التأليف:岑峰 (Qin Feng)
في ظل موجة الذكاء الاصطناعي التوليدي، يمر مجتمع الروبوتات بهجرة نموذجية كبرى من التحكم التقليدي إلى التعلم من طرف إلى طرف. وكما في مجالات عديدة، تسود هنا أيضًا خرافة إيمان بحجم البيانات، وإيمان راسخ بأن "كلما زادت البيانات زاد الذكاء" هو الطريق الوحيد الملساء نحو الذكاء الجسدي العام. غير أن في مؤتمر IEEE/RSJ الدولي للروبوتات الذكية والأنظمة (IROS) المنعقد قبل قليل، قدّمت الباحثة الرئيسية في جامعة كوينزلاند Jen Jen Chung في محاضرتها الرئيسية، استنادًا إلى دراساتها البحثية الممتدة لأكثر من عشر سنوات، خلاصة تدعو للتأمل العميق:ليست جميع البيانات متساوية، فتكدّس البيانات بشكل أعمى قد يؤدي حتى إلى انهيار النظام وتعطّل السياسات.بدأت الأستاذة Chung محاضرتها بضرب جوهر الفكرة مباشرة:البيانات الهائلة لا تعني بالضرورة معلومات عالية القيمة. فأمثلة من يمتلكون بيانات هائلة دون أن يحصدوا شيئًا كثيرة ومنتشرة، لأن كثيرًا من البيانات لا تساعدنا أصلًا على فهم جوهر المشكلة حقًا. وفي طريقنا نحو الأنظمة الذاتية العامة،ما يحدد سقف الذكاء لم يكن قطعًا الحجم المطلق للبيانات، بل جودة البيانات وكثافتها المعلوماتية. ففي بداية مسيرتها البحثية في موضوع التحليق الذاتي للطائرات المسيّرة، أدركت الأستاذة Chung بعمق أن "الاستكشاف له ثمن". فلكي تستغل الطائرة المسيّرة ذات الأجنحة الثابتة التيارات الصاعدة ذاتيًا كما تفعل الطيور، لا بد من استهلاك طاقة ثمينة لاستكشاف فضاء الحالة-الفعل المجهول. وقد أجبرها ذلك على التفكير: متى نجمع البيانات؟ وكيف نجمعها؟ فالتخذين العشوائي والموحد لا يهدر الموارد فحسب، بل قد يبطئ عملية التعلم أيضًا. جعلتها هذه الأبحاث المبكرة تدرك أن:قيمة البيانات ليست موزعة توزيعًا متجانسًا، فالمعلومات عالية القيمة المُجمّعة حسب الحاجة تفوق بمراحل المشاهدات الفائضة الوفيرة غير المتمايزة.وتصبح هذه الرؤية الثاقبة لعدم تجانس قيمة البيانات بالغة الأهمية بشكل خاص في الأنظمة متعددة الروبوتات الموزعة. فحين يتوسع موضوع البحث من وحدة واحدة إلى تعاون متعدد الآلات، ومع قنوات اتصال حقيقية مقيّدة ومتحللة وعالية التأخير، يصبح "بث جميع البيانات بالكامل إلى جميع العقد في أي وقت ومن أي مكان" أمرًا غير واقعي، بل قد يؤدي إلى اختناق شبكي كارثي. وفي هذا السيناريو، طرحت الأستاذة Chung المعيار الذهبي الوحيد لقياس قيمة مشاركة البيانات، وهو:"هل يمكن أن يؤدي امتلاك هذه المعلومة إلى تغيير في قرار السلوك؟"وبناءً على ذلك، أدخل فريقها منطقًا جوهريًا عالي الإبداع:نقل المعلومة الأكثر أهمية، لا جميع البيانات. وفي محاضرتها، عرضت الأستاذة Chung سلسلة من الحالات التي تجسّد بشكل مثالي كيفية تحقيق توازن ذكي بين تكلفة النطاق الترددي ودقة البيانات. وفي ختام المحاضرة، وجّهت الأستاذة Chung انتقادها إلى نموذج تعلم السياسات من طرف إلى طرف، الأكثر رواجًا في علم الروبوتات حاليًا، مواجهةً "الفيل في