طفرة الروبوتات هي في الحقيقة قصة عن أساليب التعلّم
تجذب الروبوتات البشرية الشكل رؤوس الأموال الجادة مرة أخرى، لكن التحول الأهم ليس الطموح الجمالي ولا تسويق الخيال العلمي. إنه تحول منهجي. فموجة الحماس الأخيرة تأتي بعد تغيير في الطريقة التي تُدرَّب بها الروبوتات على العمل في العالم، وهذا التغيير يساعد في تحويل طموح طويل الأمد إلى مجال أكثر قابلية للاستثمار.
وفقًا للمادة الأصلية، ضخّت الشركات والمستثمرون 6.1 مليار دولار في الروبوتات البشرية الشكل في عام 2025، أي أربعة أضعاف ما استُثمر في 2024. هذا رقم لافت بحد ذاته. لكن التفسير الأقوى لهذه الزيادة هو ما تؤكد عليه المقالة: الروبوتات ابتعدت عن الاعتماد أساسًا على قواعد مكتوبة يدويًا بدقة مرهقة، واتجهت إلى أشكال من التعلّم أنسب للبيئات الواقعية الفوضوية.
لماذا اصطدم النهج القديم بحدود
لسنوات، كانت الروبوتات تطمح عاليًا من الناحية المفاهيمية لكنها أضيق عمليًا. كان الباحثون يريدون آلات قابلة للتكيف ومفيدة تستطيع التحرك في بيئات متنوعة والتفاعل بأمان مع البشر. ومع ذلك، ظل جزء كبير من الناتج الواقعي للمجال متخصصًا ومقيدًا. وتلتقط المقالة هذا التباين بوضوح عبر المفارقة بين طموحات الخيال العلمي وواقع الأذرع الصناعية والروبوتات المنزلية.
كان العمل التقليدي في الروبوتات يتطلب من المهندسين توقع الاحتمالات مسبقًا وترميزها صراحة. فإذا احتاج الروبوت إلى طي الملابس مثلًا، يمكن للمهندسين محاولة وضع قواعد لتحديد الياقة، وتحديد الأكمام، وضبط الدوران، وتصحيح الالتواءات، والتحكم في التشوه. قد ينجح ذلك في المهام الضيقة جدًا، لكن عدد القواعد يتوسع بسرعة كلما أصبحت البيئات أكثر تنوعًا.
أنتج هذا النهج أنظمة موثوقة في البيئات المنظمة، لكنه عجز عن التعميم. وكلما اضطر الروبوت إلى التعامل مع أشياء غير مؤكدة، وظروف متغيرة، ومعلومات ناقصة، أصبحت مجموعات التعليمات المكتوبة يدويًا أكثر هشاشة.
التحول إلى التعلّم
تشير المقالة إلى نقطة تحول قرابة عام 2015، حين بدأت الروبوتات المتقدمة تتجه أكثر نحو التدريب في المحاكاة والتحسين عبر المحاولة والخطأ. بدلًا من كتابة كل تعليمات يدويًا، أصبح بإمكان الباحثين بناء بيئات رقمية، وتحديد إشارات مكافأة للنجاح، وترك الأنظمة تتحسن عبر محاولات متكررة. وهذا يشبه من حيث المفهوم الطريقة التي تعلمت بها بعض أنظمة الذكاء الاصطناعي الأقدم الألعاب.
كانت أهمية هذا التحول أنه غيّر موضع الجهد. فبدلًا من محاولة حصر كل حالة ممكنة في العالم المادي، تمكن المهندسون من التركيز على تصميم البيئات والأهداف والنماذج القادرة على تعلم السلوك المفيد عبر الخبرة. لم يلغِ ذلك الصعوبة. فالروبوتات في العالم الحقيقي ما زالت قاسية التحديات. لكنه جعل المجال أكثر توافقًا مع ثورة التعلّم الآلي الأوسع.
وجاء التسارع التالي بعد عام 2022، عندما أثبتت النماذج اللغوية الكبيرة أن الأنظمة المدربة على مجموعات بيانات ضخمة يمكن أن تصبح متنبئات قوية. وتذكر المادة أن نماذج ذات صلة، بعد تكييفها للروبوتات، يمكنها أن تستقبل الصور وقراءات المستشعرات ووضعيات المفاصل، ثم تتنبأ بالفعل التالي الذي ينبغي على الروبوت اتخاذه. وهذا تطور مهم مقارنةً بالبرمجة القائمة على القواعد وبالحلقات الخالصة القائمة على التجربة والخطأ.
