Google توسّع منظومة الروبوتات لديها بنموذج تحكم أوسع
قدّمت Google DeepMind نموذج Gemini Robotics 2، وهو نموذج جديد للرؤية واللغة والفعل تقول الشركة إنه يمكن أن يعمل كطبقة تحكم موحّدة لأنواع مختلفة جدًا من الروبوتات. ووفقًا للإعلان كما ورد في المادة المصدر، صُمم النموذج للعمل عبر أنظمة تمتد من الأذرع الروبوتية المكتبية إلى الروبوتات البشرية كاملة الجسم، في إطار مواصلة جهود Google لتحويل النماذج متعددة الوسائط الكبيرة إلى برمجيات قادرة على العمل في العالم المادي.
تكمن أهمية هذا الإطلاق في أن مطوري الروبوتات واجهوا طويلًا مشكلة التشرذم. فالنماذج التي تؤدي جيدًا على نوع واحد من الآلات أو مهمة واحدة تحتاج غالبًا إلى تكييف كبير قبل أن تتمكن من التعامل مع بنية جسدية مختلفة أو إعدادات استشعار مختلفة أو بيئة أخرى. وتعرض DeepMind نموذج Gemini Robotics 2 بوصفه خطوة نحو قاعدة أكثر عمومية: عائلة نموذجية واحدة يمكنها تفسير الصور ومعالجة اللغة وترجمة تلك المدخلات إلى أفعال عبر طيف أوسع من العتاد.
هذا التموضع مهم حتى خارج الادعاء التقني نفسه. عمليًا، توحي “طبقة ذكاء” للروبوتات بسوق يمكن فيه إعادة استخدام البرمجيات الأساسية الخاصة بالإدراك والاستدلال والتحكم عبر منصات كثيرة، بينما يميز صانعو العتاد منتجاتهم عبر الميكانيكا والموثوقية والتكلفة والنشر. وإذا صمد هذا النهج في الاختبارات الواقعية، فقد يخفض العائق أمام بناء روبوتات تكيفية للخدمات اللوجستية والمناولة الصناعية والأبحاث والتطبيقات الخدمية.
ما تقول DeepMind إن النموذج الجديد قادر عليه
يصف النص المصدر Gemini Robotics 2 بأنه أكثر نماذج DeepMind تقدمًا حتى الآن في مجال الرؤية واللغة والفعل. وتجمع أنظمة الرؤية واللغة والفعل بين الفهم البصري وتفسير اللغة الطبيعية والتحكم الحركي، ما يسمح للروبوت بربط ما يراه بما يُطلب منه فعله ثم تنفيذ استجابة جسدية.
وتقول DeepMind إن النموذج الجديد قادر على إدارة الحركة الكاملة للجسم، وأداء المهام الدقيقة، وتنسيق عدة روبوتات. وهذه ثلاثة متطلبات مختلفة جدًا. فالحركة الكاملة للجسم تحتاج إلى تخطيط مكاني أوسع وتحكم مرتبط بالتوازن. أما العمل الدقيق فيعتمد على مناولة أكثر دقة. بينما يضيف تنسيق عدة روبوتات تعقيدًا في التوقيت والمهام المشتركة. ويُعد تجميع هذه القدرات في منصة واحدة جزءًا أساسيًا من حجة الشركة بأن Gemini Robotics 2 ليس مجرد ترقية تدريجية، بل بنية تحكم أوسع.
ويقول المصدر أيضًا إن المطورين يمكنهم التقدم للوصول المبكر عبر قائمة انتظار. وهذا يشير إلى نمط طرح مألوف في أنظمة الذكاء الاصطناعي المتقدمة: إعلان عام أولًا، ثم وصول مضبوط، ثم نشر أوسع لاحقًا إذا أثبت الأداء والسلامة قبولهما. وبالنسبة للمطورين، فإن الدلالة القريبة الأجل أقل ارتباطًا بالنشر الفوري في الإنتاج وأكثر ارتباطًا بالتقييم وبناء النماذج الأولية وفهم موقع النموذج داخل منظومات الروبوتات الحالية.
نموذج ثانٍ يركز على الاستدلال المتجسد
إلى جانب Gemini Robotics 2، كشفت Google DeepMind أيضًا عن Gemini Robotics ER 2. وتشير تسمية “ER” إلى الاستدلال المتجسد، وهو ما يصفه النص المصدر بأنه فهم العالم المادي واتخاذ قرار بشأن الأفعال بناءً على هذا الفهم. وبعبارة أخرى، يهدف النموذج أقل إلى التنفيذ منخفض المستوى وأكثر إلى التفسير عالي المستوى ودعم القرار للأنظمة الروبوتية.
