Decoupled Thinking, Learning, and Action for Continually Growing Autonomous Robots
تقترح هذه الورقة إطار عمل "التفكير والتعلم والعمل المنفصل" (D-TLA)، والذي يُمكّن الروبوتات ذاتية القيادة من التكيف المستمر من خلال وحدات مستقلة ولكنها متفاعلة، تحافظ على أداء المهام الروتينية مع تحسين التعرف على الأحداث النادرة والنجاح في المهام المستحدثة بشكل كبير.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل روبوتاً لا يكتفي بمجرد اتباع سيناريو مكتوب، بل يمكنه التفكير في مشكلة، والتعلم مما يحدث، ثم التصرف بناءً على تلك المعرفة. لكي تعمل آلة ما بشكل حقيقي في العالم الواقعي، يجب أن تقوم بثلاثة أشياء باستمرار: يجب أن تفكر في ما يحدث الآن، ويجب أن تحول تجارب الماضي إلى مهارات يمكنها استخدامها مجدداً، ويجب أن تحرك جسدها لتغيير العالم أو لجمع معلومات جديدة. لفترة طويلة، حاول المهندسون بناء هذه القدرات في سلسلة واحدة مترابطة بإحكام حيث يفكر الروبوت، ثم يتعلم، ثم يتصرف، بهذا الترتيب الصارم. لكن هذا النهج يعيبه خلل؛ فإذا علق الروبوت في التفكير في مشكلة صعبة، فإنه يتوقف عن الحركة ويتوقف عن التعلم، حتى لو كان بإمكانه مواصلة أعماله اليومية بسهولة. التحدي يكمل في جعل هذه الأجزاء الثلاثة من العقل تعمل في نفس الوقت دون أن تعيق بعضها البعض، مع السماح لها بالتواصل فيما بينها عند الضرورة.
اقترح باحث في جامعة تشنغدو لتكنولوجيا المعلومات طريقة جديدة لبناء هذه الآلات، تسمى إطار عمل "التفكير-التعلم-التصرف المنفصل" (Decoupled Thinking–Learning–Action). بدلاً من إجبار الروبوت على انتظار دماغ مركزي ليعطيه الأوامر لكل خطوة، صمموا نظاماً يعمل فيه التفكير والتعلم والتصرف كثلاث عمليات مستقلة تعمل جنباً إلى جنب. إنها تعمل مثل ثلاثة عمال منفصلين في ورشة عمل، لا يحتاجون إلى طلب الإذن للقيء بمهامهم، ولكن يمكنهم ترك ملاحظات لبعضهم البعض لتحسين المنتج النهائي. يمكن لوحدة التفكير أن تقترح طريقة أكثر أماناً للحركة أو تشير إلى ما يجب تعلمه، لكنها لا تجمد وحدة التصرف إذا كانت مشغولة بحل لغز مختلف. وبالمثل، يمكن لوحدة التعلم أن تستمر في دراسة الأخطاء والنجاحات الماضية في الخلفية، حتى بينما ينشغل الروبوت بالتفكير في خطر جديد. هذا الفصل يسمح للروبوت بالاستمرار في العمل والتحسن دون توقف، حتى عندما تكون عملية التفكير لديه مشغولة.
اختبر الباحث هذه الفكرة في مستودع محاكى حيث كان على الروبوت نقل الطرود. في أحد الاختبارات، أجبروا عملية التفكير لدى الروبوت على التعثر في مشكلة هوية صعبة لفترة من الوقت، لمحاكاة حالة ارتباك الآلة بشأن ماهية جسم ما. في الأنظمة القديمة، حيث كان على الروبوت انتظار انتهاء عملية التفكير قبل القيام بأي شيء آخر، توقف الروبوت عن الحركة وفشل في إكمال مهامه الروتينية. انخفض معدل النجاح في هذه الوظائف الروتينية إلى حوالي النصف عندما كانت عملية التفكير مشغولة لفترة طويلة. في المقابل، استمر النظام الجديد في العمل بشكل مثالي؛ فقد أتم مئة بالمئة من مهام النقل الروتينية واستمر في التعلم من أفعاله، حتى بينما كان جزء التفكير مشغولاً. والأهم من ذلك، أن النظام لم يترك الروبوت يعمل بعشوائية؛ إذ كان بإمكان وحدة التفكير إرسال ملاحظة لإيقاف الروبوت إذا كان على وشك القيام بشيء خطير. وعندما أزال الباحث القدرة على إرسال ملاحظات السلامة، بدأ الروبوت في القيام بتحركات غير آمنة بنسبة تقارب ثمانين بالمئة. أثبت هذا أن الأجزاء الثلاثة يمكنها العمل بشكل مستقل دون أن تصبح معزولة عن بعضها البعض.