الغرفة". ففي مهام التجميع الغنية بالتلامس المعقدة، حتى مع تغذية الذراع الآلية بكميات هائلة من البيانات متعددة الوسائط (البصرية، والقوة، والحس الذاتي)، يبقى أداؤها بعد النشر متواضعًا للغاية، بل إنها تكرر حركة الإدخال بشكل آلي حتى في سيناريو الصندوق الفارغ. ولمواجهة ذلك، اقترح فريق الأستاذة Chung حلاً "لإصلاح السياسة". وقد أثبتت التجارب أنه ضمن نفس ميزانية بيانات العرض التوضيحي، فإن طريقة الاختيار الموجّه للعينات "الإصلاحية" تحقق تحسنًا في تعميم السياسة يفوق بوضوح ما تحققه زيادة البيانات العشوائية. وهذا يعيد تأكيد موضوع هذه المحاضرة:"جودة البيانات تحدد السقف"، فالسعي الأعمى وراء حجم البيانات ليس سوى لعبة أرقام عبثية.فيما يلي محاضرة Jen Jen Chung، وقد حررها AI 科技评论 استنادًا إلى مضمون محاضرتها الإنجليزية دون تغيير المعنى الأصلي:
▎عنوان المحاضرة: (Geometry Strikes Back: Scaling 3D Reconstruction and Structuring 3D Scene Generation)
المحاضِرة: Jen Jen Chung من جامعة كوينزلاند01
من تحليق الطائرات المسيّرة إلى انفصال البيانات عن المعلومات
"البيانات" لا تعادل "المعلومات". فبعض مقاطع البيانات قد تحمل قيمة معلوماتية عالية جدًا؛ لكن في المقابل، قد تمتلك بيانات هائلة دون أن تحصد شيئًا. وإعادة النظر اليوم في "العلاقة بين البيانات والمعلومات" أمر بالغ الدلالة. ففي موجة التكنولوجيا الحالية، نحن مهووسون بشدة بجمع أكبر قدر ممكن من البيانات، مقتنعين بأن "كلما زادت البيانات زادت القدرة على حل جميع المشكلات". وما أريدفعله اليوم هو تحدي هذا النمط التفكيري الجاهز. فالانفصال بين البيانات والمعلومات تسلل عبر كثير من أبحاثي السابقة. كان موضوع أطروحتي للدكتوراه يخص التحليق الذاتي للطائرات المسيّرة. وقد قدّمت لنا الطبيعة مثالًا رائعًا: فالطيور تعرف كيف تستمد الطاقة من حقول الرياح، مستفيدةً من التيارات الحرارية الصاعدة لزيادة الارتفاع. وما ناقشناه حينها هو إمكانية تحقيق الطائرات المسيّرة ذات الأجنحة الثابتة للعملية ذاتها. ومن منظور استراتيجيات الاستكشاف، هذا موضوع بالغ الإثارة: فكلما طال زمن البقاء في الجو، اتسعت فرص استكشاف "فضاء الحالة-الفعل". غير أن المفتاح يكمن في أن:الاستكشاف يتطلب دفع ثمن. فأنت مضطر لاستهلاك الطاقة التي استمددت بصعوبة لاستكشاف المناطق المجهولة في فضاء الحالة-الفعل؛ وليس هناك أي آلية تضمن لك أن يكون لهذه الرحلة مردود، فقد تستكشف منطقة معينة بكل جهد وتعspent، ثم تعود خالي اليدين في النهاية. لذا، إن أردت التعلم بسرعة، فعليك أن توازن بحذر شديد بين "متى تُجمع البيانات" و"كيف تُجمع البيانات". وما دام الضبط سليمًا، فيمكن تعلم استراتيجية تحليق عالية الكفاءة خلال عدد قليل جدًا من جولات التدريب. فعند الجولات 20~27 كنا قد درّبنا بالفعل استراتيجية تحكم جيدة جدًا تمكّن الطائرة المسيّرة من استمداد الطاقة من التيارات الحرارية. والأكثر إثارة للتفكير هو تحليل فضاء دالة