تراهن Tutor Intelligence على أن بيانات العالم الحقيقي، لا المحاكاة وحدها، ستدرب روبوتات أفضل

شركة ناشئة تعمل على تصنيع تدريب الروبوتات

تطرح Tutor Intelligence حجة مباشرة على نحو غير معتاد بشأن مستقبل الروبوتات: عنق الزجاجة ليس في النماذج الأفضل فقط، بل في البيانات الأفضل التي تُجمع من روبوتات تعمل في العالم الحقيقي. ولمهاجمة هذه المشكلة، بنت الشركة ما تسميه DF1، وهو «مصنع بيانات» يضم 100 مُعالج ثنائي الذراع، وتصفه بأنه أشبه برياض الأطفال للذكاء الاصطناعي الفيزيائي.

الفكرة بسيطة من حيث المفهوم لكنها طموحة في التنفيذ. فبدلاً من الاعتماد أساسًا على المحاكاة، تستخدم Tutor روبوتات حقيقية ومشغّلين بشريين عن بُعد وتكرار أداء المهام لتدريب نموذج Ti0 القائم على الرؤية واللغة والفعل. وتقول الشركة إن هذا الإعداد يمكن أن يخلق خط تعلم متجذرًا في الواقع وقابلاً للتوسع، وهو ما افتقدته الروبوتات مقارنة بوفرة البيانات المتاحة للنماذج اللغوية الكبيرة.

هذه المقارنة هي جوهر طرح Tutor. وكما قال المؤسس المشارك والرئيس التنفيذي جوش غروينشتاين، لا يوجد ما يعادل ويكيبيديا في عالم الروبوتات. لقد منح المحتوى البشري على الإنترنت النماذج اللغوية مستودعًا ضخمًا تتعلم منه. أما الروبوتات فتحتاج إلى شيء مختلف: عروضًا مادية، وتغذية راجعة تصحيحية، وتعرضًا متكررًا لفوضى الأجسام والبيئات الواقعية.

لماذا تعد بيانات العالم الحقيقي جذابة استراتيجيًا

يعكس مشروع DF1 لدى Tutor نقاشًا أوسع في مجال الروبوتات. تظل المحاكاة مفيدة لأنها رخيصة وسريعة وآمنة. لكن نقل السلوك من المحاكاة إلى الواقع يصطدم غالبًا بالتعقيد العنيد للتفاعل الفيزيائي الفعلي. فالأجسام تتشوه، وتنزلق، وتعكس الضوء بطرق غير متوقعة، وتظهر وسط فوضى لا تلتقطها البيئات الافتراضية بالكامل.

ومن خلال وضع 100 روبوت في بيئة تدريب واحدة وجعلها تنفذ مهام التقاط الأجزاء الشائعة في التجارة الإلكترونية والتجهيزات المجمعة، تحاول Tutor جمع البيانات من المواضع التي تحدث فيها الصعوبات الحقيقية فعلاً. وتقول الشركة إن الروبوتات كانت غير ماهرة في البداية، لكنها تحسنت خلال أسابيع قليلة تحت إشراف 45 إلى 50 «معلّمًا» عن بُعد في المكسيك والفلبين باستخدام أنظمة التشغيل عن بُعد.

إذا كان هذا التحسن قابلاً للتكرار، فإن الدلالة مهمة. فقد تبدأ الروبوتات في الاستفادة من إحدى أعمق مزايا الذكاء الاصطناعي الحديث: التكرار السريع على نطاق واسع. ليس عبر نصوص الإنترنت، بل عبر تعليم بشري منظم وموزع على أساطيل من الآلات.

النشر التجاري جزء من حلقة التدريب

لا تقدم Tutor نظام DF1 بوصفه مجرد فضول مختبري. بل تطرحه بوصفه الخطوة الأولى في «حلقة فاضلة» تواصل فيها الروبوتات المنشورة تجاريًا توليد البيانات اللازمة لتحسين الأداء المستقبلي. وهذا تمييز استراتيجي مهم. ففي هذا النموذج، لا تقتصر عمليات النشر على تحقيق الإيرادات من التقنية، بل تغذيها أيضًا.

