Open-Ended Cognitive Evolution for Autonomous Robots in Dynamic Environments
تقترح هذه الورقة إطار عمل للتطور المعرفي مفتوح النهايات يُمكّن الروبوتات المستقلة من تكييف آليات تفكيرها وتعلمها وتفاعلها ديناميكياً استجابةً للمواقف غير المرئية والتغيرات البيئية، مما يتفوق بشكل كبير على النهج ذات الهياكل الثابتة في نجاح المهام والسلامة والكفاءة.
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 روبوتًا صُمم للعمل في مستودع. في عالم مثالي وثابت، يمكن للمهندسين برمجته بكل قاعدة سيحتاجها: كيفية التقاط صندوق، أين يضعه، وماذا يفعل إذا ومض ضوء ما. لكن العالم الحقيقي ليس مثاليًا؛ فهو يتغير. قد يظهر نوع جديد من الصناديق، أو قد ينحرف مستشعر عن محاذاته، أو قد يصبح المسار مسدودًا فجأة. لكي ينجو الروبوت في مكان كهذا، لا يمكنه مجرد حفظ قائمة من الحقائق، بل يجب أن يكون قادرًا أيضًا على تغيير طريقة تفكيره، وكيفية التعلم من أخطائه، وكيفية التفاعل مع محيطه. هذا هو تحدي البيئات المفتوحة: يجب على الروبوت أن يتكيف ليس فقط مع الأشياء الجديدة، بل مع طرق جديدة لحل المشكلات.
لسنوات، ركز الباحثون على تعليم الآلات تعلم حقائق جديدة أو تحديث خرائطها الداخلية. يشبه هذا طالبًا يحفظ المزيد من التواريخ التاريخية. ومع ذلك، تشير دراسة جديدة إلى أنه بالنسبة لروبوت مستقل حقًا، فإن حفظ الحقائق ليس كافيًا. يجب أن يكون الروبوت قادرًا أيضًا على إعادة كتابة كتبه المدرسية الخاصة. إذا فشلت الطريقة القديمة في التفكير، يحتاج الروبوت إلى القدرة على ابتكار طريقة جديدة للتفكير، واختبارها، والاحتفاظ بها إذا نجحت. هذه هي الفكرة الجوهرية وراء إطار عمل جديد لـ "التطور المعرفي مفتوح النهاية"، وهو نظام يسمح للروبوت بتنمية عقله بمرور الوقت.
قام الباحثون، بقيادة سو هونغ من جامعة تشنغدو للمعلوماتية، ببناء نظام يبدأ فيه الروبوت بمجموعة صغيرة وأساسية فقط من الأدوات الذهنية. هذه الأدوات عامة: القدرة على الملاحظة، والتفكير، والتعلم، والتفاعل، والتحقق مما إذا كانت الأمور تسير على ما يرام. الطرق المحددة التي يستخدم بها الروبوت هذه الأدوات ليست ثابتة؛ بدلاً من ذلك، يحمل الروبوت "مخزونًا" من الأساليب التي يمكنه الاختيار من بينها. إذا واجه الروبوت موقفًا لا يستطيع التعامل معه، فإنه لا يكتفي بمجرد المحاولة بجهد أكبر باستخدام نفس الحيل القديمة، بل يمكنه إنشاء طريقة جديدة تمامًا، واختبارها مقابل الواقع، وإضافتها إلى مجموعته للاستخدام المستقبلي.
ولرؤية ما إذا كانت هذه الفكرة ناجحة، أجرى الفريق سلسلة من عمليات المحاكاة في بيئة مستودع محكومة. أعطوا الروبوت مهمة بسيطة: تحريك الأشياء مع التعامل مع معلومات مربكة أو متضاربة. في الاختبار الأول، قدموا مواقف أعطت فيها مستشعرات مختلفة إجابات متناقضة للروبوت. على سبيل المثال، قد تقول الكاميرا إن الصندوق أحمر، بينما يشير مستشعر الوزن إلى أنه خفيف، مما يخلق تعارضًا لم يكن بإمكان برمجة الروبوت الأولية حله. قارن الباحثون نظامهم الجديد بالأساليب القديمة التي كانت عالقة في مجموعة ثابتة من قواعد التفكير. كانت النتائج مذهلة؛ فعندما واجه الروبوت نوعًا جديدًا تمامًا من التعارض لم يره من قبل، نجح النظام الجديد في حل المشكلة بنسبة تقتر% 95 من الوقت. في المقابل، نجحت الأنظمة القديمة، التي كانت قادرة فقط على حفظ قواعد للتعارضات التي رأتها بالفعل، بنسبة 60% تقريبًا فقط. والأهم من ذلك، أن النظام الجديد تعلم طريقة عامة للتحقق من التناقضات وأعاد استخدام تلك المهارة الجديدة في كل تعارض مستقبلي تقريبًا، مما أثبت أنه طور حقًا طريقة تفكير جديدة بدلاً من مجرد حفظ إجابة واحدة.