القيمة لديها. ففي هذه المخططات، توضح المنحنيات دالة القيمة عند سرعات هوائية مختلفة. وستلاحظ أنه بعد بلوغ السرعة الهوائية نقطة حرجة معينة، يهبط صافي مكسب الطاقة إلى الصفر تمامًا — لأن الطائرة المسيّرة، بسرعتها الزائدة، تعبر التيار الحراري مباشرة دون أن تحصل على الوقت الكافي للاحتفاظ بطاقته. وبمجرد أن تستوعب استراتيجية التحكم هذه النقطة، أي تدرك أن الاستكشاف في تلك المنطقة بلا جدوى، فإن استمرارك في جمع المزيد من البيانات من تلك المنطقة لن يحسّن السياسة ولو بأدنى قدر. ومثال آخر هو تخطيط أقصر مسار في حقل تكاليف مجهول. فجوهر المشكلة هو إيجاد المسار الأمثل بين نقطتين، بينما حقل التكاليف الحقيقي الموضح في الزاوية العلوية اليسرى مجهول تمامًا في حالته الابتدائية، وعليك أن تتعرف على تكلفة العبور لكل منطقة عبر أخذ العينات المحلية. وهنا يجب تذكّر أمرين: أولًا، أخذ العينات له تكلفة، فعليك دفع كلفة مادية للاستكشاف وجمع البيانات؛ وثانيًا، هدفك النهائي هو إيجاد أقصر مسار، وليس إعادة بناء حقل التكاليف بأكمله بدقة. وبتحديد ذلك، لا ينبغي لنا إجراء أخذ عينات موحد، أو أخذ عينات عشوائية لمجرد خفض خطأ تقدير حقل التكاليف. فكيف يمكننا توجيه جمع البيانات ليكون الارتقاء بدقة استنتاج أقصر مسار بأكفأ طريق ممكن؟ ولأن نقطتي البداية والنهاية معلومتان، يمكننا أولًا تنفيذ بحث إرشادي ثنائي الاتجاه. ونقترح الفرضية التالية: لو جمعنا الآن بيانات مراقبة من مكان ما، كيف سيغير هذا القياس معتقداتنا اللاحقة؟ وكيف سيعيد تشكيل حدود بحثنا؟ وما التغير المسبق الذي سيحدثه في نوع القياس أو مقياس القيمة؟ وما مقدار التكلفة المتوقعة؟ والأهم من ذلك: هل سيغير حكمك على اتجاه أقصر مسار؟ فإن توقعت أن هذا القياس لا يمكنه تغيير تقدير المسار أصلًا، فإن عملية أخذ العينة هذه بلا داعٍ. وبناءً على ذلك، يمكننا توجيه جمع البيانات بشكل هادف. انظر إلى طريقة الاستكشاف بالمسار السريع التي اقترحناها في عام 2017: فبمجرد أن يكتشف النظام أن منطقة ما تنتمي إلى مناطق التكلفة المرتفعة جدًا، ينهي فورًا أخذ العينات من فضاء الحالة هذا وفضاء الاستكشاف الفرعي التابع له — لأن احتمال إيجاد مسار أقصر بالاتجاه نحو الأعلى واليسار قد أصبح ضئيلًا للغاية. وعلينا توجيه ميزانية جمع البيانات الثمينة نحو منطقة الأسفل واليمين ذات الإمكانات الأعلى لاكتشاف حلول أفضل. وفي هاتين الحالتين — سواء في إيجاد أقصر مسار أو في التحليق الذاتي للطائرات المسيّرة — فإن جمع البيانات الفائضة، رغم عدم جدوته جوهريًا في الحل، لم يدمر الحل الحالي على الأقل، بل أبطأ كفاءة الحساب فحسب.02
الأنظمة متعددة الروبوتات:
مشاركة البيانات لم تكن قط بلا تكلفة
