Minimal Developmental Support for Continually Growing Autonomous Robots
تقترح هذه الورقة نموذجاً للذكاء النمائي الأدنى للروبوتات ذاتية القيادة يعتمد على آليات تعلم محددة مسبقاً بدلاً من المعرفة المسبقة الواسعة، مما يمكن النظام من اكتساب وإعادة استخدام المعرفة باستمرار لتحقيق أداء مماثل وتفكير طويل الأمد متفوق مع عدد أقل بكثير من القواعد المحددة مسبقاً مقارنة بالأنظمة التكيفية الحالية.
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 يصل إلى العالم وهو يحمل دليلاً كاملاً للتعليمات. فبدلاً من أن يتم برمجته بكل قاعدة قد يحتاجها للبقاء، يتم تجهيزه فقط بالقدرة الأساسية على استشعار محيطه، وتذكر ما حدث، والتعلم من نتائج أفعاله الخاصة. هذا هو التحدي المركزي في الروبوتات التنموية: خلق آلات يمكنها أن تصبح أكثر ذكاءً بمرور الوقت من خلال التفاعل طويل الأمد مع بيئة لا يمكن التنبؤ بها. لعقود من الزمن، حاول المهندسون حل هذه المعضلة عبر تحميل الروبوتات بمكتبات ضخمة من القواعد والمهارات المكتوبة مسبقاً، آملين في تغطية كل موقف ممكن. ومع ذلك، فإن هذا النهج يشوبه خلل؛ فإذا تغير العالم بطريقة لم يتوقعها المصممون، فإن الروبوت العالق بقواعد جامدة ومحددة مسبقاً قد يفشل في التكيف. والسؤال الذي طرحه الباحثون ليس كمية المعرفة التي يجب إعطاؤها للروبوت في البداية، بل ما هي الحد الأدنى من الأدوات اللازمة للسماح للروبوت باكتشاف تلك المعرفة بنفسه.
اقترح فريق بقي إدارته هونغ سو من جامعة تشنغدو للمعلوماتية طريقة جديدة لبناء هذه الآلات، مع التركيز على نموذج "الذكاء التنموي الأدنى". يشير عملهم إلى أنه لا ينبغي إعطاء الروبوت إجابات محددة لمشكلات لم يواجهها بعد، بل يجب تزويده بالآليات التي تمكنه من إيجاد تلك الإجابات لاحقاً. قام الباحثون ببناء نظام يفصل بين ما يجب أن يكون مدمجاً وما ينبغي تعلمه. تم الإبقاء على الأجزاء المدمجة في حدها الأدنى المطلق: ما يكفي فقط للحفاظ على سلامة الروبوت، وتسجيل تجاربه، وربط تلك التجارب بالنتائج المستقبلية. أما كل شيء آخر، بما في ذلك أي الأفعال المحددة تؤدي إلى النجاح أو الفشل في عالم متغير، فقد تُرِك للروبوت ليكتشفه من خلال التجربة والخطأ بمرور الوقت.
لاختبار هذه الفكرة، أجرى الباحثون سلسلة من المحاكاة الحاسوبية حيث كان على روبوت التنقل في بيئة متغيرة. في أحد السيناريوهات، مُنح الروبوت مجموعة صغيرة جداً من قواعد السلامة الأساسية، بينما تم تحميل نسخة أخرى من الروبوت بثماني قواعد مفصلة ومكتوبة مسبقاً حول كيفية التصرف. ومن المثير للدهشة، أن الروبوت الذي امتلك قاعدتين أساسيتين فقط والقدرة على التعلم من أخطائه، قد أدى بشكل جيد تماماً مثل الروبوت المزود بمكتبة ثقيلة من القواعد المكتوبة مسبقاً. حقق كلاهما معدل نجاح يقارب 63 بالمائة. ومع ذلك، أصبح الفرق واضحاً عندما تغيرت البيئة؛ حيث عانى الروبوت ذو القواعد المكتوبة مسبقاً من أجل التكيف لأن تعليماته الأولية أصبحت الآن خاطئة، بينما عدّل الروبوت المتعلم سلوكه بناءً على النتائج الجديدة. أظهر هذا أن إعطاء الروبوت الكثير من القواعد الثابتة يمكن أن يعيقه في الواقع، مما يجعل من الصعب عليه التعلم عندما يتغير العالم.
