Continuous Cognitive Activity Evaluation and Adaptation for Self-Improving Autonomous Robots
تقدم هذه الورقة إطار عمل CCAEA، الذي يُمكّن الروبوتات المستقلة ذاتية التحسين من تقييم وتكييف عمليات الاستدلال والتعلم الخاصة بها باستمرار من خلال تحليل متعدد الأبعاد للنتائج والعمليات، مما يؤدي إلى تحويل التجارب التي تم التحقق من صحتها إلى سلوكيات قابلة لإعادة الاستخدام لتعزيز المنفعة المعرفية وكفاءة المهام على المدى الطويل.
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
أصبحت الروبوتات أكثر شيوعاً في حياتنا اليومية، من الأذرع المصنعية التي تجمع السيارات إلى الآلات التي تتنقل في الغرف المزدحمة. ولكي تكون هذه الآلات مفيدة حقاً، لا يمكنها ببساطة اتباع مجموعة جامدة من التعليمات؛ بل يجب أن تكون قادرة على التفكير، والتخطيط، والتعلم من تجاربها في الوقت الفعلي. غالباً ما تستخدم الروبوتات الحديثة برامج حاسوبية قوية، تُعرف بنماذج اللغات الكبيرة، لمساعدتها على التفكير في المشكلات المعقدة، تماماً كما قد يتحدث الإنسان مع نفسه أثناء مناقشة مهمة صعبة للوصول إلى حل. ومع ذلك، لا يزال هناك تحدٍ كبير قائم: فبينما يمكن لهذه الروبوتات النجاح في المهمة في نهاية المطاف، فإننا غالباً لا نعرف كيف وصلت إلى هناك. قد يحل الروبوت مشكلة عن طريق الصدفة، أو قد ينجح بعد إضاعة كميات هائلة من الوقت والطاقة، أو عبر تجاهل تحذيرات سلامة بالغة الأهمية. وإذا تعلم الروبوت فقط من خلال ما إذا كانت المهمة قد اكتملت في النهاية، فقد يستمر في تكرار نفس أنماط التفكير غير الفعالة أو الخطيرة إلى الأبد. ولبناء آلات يمكنها التحسن حقاً على مدار سنوات من التشغيل، يحتاج العلماء إلى وسيلة لتقييم ليس فقط النتيجة النهائية، بل جودة عملية التفكير نفسها.
لقد طور باحثون في جامعة تشينغدو لتقنية المعلومات نهجاً جديداً لحل هذه المشكلة، يسمى "التقييم والتكيف المستمر للنشاط المعرفي". فبدلاً من الانتظار لرؤية ما إذا كان الروبوت سينجح أم يفشل في نهاية المهمة، يقوم هذا النظام بمراقبة وإصدار أحكام على عمله الذهني الداخلي أثناء حدوثه. يعامل الباحثون أنشطة التفكير والتعلم لدى الروبوت كأشياء يمكن قياسها وتحسينها، تماماً مثل الأفعال الفيزيائية التي يؤديها الروبوت. ينظر هذا النظام إلى أمرين رئيسيين: العملية والنتيجة. يتحقق تقييم العملية من كيفية تفكير الروبوت؛ حيث يطرح أسئلة مثل: هل يركز الروبوت بشكل ضيق للغاية على تفصيل واحد بينما يتجاهل تفاصيل أخرى؟ هل يستخدم نفس الطريقة غير الفعالة مراراً وتكراراً؟ هل يتخذ قرارات دون أدلة كافية؟ أما تقييم النتيجة، فينظر إلى ما حدث بالفعل، لكنه يفكك ذلك إلى فئات مختلفة كثيرة. فهو لا يسأل فقط "هل نجح الأمر؟"؛ بل يسأل "هل كان آمناً؟"، "هل كان مكلفاً للغاية من حيث الطاقة أو الوقت؟"، "هل حاول تكرار نفس الفعل الفاشل عدة مرات؟"، و"هل طابقت النتيجة ما توقعه الروبوت؟".
من خلال الجمع بين هاتين الرؤيتين، ينشئ النظام "تقرير درجات" مفصلاً لكل فكرة لدى الروبوت. فإذا تعثر الروبوت في مشكلة لا يستطيع حلها، لا يكتفي النظام بترك الأمر يمضي أو يتجاهل القضية، بل بدلاً من ذلك، يخصص حالة محددة لتلك المشكلة، مثل "يحتاج إلى مزيد من المعلومات"، أو "يحتاج إلى طلب المساعدة"، أو "يحتاج إلى تعلم مهارة جديدة". وهذا يضمن عدم إسقاط العوامل الصعبة بصمت. وعندما يكتشف الروبوت في نهاية المطاف كيفية التعامل مع موقف كان صعباً في السابق، يقوم النظام بحفظ تلك التجربة. ومع مرور الوقت، يتعلم الروبوت التعرف على المواقف المماثلة والتعامل معها تلقائياً، دون الحاجة إلى التوقف والتفكير بعمق في كل مرة. وهذا يسمح للروبوت ببناء مكتبة من السلوكيات الموثوقة، محولاً التفكير المعقد والبطيء إلى أفعال سريعة وتلقائية للمهام المألوفة، مع الاحتفاظ بتفكيره العميق للمواقف الجديدة أو الخطرة.