في مجالات محددة، فإن حشو المزيد من البيانات بشكل أعمى داخل النظام لا يفيد فحسب، بل قد يؤدي بشكل نشط إلى تدهور حاد في الأداء العام. تتركز هذه الظاهرة بشكل رئيسي في الأنظمة الموزعة متعددة الروبوتات. السبب هو أن توزيع البيانات داخل النظام يعتمد كلياً على البنية التحتية للاتصالات في المستوى الأدنى، وأنمشاركة البيانات ليست أبداً بلا تكلفة. في الواقع لا يمكنك أبداً تجنب عنق الزجاجة في عرض النطاق الترددي، إذ غالباً ما تكون قنوات الاتصال مشبعة بالقيود والتوهين والتأخير. ونظراً للقيود الفيزيائية للقنوات الشبكية، فإن فكرة "بث جميع البيانات بشكل كامل إلى جميع العقد في أي وقت ومن أي مكان" غير عملية على الإطلاق. إضافة إلى ذلك، فإن المنفعة الحدية للبيانات ليست موزعة بالتساوي، بل تعتمد بدرجة عالية على خصائص البيانات نفسها، وهوية العقدة المستقبِلة، وتوقيت الاستلام. وبدمج هذه الاعتبارات الثلاثة، كيف ينبغي لنا التخطيط لآلية توزيع البيانات بين مكونات النظام بحيث تحصل كل عقدة على المعلومات الأكثر أهمية؟ يمكننا أن نبدأ من زاويتي "مع من نتواصل" و"متى نتواصل". السيناريو التطبيقي الأكثر بديهية هو تجنّب التصادم في الأنظمة متعددة الطائرات. في أي لحظة تحتاج الطائرة بدون طيار فعلياً إلى معرفة مسار روبوتات أخرى؟ تخيّل مجموعة من الطائرات بدون طيار تتقاطع مساراتها: هل تحتاج إلى البقاء على اتصال دائم؟ أم أن الاتصال يكون ضرورياً فقط عندما تفتقر التقديرات الخاصة بها حول سلوك الأفراد الآخرين إلى موثوقية كافية؟ السؤال الجوهري الذي يجب أن تطرحه هو: "هل يمكن أن يؤدي امتلاك هذه المعلومة إلى تغيير في قرار السلوك؟عندما تضيء العقد باللون الأصفر، فهذا يعني أنها تجري اتصالاً أو تطلب حالة الطرف الآخر؛ وعندما تظهر باللون الأزرق، فهذا يعني أن التنبؤات المدمجة على متن الطائرة موثوقة بما يكفي ولا حاجة إلى بيانات إضافية. ومن خلال آلية الاتصال المنتقية هذه، خفّضنا بشكل كبير حمل قنوات الشبكة، وحسّننا بشكل ملحوظ احتمال وصول المعلومات عالية القيمة بدقة إلى أهدافها. البُعد الآخر للمشكلة هو "ماذا ننقل". فبدلاً من إرسال البيانات الخام مباشرة، يمكننا تماماً اعتماد تمثيلات تقريبية. وهنا نقدم أداة رياضية بالغة الأناقة — مرشح بلوم. تخيّل مهمة استكشاف ورسم خرائط تعاونية، حيث يحتاج الروبوت إلى مزامنة المناطق التي اجتازها ولاحظها في خريطة الشبكة. بالطبع يمكنك نقل مسارات المواقع التفصيلية مباشرة، لكن توجد طريقة ترميز أكثر كفاءة بكثير. على سبيل المثال، يستخدم مرشح بلوم التعيين عبر الدوال التجزئية لضغط معلومات الحالة في مصفوفة بتات عالية الكثافة، محققاً بذلك نسبة ضغط بيانات مذهلة. ورغم وجود بعض الخسارة في دقة البيانات، فإن المقابل هو حجم بيانات ضئيل للغاية، مما يرفع بشكل كبير معدل النقل الناجح في القنوات القاسية. بعد مزامنة المعلومات مع الروبوت الأحمر، يستقبل المصفوفة المذكورة، ويمكنه بعد ذلك تنفيذ استعلامات الحالة محلياً للتحقق مما إذا كانت خلية معينة في الشبكة قد استُكشفت أم لا. يمكن للروبوت الأحمر بناءً على ذلك استنتاج أن الخلية (1,7)(1,7) لاحظها الروبوت الأخضر بالفعل؛ وعند الاستعلام عن خلية أخرى، إذا وُجدت قيمة تجزئية 00، فهذا