لماذا يهتم المستثمرون الآن
يميل رأس المال إلى متابعة تغيرات القدرة، لا تغيرات السرد فقط. وتشير المقالة إلى أن المستثمرين يستجيبون للاعتقاد بأن الروبوتات تستطيع الآن التعلّم بطرق تتوافق بشكل أفضل مع لا يمكن التنبؤ به في البيئات المادية. فالنظام القادر على استيعاب مدخلات متعددة الوسائط واستنتاج الأفعال التالية يبدو أقرب إلى التكيف العملي من نظام يعتمد على قيام المهندسين بكتابة كل الحالات الاستثنائية مسبقًا.
وهذا مهم بشكل خاص في فئة الروبوتات البشرية الشكل. فالمستثمرون لا يدعمون هذه الروبوتات فقط لأنها تبدو مألوفة. إنهم يدعمون احتمال أن أساليب التعلّم الأكثر عمومية قد تصبح أخيرًا قادرة على دعم آلات أكثر عمومية.
ومع ذلك، يبقى هذا احتمالًا لا حقيقة مكتملة. وتوضح المقالة أن الآلات التي يتخيلها كثيرون لم تُبنَ بالكامل بعد. لكن طفرة التمويل تشير إلى أن السوق يرى فجوة أضيق بين الطموح والتنفيذ مما كان يراه قبل بضع سنوات فقط.
الدلالة الأعمق
تكمن الأهمية الحقيقية للحظة الراهنة في أن الروبوتات أصبحت أكثر اندماجًا مع حزمة الذكاء الاصطناعي الحديثة. فالنماذج التي تعمل عبر التنبؤ، والأنظمة المدربة في المحاكاة، ودمج المستشعرات الأكثر ثراءً، كلها تدفع الروبوتات نحو وضع يمكن فيه للتقدم أن يتراكم أسرع مما كان عليه في المقاربات اليدوية في الغالب.
وهذا لا يضمن انتشارًا منزليًا واسعًا أو تحولًا في سوق العمل وفق جدول زمني محدد. فما زالت الروبوتات تواجه تكلفة العتاد، والسلامة، والمتانة، وتعقيد النشر، وتحدي التشغيل الموثوق خارج البيئات الخاضعة للسيطرة. لكن اختراق التعلّم الموصوف في المصدر يغيّر مركز الثقل في هذا المجال.
كما أنه يعيد صياغة الحديث عن الفائدة. لا يحتاج الروبوت إلى أن يبدأ كخادم عام مثالي كي يصبح ذا معنى اقتصادي. إذا أتاحت أساليب التعلّم الجديدة للآلات التعامل مع نطاق أوسع من المهام ببرمجة أقل هشاشة، فيمكنها أن تصبح ذات قيمة تدريجيًا، أولًا في بيئات مقيدة لكن أقل صرامة، ثم ربما بعدها.
فصل جديد، لا قصة منتهية
تبدو طفرة الروبوتات في 2025 أقل شبهاً بمعجزة مفاجئة وأكثر كأنها نتيجة لإعادة توجيه تقنية استغرقت سنوات. فقد انتقل المجال من توقع كل طارئ إلى بناء أنظمة تستطيع تعلّم أنماط الفعل من البيانات والمحاكاة والسياق متعدد الوسائط. وقد لاحظ المستثمرون ذلك، ويؤكد رقم 6.1 مليار دولار هذا التحول.
أما ما إذا كان هذا المال سينتج نتائج دائمة، فسيعتمد على مدى نجاح أساليب التعلّم هذه في الانتقال من العروض الواعدة إلى الأنظمة المادية الموثوقة. لكن المقالة تقدم حجة مقنعة بأن شيئًا أساسيًا قد تغيّر. لم يعد تقدم الروبوتات يعتمد فقط على كتابة قواعد أفضل، بل على تغيير الطريقة التي تتعلم بها الآلات ما ينبغي فعله بعد ذلك.
تستند هذه المقالة إلى تغطية MIT Technology Review. اقرأ المقال الأصلي.