اختبر الباحثون هذه الفكرة في سلسلة من المحاكاة الحاسوبية المصممة لمحاكاة تحديات الروبوتات في العالم الحقيقي. لقد أنشأوا سيناريوهات حيث يتعين على الروبوتات التعامل مع مشكلات مثل ضعف الرؤية، أو الأسطح الزلقة، أو العوائق غير المتوقعة. وفي أحد الاختبارات، قاسوا مدى قدرة النظام على تحديد سبب معاناة الروبوت. فشل نظام يعتمد فقط على النتيجة النهائية في تشخيص المشكلة بشكل صحيح في معظم الأحيان، وغالباً ما كان يغفل حقيقة أن الروبوت يستخدم طريقة تفكير سيئة. وفي المقابل، حدد النظام الجديد خطأ التفكير المحدد والإصلاح الصحيح في ما يقرب من 89 بالمائة من الحالات. وقد أدى ذلك إلى معدل نجاح أعلى بكlar في المهام نفسها، مما أثبت أن إصلاح طريقة تفكير الروبوت لا يقل أهمية عن إصلاح النتيجة.
كانت هناك نتيجة رئيسية أخرى وهي قدرة النظام على التعامل مع أنواع متعددة من النجاح والفشل في آن واحد. في عمليات المحاكاة، قد ينجح الروبوت في التقاط جسم ما، ولكن بطريقة غير آمنة للغاية أو مستهلكة للطاقة بشكل مفرط. قد يعتبر النظام التقليدي هذا نجاحاً، لكن الإطار الجديد حدد هذه الحالات كإشكاليات، مميزاً بين المهمة التي "أُنجزت فحسب" والمهمة التي "أُنجزت بشكل جيد". حقق النظام دقة شبه مثالية في تحديد هذه الأبعاد المختلفة للأداء، مما يضمن أن يتعلم الروبوت أن يكون آمناً وفعالاً، وليس مجرد فعال فحسب.
ولعل النتيجة الأكثر أهمية هي كيفية تعلم الروبوت التوقف عن الاعتماد على التفكير المكلف والبطيء للمشكلات التي حلها بالفعل. في التجارب، عندما واجه الروبوت عاملاً صعباً جديداً لأول مرة، كان عليه استخدام برنامج حاسوبي قوي للتفكير فيه. وبمجرد أن يتحقق النظام من أن الروبوت قد تعامل مع هذا العامل بنجاح، قام بتحويل تلك التجربة إلى مهارة قابلة لإعادة الاستخدام. وفي الاختبارات اللاحقة، استطاع الروبوت التعامل مع مواقف مماثلة تلقائياً، مما قلل من حاجته لاستدعاء البرنامج الحاسوبي القوي من مرة واحدة في كل مواجهة إلى أقل من ربع مرة في كل مواجهة. وهذا يعني أن الروبوت أصبح أسرع وأكثر كفاءة بمرور الوقت، موفراً الموارد مع الحفاظ على الأداء العالي.
أخيراً، نظر الباحثون في كيفية تكيف الروبوت على مدى فترة طويلة. ووجدوا أنه من خلال الاحتفاظ بسجل لطرق التفكير التي نجحت في مواقف معينة، يمكن للروبوت أن يتعلم اختيار الأداة المناسبة للمهمة. ففي المواقف المألوفة ومنخفضة المخاطر، تعلم استخدام الأساليب التلقائية السريعة. وفي المواقف الجديدة أو عالية المخاطر، تعلم التمهل واستخدام التفكير الدقيق أو طلب التحقق. لقد أدى هذا التعلم طويل الأمد إلى تحسين الأداء العام للروبوت وسلامته بشكل كبير مقارنة بالروبوتات التي لم تستخدم هذا التقييم المستمر. وتشير الدراسة إلى أنه لكي تطور الروبوتات نفسها حقاً على مدار سنوات من التشغيل، يجب ألا تتعلم من العالم المادي فحسب، بل يجب أن تتعلم أيضاً من أفكارها الخاصة، وتعمل باستمرار على صقل كيفية تفكيرها، وتعلمها، وتكيفها مع العالم من حولها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.