وتقول DeepMind إن ER 2 يحل محل Gemini Robotics ER 1.6، الذي أُطلق في أبريل. ويشير هذا التسلسل السريع إلى أن الشركة تكرر تطويرها بسرعة في مجال تعتمد فيه فائدة النموذج على مزيج من القدرة العامة للذكاء الاصطناعي والضبط الخاص بالروبوتات. والتفصيل الأبرز في التوزيع هو أن ER 2 متاح في Google AI Studio، ما يمنح المطورين مسارًا أكثر مباشرة لاختبار جانب الاستدلال من المنظومة مقارنة بنموذج التحكم الأوسع Robotics 2، الذي يخضع للوصول المبكر.
كما يعكس الفصل بين نموذج تحكم عام ونموذج استدلال اتجاهًا تصميميًا أوسع في الذكاء الاصطناعي الروبوتي. إذ تفصل الشركات بشكل متزايد بين مسألة “ماذا ينبغي أن يفعل الروبوت؟” ومسألة “كيف ينبغي له أن ينفذه ماديًا؟”. ويمكن لنظام الاستدلال أن يساعد في تفكيك المهام وتفسير المشاهد والتخطيط للتسلسلات، بينما يستطيع نموذج التحكم ترجمة تلك الخطط إلى حركة. ويبدو أن بنية منتج DeepMind تتماشى مع هذا التقسيم.
لماذا يهم هذا الإطلاق
يضيف هذا الإعلان إلى المنافسة المتنامية لتحديد الأساس البرمجي للجيل التالي من الروبوتات. فالصناعة تنتقل من الأتمتة المكتوبة على نحو صارم إلى أنظمة قادرة على التكيف مع بيئات أقل قابلية للتنبؤ. وتكافئ المستودعات والمصانع والمختبرات، وفي النهاية البيئات الموجهة للجمهور، الروبوتات القادرة على التعامل مع التباين دون الحاجة إلى برمجة يدوية شاملة لكل حالة استثنائية.
وتشير صياغة DeepMind إلى أنها ترى النماذج الأساسية متعددة الوسائط الطريق إلى هذا التكيف. فإذا كان الروبوت قادرًا على تفسير التعليمات اللغوية وتحليل المشهد البصري وتعميم الأفعال عبر المهام، فقد يتمكن المطورون من بناء منتجات أكثر مرونة وببرمجيات مخصصة أقل. وهذا لا يلغي العمل الهندسي الصعب المتعلق بالسلامة وزمن الاستجابة والمعايرة وتكامل العتاد والتقييم. لكنه يمكن أن يغيّر موضع أصعب المشكلات داخل المنظومة.
وهناك أيضًا نقطة استراتيجية هنا بالنسبة إلى Google. فقد شهد مجال الروبوتات فترات صعود وهبوط متكررة لأن جانب البرمجيات واجه صعوبة في التعميم. ومن خلال ربط الروبوتات بشكل أوثق بمنظومة نماذج الذكاء الاصطناعي الرائدة لدى الشركة، تجادل Google DeepMind عمليًا بأن التقدم في الذكاء الاصطناعي متعدد الوسائط العام يمكن الآن أن يتحول إلى تقدم في الأنظمة المتجسدة. وهذه قصة تجارية أقوى من الروبوتات بوصفها مسارًا بحثيًا منفصلًا إلى حد كبير.
ما الذي يجب متابعته لاحقًا
- ما إذا كان المطورون ذوو الوصول المبكر سيبلغون عن أداء قوي عبر المنصات بدلًا من العروض الضيقة المرتبطة بروبوتات محددة.
- كمية أعمال الدمج التي لا تزال مطلوبة لتكييف Gemini Robotics 2 مع أجسام مختلفة وقيود السلامة المختلفة.
- ما إذا كان ER 2 في Google AI Studio سيصبح أداة تخطيط عملية لمطوري الروبوتات خارج المنظومة المباشرة لـ DeepMind.
- كيف سيرد المنافسون مع تسارع السباق لبناء منصات برمجية عامة للروبوتات.
في الوقت الراهن، من الأفضل قراءة هذا الإطلاق بوصفه إشارة مهمة على مستوى المنتج والمنصة، لا كدليل على أن الروبوتات القادرة على نطاق واسع جاهزة للتوسع في كل مكان. لكنه يوضح بالفعل الاتجاه الذي تعتقد إحدى أكبر مختبرات الذكاء الاصطناعي أن السوق يسير نحوه: نحو طبقات ذكاء متعددة الوسائط قابلة لإعادة الاستخدام يمكن أن تعلو أنواعًا كثيرة من الآلات وتجعلها أكثر قابلية للتكيف في العالم الحقيقي.
يعتمد هذا المقال على تغطية The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com