاكاة، بفارق متوسط قدره حوالي نقطتين مئويتين فقط. وقد أكد ذلك أن التوأم الرقمي كان بديلاً موثوقًا للآلة الفيزيائية، مما سمح للباحثين بتجاوز تجارب الأجهزة المرهقة دون فقدان الدقة.

بمجرد جمع الفيديوهات، توجه الفريق إلى حكم الذكاء الاصطناعي لترتيب النماذج. لقد عرضوا على الذكاء الاصطناعي أزواجًا من الفيديوهات لروبوتات مختلفة تؤدي المهمة نفسها وسألوه عن اختيار أي منها بدا أفضل. نظر الذكاء الاصطناعي في عوامل مثل مدى سلاسة حركة الروبوت، وما إذا كان قد تردد، ومدى التقدم الذي أحرزه حتى لو فشل في النهاية. وأظهرت النتائج أن ترتيبات الذكاء الاصطناعي اتفقت مع التفضيلات البشرية بنسبة 92% في أغلب الأحيان، وهو تحسن كبير مقارنة بمجرد عد النجاحات. والأهم من ذلك، أن النظام كشف عن تفاصيل دقيقة كان اختبار النجاح أو الفشل الثنائي سيغفل عنها. فعلى سبيل المثال، في إحدى التجارب، أتم روبوتان المهمة بنجاح، لكن أحدهما فعل ذلك بحركة واحدة انسيابية بينما أسقط الآخر الجسم واضطر للمحاولة مرة أخرى. التقييم التقليدي كان سيصنف كليهما كـ "ناجح"، لكن النظام الجديد حدد بدقة أن الأداء الأكثر سلاسة هو الأفضل. وبالمثل، عندما فشل روبوتان، استطاع النظام التمييز بين أحدهما الذي بذل محاولة حقيقية ثم تعثر، وبين الآخر الذي لم يتحرك تقريبًا.

كما قام البحث بقياس الجهد البشري الذي تم توفيره بهذا النهج. في التقييم التقليدي، ينمو الوقت المطلوب من المشغل البشري خطيًا مع عدد التجارب؛ فإذا أراد الباحث اختبار روبوت عشرين مرة في مهمة ما، فيجب عليه قضاء عشرين ضعف الجهد في إعداد المشهد وإعادة ضبطه. قدر الباحثون أن تشغيل تقييم كامل لستة نماذج عبر سبع مهام مع عشرين تجربة لكل منها سيتطلب ما يقرب من سبع وعشرين ساعة من العمل البشري المتواصل. ومن خلال نقل العبء الثقيل إلى المحاكة المعايرة وحكم الذكاء الاصطناعي الآلي، ألغى مسار R2S-Eval الحاجة إلى عملية تشغيل الأجهزة المتكررة هذه تمامًا. أنتج النظام ترتيبات مستقرة لم تتقلب بشكل حاد مع إضافة المزيد من البيانات، مما يشير إلى أن الطريقة قوية بما يكفي لتكون أداة معيارية لمقارنة تصميمات الروبوتات المستقبلية.

تشير النتائج إلى أن مستقبل تقييم الروبوتات قد يكمن في فهم جودة الرحلة بدلاً من مجرد عد النجاحات. فمن خلال استخدام محاكاة تعكس الواقع وذكاء اصطناعي يمكنه تقدير دقة الحركة، يمكن للباحثين الآن تقييم سياسات الروبوت بمستوى من التفصيل كان مستحيلاً في السابق دون جيش من المراقبين البشريين. لا يدعي هذا العمل أنه حل كل مشكلة في مجال الروبوتات، كما لا يشير إلى أن عمليات المحاكاة هي بدائل مثالية للعالم المادي في جميع السياقات. ومع ذلك، فإنه يثبت أنه بالنسبة لهدف محدد وهو ترتيب وتحسين سلوكيات الروبوت، فإن بيئة رقمية معايرة بعناً مع تحليل فيديو ذكي يمكن أن توفر رؤى موثوقة ومفصلة ومتوافقة مع التفضيلات البشرية. هذا التحول يسمح للعلماء بالانتقال من المقياس الفج لـ "هل نجح الأمر؟" إلى السؤال الأكثر أهمية: "ما مدى جودة عمله؟"، مما يمهد الطريق لروبوتات ليست وظيفية فحسب، بل ماهرة حقًا.