نظر الاختبار الثاني في كيفية تعلم الروبوت. في العالم الحقيقي، يمكن أن يتغير مقدار البيانات التي يتلقاها الروبوت بشكل هائل. أحيانًا لا يرى سوى أمثلة قليلة لشيء جديد، وأحيانًا أخرى يرى المئات. وجد الباحثون أن طريقة تعلم واحدة لا يمكنها التعامل مع كل هذه المواقف؛ فالطريقة التي تعمل جيدًا عندما تكون البيانات شحيحة قد تفشل عندما تكون البيانات وفيرة، والعكس صحيح. سمح إطار العمل الجديد للروبوت بالتبديل بين استراتيجيات تعلم مختلفة اعتمادًا على الموقف. عندما كانت البيانات شحيحة، اعتمد على الذاكرة. وعندما كانت البيانات وفيرة، انتقل إلى تدريب نموذج تنبؤي. وعندما بدأ البيئة تتغير بسرعة، تبنى استراتيجية تركز فقط على المعلومات الأخيرة. ومن خلال السماح للروبوت باختيار أسلوب تعلمه الخاص، تحسن معدل نجاحه الإجمالي إلى ما يقرب من 69%، متفوقًا بشكل كبير على أفضل طريقة تعلم ثابتة، التي حققت حوالي 56% فقط. لم يتعلم الروبوت المهمة فحسب، بل تعلم كيف يتعلم.
تناول الاختبار النهائي خطر المعرفة القديمة. في عالم متغير، القاعدة التي كانت صحيحة بالأمس قد تكون خاطئة اليوم. إذا استمر الروبوت في استخدام قاعدة قديمة بعد تغير البيئة، فقد يرتكب أخطاءً خطيرة. أدخل الباحثون تغييرات مفاجئة وغير معلنة في المحاكاة، مثل انحراف مستشعر أو انسداد مسار. قارنوا نظامهم بنظام يتحقق من التغييرات وفق جدول زمني ثابت، مثل الساعة. انتظر النظام الجديد إشارة تفيد بأن شيئًا ما قد ساء — أي وجود تباين بين ما توقعه وما رآه بالفعل. وعندما ظهرت تلك الإشارة، توقف فورًا، وتحقق، وحدث معرفته. كان هذا النهج أكثر كفاءة بكثير؛ فقد قلل عدد عمليات التحقق غير الضرورية بنسبة تقارب النصف مقارنة بالنظام القائم على الساعة، كما قلل بشكل كبير من معدل الأخطاء الخطيرة. ارتكب الروبوت أخطاء أقل واستخدم طاقة أقل للبقاء آمنًا.
تُظهر الدراسة أنه لكي يعمل الروبوت بشكل مستقل في عالم ديناميكي، يجب أن يكون قادرًا على تطوير قدراته الخاصة. لا يكفي مجرد إضافة حقائق جديدة إلى قاعدة بيانات؛ بل يجب أن يكون الروبوت قادرًا على ابتكار طرق جديدة للاستنتاج، والتبديل بين استراتيجيات التعلم عندما تتغير الظروف، وتحديث أساليبه عندما يتغير العالم تحت قدميه. تُظهر التجارب أن هذا النهج فعال، مما يسمح للروبوت بالتعامل مع التعارضات غير المرئية، والتكيف مع بيئات البيانات المختلفة، والبقاء آمنًا عندما يتغير العالم بشكل غير متوقع. وتشير النتائج إلى أن مستقبل الروبوتات المستقلة لا يكمن في بناء آلات تعرف كل شيء في البداية، بل في بناء آلات يمكنها تعليم نفسها كيف تفكر، وتتعلم، وتتصرف أثناء سير العمل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.