Memory as Plans: World-Action Modeling with Memory-Grounded Planning

لطالما كانت الروبوتات بارعة في التعامل مع اللحظة الراهنة. فإذا وضعت كوباً أمام ذراع روبوتية، يمكنها مد يدها، والإمساك به، ورفعه بدقة مذهلة. تعتمد هذه القدرة على قاعدة بسيطة: يقرر الروبوت خطوته التالية بناءً كلياً على ما يراه في هذه اللحظة. ومع ذلك، فإن العالم الحقيقي نادراً ما يكون بهذه البساطة؛ فالعديد من المهام تتطلب من الروبوت تذكر أشياء لم تعد مرئية. تخيل أنك تطلب من روبوت البحث عن زر محدد كان مغطى قبل دقائق، أو تبديل جسمين رآهما في مواقع مختلفة في وقت سابق من اليوم. للنجاح، يجب على الآلة أن تحتفظ بصورة ذهنية للماضي، وليس للحاضر فقط. هذا هو تحدي "التلاعب المعتمد على الذاكرة"، وهو عقبة حالت دون قيام الروبوتات بأداء مهام معقدة متعددة الخطوات في منازلنا وأماكن عملنا.

لسنوات، حاول الباحثون حل هذه المشكلة عبر تغذية الروبوت بمزيد ومزيد من تاريخ الفيديو. كانوا يمنحون الآلة نافذة متزايدة من كل إطار شاهدته على الإطلاق، آملين أنه إذا رأت ما يكفي، فستتذكر ما تحتاجه. لكن هذا النهج يصطدم بجدار صلب؛ فكلما طال التاريخ، يتباطأ الكمبيوتر الذي يشغل الروبوت، حتى يتوقف تماماً بسبب نفاد الذاكرة. وحاولت فرق أخرى تلخيص الماضي في قائمة قصيرة من الكلمات، ولكن في سبيل ذلك، غالباً ما كانوا يتخلصون من التفاصيل الدقيقة — مثل اللون الدقيق لجسم ما أو موقعه المحدد — وهي تفاصيل حاسمة للنجاح. وكانت النتيجة مقايضة: إما أن يكون الروبوت سريعاً ولكنه كثير النسيان، أو كان دقيقاً ولكنه بطيء جداً لدرجة تجعله غير مفيد.

يغير نهج جديد، طوره فريق من الباحثين، هذه الاستراتيجية بالكامل. فبدلاً من إجبار الروبوت على إعادة قراءة تاريخه بالكامل باستمرار أثناء حركته، يعلمونه كيفية وضع خطة أولاً. فكر في الأمر كفرق بين قراءة خريطة أثناء القيادة وبين وجود ملاحة تعطيك تعليمات واضحة ومحددة للمرحلة التالية من الرحلة. يطلق الباحثون على نظامهم اسم "MaP-WAM". يعمل النظام عن طريق تقسيم مهمة طويلة إلى أجزاء أصغر. وقبل أن يبدأ الروبوت في التحرك، ينظر إلى ذاكرته طويلة المدى — وهي عبارة عن لقطات متباعدة ومختارة بعناية من الماضي — ويكتب خطة محددة للخطوة التالية. تتضمن هذه الخطة وصفاً لما يجب فعله ودليلاً بصرياً لما يجب أن يبدو عليه المشهد أثناء عمل الروبوت.

بمجرد كتابة هذه الخطة، ينفذها الروبوت دون الحاجة لرؤية التاريخ الكامل مرة أخرى. يحتاج فقط إلى النظر إلى المشهد الحالي والخطة التي وضعها للتو. هذا يجعل "الذاكرة العاملة" للروبوت صغيرة وسريعة، مما يسمح له بالعمل بسلاسة حتى مع طول المهمة. وللتأكد من أن الروبوت لن يفقد مساره أو ينحرف عن الطريق، يقوم النظام أيضاً بتتبع تقدمه. فهو يتحقق باستمرار من موقعه الحالي مقابل الدليل البصري الموجود في الخطة. وإذا رأى الروبوت أنه متأخر قليلاً أو متقدم عن مكانه المفترض، فإنه يعدل ساعته الداخلية لتتوافق مع الخطة، مصححاً أي أخطاء قبل أن تتراكم. وهذا يخلق حلقة مغلقة حيث يخطط الروبوت، ويتصرف، ويتحقق من تقدمه، ثم يحدث ذاكرته للخطوة التالية، كل ذلك مع الحفاظ على استقرار الحمل الحسابي لديه.

اختبر الفريق هذه الطريقة في كل من محاكاة الكمبيوتر وعلى ذراع روبوت حقيقية. وفي عمليات المحاكاة، التي تضمنت مهاماً مثل تبديل الكتل أو العثور على أزرار مخفية، نجح النظام الجديد بنسبة 83.3% من المرات، متفوقاً على الأساليب السابقة التي عانت مع الذاكرة. وعلى روبوت حقيقي، حقق نسبة نجاح بلغت 88% في مهمة تتطلب من الروبوت العثور على زر محدد، ونسبة نجاح بلغت 68% في مهمة تتطلب منه الضغط على أزران بتسلسل معين. والأهم من ذلك، أنه مع زيادة طول المهام وزيادة تاريخ الإجراءات الماضية، ظل الوقت الذي يستغرقه الروبوت لاتخاذ قراره التالي ثابتاً تقريباً، حيث حام حول 827 مللي ثانية. وفي المقابل، أصبحت الأساليب القديمة التي حاولت معالجة التاريخ الكامل للإطارات بطيئة وثقيلة على الذاكرة لدرجة أنها تعطلت بعد حوالي 1,700 إطار.

وجد الباحثون أن مفتاح هذا النجاح لم يكن مجرد امتلاك الذاكرة، بل في كيفية استخدامها. فمن خلال تحويل التواريخ الطويلة والمعقدة إلى خطط مدمجة ومرتبطة بالذاكرة، سمحوا للروبوت بالاحتفاظ بالأدلة البصرية الدقيقة دون تكلفة معالجتها في الوقت الفعلي. كما اكتشفوا أن تتبع التقدم بشكل صريح كان أمراً ضرورياً؛ فبدون ذلك، كان الروبوت غالباً ما يخلط بين لحظات متشابهة بصرياً، مثل الضغط على زر مقابل تركه، مما يؤدي إلى أخطاء متكررة. لقد أثبت النظام أن الروبوت ليس بحاجة لحمل ماضيه بالكامل في رأسه ليتصرف بحكمة؛ بل يحتاج فقط إلى معرفة كيفية تحويل ذلك الماضي إلى خطة واضحة وقابلة للتنفيذ للحاضر. ويمثل هذا التحول من الذاكرة التفاعلية إلى التخطيط الاستباقي مساراً واعداً نحو روبوتات يمكنها التعامل مع واقع الحياة البشرية المعقد والمتعدد الخطوات.