كما استكشفت الدراسة المدة التي يحتاجها الروبوت لتذكر ماضيه ليتعلم بفعالية. في العالم الحقيقي، قد لا يظهر سبب المشكلة إلا في وقت لاحق كثيراً. قد يتخذ الروبوت إجراءً يبدو آمناً في اللحظة الراهنة، ولكنه يؤدي إلى فشل بعد مائة خطوة لاحقة. وجد الباحثون أن الروبوتات ذات الذاكرة القصيرة، التي تنظر فقط إلى خطوات قليلة إلى الوراء، فشلت في ربط هذه الأحداث البعيدة؛ حيث كانت تخمن عشوائياً بدقة تبلغ حوالي 50 بالمائة. لكن الروبوت المصمم للاحتفاظ بسجل طويل الأمد لتاريخه الكامل كان قادراً على رصد هذه الأنماط المتأخرة، حيث حقق دقة تزيد عن 92 بالمائة في التعرف على العلاقات التي تفصلها مائة خطوة زمنية. أثبت هذا أن الروبوت لا يحتاج إلى معرفة الإجابة فوراً، بل يحتاج فقط إلى الاحتفاظ بسجل لما حدث حتى يتمكن من تعلم الرابط لاحقاً.
وكان هناك اكتشاف حاسم آخر، وهو أن الروبوت لا يمكن أن يكون فارغاً تماماً في البداية. فهو يحتاج إلى شبكة أمان مدمجة صغيرة للبقاء على قيد الحياة في المراحل الأولى قبل أن يتعلم ما يكفي لحماية نفسه. اختبر الباحثون ذلك من خلال إعطاء الروبوت بعض الإشارات البسيطة، مثل تحذير من انخفاض البطارية أو اصطدام، دون إخباره بكيفية حل المشكلة بالضبط. سمح هذا الدعم الأدنى للروبوت بتجنب الإخفاقات الكارثية خلال مئات الخطوات الأولى من التعلم. وبدون هذه الطبقة الأمنية الصغيرة، ارتكب الروبوت أخطاء خطيرة بينما كان لا يزال في طور فهم قواعد العالم. ومع وجودها، ظل الروبوت آمناً بما يكفي لمواصلة التعلم، واكتشف في النهاية استراتيجيات معقدة من تلقاء نفسه.
تضمن الجزء الأكثر تقدماً من النظام قدرة الروبوت على إعادة استخدام ما تعلمه للتفكير في مشكلات جديدة. برمج الباحثون الروبوت ليتوقف دورياً ويراجع تجاربه الماضية ليرى ما إذا كانت أي معرفة قديمة يمكن أن تساعد في موقف حالي. سمحت هذه العملية للروبوت بالقيام بثلاثة أشياء: تغيير أفعاله الفورية، أو تقرير تعلم شيء محدد، أو التوقف والتفكير في نمط مربك. وعندما استخدم الروبوت هذه القدرات الثلاث، قفز أداؤه بشكل كبير؛ حيث تمكن من تحديد المخاطر الخفية وحل المشكلات التي لم يكن بإمكان روبوت يعتمد فقط على ردود الفعل الفورية حلها. في اختبار نهائي، أخفى الباحثون هوية المستشعر الأكثر أهمية والعلاقة الأكثر أهمية بين المتغيرات، وقاموا بتغييرها عشوائياً في كل محاكاة. لم يتم إخبار نظام الروبوت بما يجب البحث عنه، بل كان لديه فقط آلية للبحث عن الأنماط المفيدة. ومن المثير للاهتمام أن الروبوت نجح في اكتشاف المستشعر الصحيح والعلاقة الصحيحة المخفية في كل اختبار، مما أثبت أنه يمكنه إيجاد الإجابات الصحيحة دون أن يتم إخباره بتلك الإجابات مسبقاً.
تشير نتائج هذه المحاكاة إلى أن الطريق نحو روبوتات مستقلة حقاً لا يكمن في تحميلها بمزيد من البيانات، بل في منحها أدوات أفضل للتعلم. ومن خلال تجريد الروبوتات من القواعد غير الضرية المحددة مسبقاً والتركيز على مجموعة دنيا من الآليات التنموية — الاستشعار، والتذكر، والتعلم من النتائج، وإعادة استخدام المعرفة دورياً — أظهر الباحثون أن الروبوت يمكنه تنمية ذكائه الخاص. وصل النظام إلى مستوى من الأداء يضاهي الآلات المبرمجة بكثافة مع استخدام تعليمات أولية أقل بكثير. لقد أثبت أن الروبوت يمكنه تعلم التعامل مع العواقب المتأخرة، والتكيف عندما تكون افتراضاته الأولية خاطئة، وحتى اكتشاف متغيرات وعلاقات جديدة لم يحددها مبتكروه. يقدم هذا النهج مخططاً لآلات يمكنها العمل في بيئات مفتة ومتغيرة، وتصبح أكثر ذكاءً وقدرة كلما تركت تتفاعل مع العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.