نظر الاختبار الثاني في كيفية تعلم الروبوت عندما يواجه مشكلة نادرة ومعقدة. أنشأ الباحث موقفاً يبدو فيه الطرد سليماً في البداية، ولكنه يتفكك فقط بعد أن يقوم الروبوت بتحريكه لفترة من الوقت. تطلب هذا من الروبوت فهم نمط عبر الزمن، وليس مجرد لقطة واحدة. الروبوت الذي ينتظر ببساطة وقوع هذه الحوادث النادرة بشكل طبيعي أثناء عمله، لم يتعلم التعرف عليها إلا بنسبة سبعين بالمئة تقريباً، وفشل في إدراك الأنماط الأكثر صعوبة تماماً. ومع ذلك، استخدم النظام الجديد وحدة التفكير لديه ليدرك أنه يفتقر إلى نوع معين من الخبرة. ثم أخبر جزء التفكير وحدة التصرف بأن تقوم بحركات معينة عن قصد لخلق الظروف الدقيقة اللازمة لرؤية الفشل وهو يحدث. ومن خلال توجيه الروبوت لجمع النوع الصحيح من البيانات، تعلم النظام التعرف على هذه الإخفاقات النادرة بشكل شبه مثالي، ليصل إلى معدل نجاح قدره سبعة وتسعون بالمئة. لم يحصل الروبوت على المزيد من البيانات فحسب، بل حصل على البيانات الصحيحة لأن عملية التفكير لديه عرفت ما كان ينقصها.
أظهر الاختبار النهائي أن هذا التعلم يمكن أن يسير في الاتجاه المعاكس، ليغير طريقة تفكير الروبوت في المستقبل. تم تدريب الروبوت على مجموعة من المشكلات المعروفة، ثم واجه موقفاً جديداً ومعقداً يجمع عدة مخاطر معاً في آن واحد. طريقة التفكير القديمة، التي كانت تمتلك قائمة ثابتة من الاستجابات، فشلت في التعامل مع هذا المزيج الجديد، حيث نجحت بنسبة تقارب أربعة عشر بالمئة فقط. ومع ذلك، قام النظام الجديد بتحليل إخفاقاته السابقة وأدرك أنه بحاجة إلى طريقة تفكير جديدة للتعامل مع هذا المزيج المحدد من المشكلات. لقد ولّد نشاط تفكير جديد، واختبره، ودمجه في عقله. بعد مرحلة التعلم هذه، نجح الروبوت في التعامل مع الموقف الجديد المعقد بنسبة أربعة وسبعين بالمئة. ومن المثير للاهتمام أنه لم يفقد قدرته على التعامل مع المشكلات القديمة المألوفة؛ فقد حافظ على معدل نجاحه البالغ ستة وتسعين بالمئة في تلك المشكلات. لقد طور الروبوت قدرة جديدة دون أن ينسى قدراته القديمة.
يشير هذا البحث إلى أنه لكي تتمكن الروبوتات من التكيف والنمو حقاً على مدى فترة طويلة، فإنها تحتاج إلى هيكل يسمح لها بالتفكير والتعلم والتصرف كمسارات منفصلة ولكنها متصلة. من خلال السماح لهذه العمليات بالعمل بشكل مستقل، يتجنب الروبوت العلوق عندما يكون أحد الأجزاء مشغولاً. ومن خلال السماح لها بالتأثير على بعضها البعض عبر الاقتراحات بدلاً من الأوامر، يمكن للروبوت أن يظل آمناً ويجمع المعلومات الصحيحة للتعلم. تظهر النتائج أن هذا النهج يسمح للآلة بأن تصبح أكثر قدرة وأماناً بمرور الوقت، حيث تحل المشكلات الجديدة مع تذكر كيفية القيام بالقديمة، وكل ذلك دون الحاجة إلى متحكم مركزي واحد يدير كل لحظة من وجودها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.