يمكن أن تكون هذه الحلقة قوية إذا نجحت. فكل مهمة حقيقية يؤديها الروبوت تصبح مصدرًا للحالات الحدية والتصحيحات والأمثلة التي يمكن إعادة تدويرها إلى سياسات أفضل. ومع الوقت، قد تتحسن الأساطيل ليس فقط عبر تحديثات البرمجيات، بل أيضًا عبر ذاكرة تشغيلية متنامية تُجمع من الاستخدام الصناعي.

والتحدي، بطبيعة الحال، أن هذا النهج يتطلب بنية تحتية كبيرة. فهو يحتاج إلى أجهزة، وعمالة تشغيل عن بُعد، وحوسبة سحابية، وسير عمل قادر على تحويل العروض إلى إشارات تدريب قابلة للاستخدام. ويبدو أن Tutor تستثمر في كل هذه الأجزاء دفعة واحدة. فقد جمعت الشركة 34 مليون دولار في جولة تمويل من الفئة A في ديسمبر 2025، وعملت مع AWS وNVIDIA ضمن منظومة Physical AI Fellowship.

السؤال الأكبر هو ما إذا كانت مصانع البيانات ستصبح معيارًا

تقول Tutor إن DF1 هي أكبر مصنع بيانات روبوتية في الولايات المتحدة. وسواء ظل ذلك صحيحًا لفترة طويلة أم لا، فقد يكون المفهوم نفسه هو التطور الأهم. إذا كانت الروبوتات العامة أو شبه العامة مقيدة في النهاية بجودة البيانات لا ببنية النموذج وحدها، فقد تصبح المنشآت المصممة خصيصًا لتعليم الروبوتات على نطاق واسع جزءًا قياسيًا من الصناعة.

وسيكون ذلك تحولًا من الروبوتات باعتبارها هندسة عتاد في المقام الأول، إلى الروبوتات باعتبارها نشاطًا في تشغيل البيانات مع عتاد مضاف. وفي هذا العالم، قد تكون الشركات الفائزة هي التي تنظم أفضل حلقات التغذية الراجعة بين التعليم البشري ونشر الأساطيل وتحسين النماذج.

إن اختيار Tutor البدء بمهام التقاط الأجزاء دالّ بوضوح. فهي ذات صلة تجارية، وتكرارية بما يكفي لتوليد الكثير من الأمثلة، ومتنوعة ماديًا بما يكفي لاختبار مهارات المناولة. وهذه بالضبط الخصائص التي تجعل المهمة مفيدة بوصفها تطبيقًا تجاريًا وكقاعدة تدريب في آن واحد.

الذكاء الاصطناعي الفيزيائي ما زال بحاجة إلى إثبات، لكن الفرضية متماسكة

لم تثبت Tutor Intelligence بعد أن نهج مصنع البيانات الذي تتبعه سيؤدي إلى ذكاء روبوتي واسع القدرات. وهذا ادعاء أكبر بكثير من مجرد إثبات تحسن أسرع في مهام شبيهة بالمستودعات. ومع ذلك، يصعب رفض فرضية الشركة. فالروبوتات لا يمكنها التعلم من اللغة البشرية وحدها عن عالم لم تلمسه قط. وفي مرحلة ما، يجب أن يعلّمها أحد في الواقع المادي.

ويعد DF1 محاولة لتوسيع نطاق هذه العملية التعليمية. فبدلاً من انتظار أن تتعلم الروبوتات عرضيًا من عمليات نشر متفرقة، تبني Tutor بيئة مصممة لإنتاج الإرشاد بوصفه موردًا. وإذا تمكنت الشركة من تحويل هذا المورد إلى سلوك أكثر قابلية للتكيف، فقد تساعد في تحديد مسار أكثر عملية للذكاء الاصطناعي الفيزيائي من الأساليب التي تبدأ بالمحاكاة وحدها.

وفي الوقت الراهن، تكمن أهمية Tutor أقل في ادعاء امتلاك إجابة نهائية، وأكثر في التعامل مع جمع بيانات الروبوتات بوصفه مشكلة صناعية تستحق بنية تحتية مخصصة. وفي مجال يبحث عن أسرع طريق من العروض المبهرة إلى الفائدة الموثوقة، فهذه فكرة جادة.

استند هذا المقال إلى تقرير من The Robot Report. اقرأ المقال الأصلي.