يعني أن الطرف الآخر لم يزر تلك المنطقة، فتُعدّ هذه المنطقة مرشحاً محتملاً جديراً باستكشافه بنفسه. لكن تكلفة هذا الضغط الفاقد، كما قلت، هي التضحية بجزء من الدقة. عند الاستعلام عن بعض خلايا الشبكة قد تظهر نتائج إيجابية كاذبة — خلية لم تُستكشف فعلياً، لكن الاستعلام التجزئي يُظهر أنها موجودة في المجموعة. هذا ثمن لا مفر منه لنسبة الضغط العالية. ومع ذلك، فإن الفهم العميق للآلية الداخلية للأداة يمكّننا من إدخال حيل هندسية أخرى بذكاء لكسر سقف أداء الأداة الأصلي. أحد الحلول البسيطة جداً والذكية هو إضافة ملح للبيانات: أي إدخال قيمة ملح عشوائية تُدمج مع البيانات قبل تنفيذ التجزئة، وبث قيمة الملح مع البيانات معاً. بهذه الطريقة، في دورات الرصد والتواصل المتتالية، يمكننا استخدام قيم ملح مستقلة ومختلفة في كل مرة، وتكون مصفوفات البت الناتجة عن التعيين التجزئي مختلفة أيضاً. هذا يعني أن البيانات المنقولة عبر الشبكة في كل مرة تصبح غير مترابطة إحصائياً، وتمثل عينات رصد مستقلة عن بعضها. وهذه الاستقلالية الإحصائية تتيح لنا توظيف جميع المزايا النظرية للاستدلال البايزي والتراكب التسلسلي للمعلومات. هذا يمكّن الطرف المستقبِل من اتخاذ قرارات أكثر متانة. حتى إذا كان معدل الإيجابية الكاذبة الأقصى المحدد مسبقاً للنظام في المرة الواحدة يبلغ 50% — وقد يكون معدل الإيجابية الكاذبة اللحظي مقلقاً للغاية، كما تظهر الإنذارات الكاذبة في صورة النقاط البيضاء في الشكل؛ إلا أنه من خلال دمج المعلومات غير المترابطة عبر الدورات، يُخفَّض خطأ الثقة اللاحقة لدى كل روبوت بشكل كبير، ويفوق ذلك بكثير مستوى الإيجابية الكاذبة اللحظية. هذا يتيح لنا الاستفادة من عائد الإنتاجية القنوية الناتج عن نسبة الضغط العالية للبيانات، مع الحفاظ على جودة عالية في اتخاذ القرار. لذا، توفر لنا آليات مثل مرشح بلوم رافعة للموازنة المباشرة بين تكلفة عرض النطاق الترددي للاتصال ودقة المعلومات في البيانات. وانعكاساً على مهام الاستكشاف التعاوني متعدد الروبوتات، تحسّنت الكفاءة الإجمالية بشكل ملحوظ. أنا أميل إلى اعتبارها موازنة كمية بين "دقة البيانات" و"الإطار الزمني" — وهو ما يقابل بدقة "محتوى النقل" و"توقيت النقل" في تدفق بيانات النظام. لكن لا يزال في المخطط أعلاه فرضية ضمنية: يجب أن يستقبل النظام حزمة البيانات كاملة قبل أن يبدأ فك ترميزها واستخدامها. وهذه بالضبط هي عقبة أخرى نحاول تجاوزها. تنتشر حالياً في هندسة اتصالات الروبوتات عقلية قاصرة: لاستخدام أي معلومة، يجب انتظار الاستلام الكامل لحزمة البيانات قبل فكها وتحليلها. وبمجرد مواجهة بيئات شبكية ضعيفة أو انقطاعات متقطعة، فإن أي فقدان جزئي في حزمة البيانات يجعل النقل بأكمله عديم الفائدة تماماً. وبدلاً من الوقوع في مأزق النقل الأبيض والأسود، هل يمكننا مواصلة مقايضة دقة البيانات بالوقت؟ هل يمكننا إدخال آلية النقل المتدفق بحيث لا نضطر إلى انتظار كامل البيانات، أو استقبال حزم خفيفة الوزن أولاً وفكها فوراً، بما يدعم اتخاذ القرار في الوقت المناسب؟ بهذه الطريقة، حتى إذا كانت الروبوتات الزرقاء الواقعة على حافة الإشارة الضعيفة قد استلمت نصف الحزم فقط، فإن المعلومات الجزئية التي حصلت عليها لا تزال قابلة للتوظيف المباشر في التخطيط التعاوني. إذا عشتم أنتم مثلي إنترنت عقد 90، فقد تتذكرون جيداً آليات البث الوسائطي آنذاك. الفكرة التي نستلهمها هي نفسها بالضبط، وهي ما زالت شائعة في حياتنا اليومية: تماماً كما أنك عند مشاهدة فيديو بالبث الوسائطي عبر هاتفك لا تحتاج أبداً إلى تخزين الفيديو عالي الدقة بالكامل محلياً قبل أن يبدأ التشغيل بسلاسة. لقد نقلنا فكرة النقل التدريجي إلى أنظمة الروبوتات، مما يتيح للأسطول اتخاذ قرارات معقولة بسرعة حتى عندما تكون المعلومات غير مكتملة. وبفضل فكرة النقل المتدفق هذه والتمثيلات التدريجية متعددة المستويات التفصيلية، يمكننا ضبط ميزان الدقة والتوقيت بسهولة، بما يسمح للروبوتات باتخاذ القرار مقدماً دون اعتماد شبكي كبير. أداء مزامنة الخرائط واتساقها بين الأساطيل يفوق بوضوح الحلول التقليدية القائمة على المزامنة الكاملة دفعة واحدة؛ وفي سيناريوهات رسم الخرائط الأكبر حجماً والأنظمة الأكثر تعقيداً، تصبح ميزة قابلية التوسع لهذا الحل أكثر وضوحاً. وهنا مجموعة من النتائج التجريبية الكمية تدعم بقوة أطروحتنا الجوهرية — المزيد من البيانات لا يعني أبداً بشكل مباشر قرارات أفضل. في الطريقة المشار إليها باللون الأزرق في أسفل المخطط، أي طريقة النقل المتدفق، يُعد إجمالي حجم الاتصالات هو الأدنى مقارنة بجميع الطرق المرجعية، وحجم البيانات المستلمة لدى الطرف المستقبِل هو الأصغر أيضاً. ومع ذلك، حتى مع ذلك، إذا فحصنا جودة المزامنة الشاملة للخريطة، فإنها لا تزال تقترب من الحالة المثالية عند عدم وجود أي فقد في القناة وعدم وجود قيود على عرض النطاق الترددي. يتضح إذن أننا يمكننا تماماً نحت البيانات عبر تمثيلات معقولة وإعادة بناء وضغط متدفق، بدلاً من حشو جميع البيانات الخام بشكل أعمى في الشبكة دفعة واحدة، متمنينًا الحصول على نتيجة أفضل بشكل معجزة عند نقطة النهاية.03
تعلم سياسات الروبوتات:
المشكلة ليست في ندرة البيانات، بل في فرط التخصيص
كل ما سبق من تمهيد كان بهدف تقديم "الفيل في الغرفة" الذي لا بد لقطاعنا من مواجهته اليوم — النموذج السائد حالياً في تعلم سياسات الروبوتات. يحاول النموذج البحثي السائد حالياً تعبئة وضغط كامل المعرفة البشرية المسبقة وحقنها دفعة واحدة في سياسات الروبوتات، راجياً استخلاص سياسة عامة عبر كميات هائلة من بيانات التعميم، تغطي جميع السيناريوهات المعقدة من التلاعب الدقيق، إلى الملاحة الذاتية، وصولاً إلى التفاعلات الديناميكية متعددة نقاط التلامس. وقد واجهنا نحن أيضاً صعوبات كثيرة في هذا الاتجاه. سابقاً، كنا نستكشف باستمرار كيفية إجراء تعلم السياسات لمهام التجميع الغنية بالتلامس والمعقدة. في هذه التجربة، جمعنا بيانات توضيحية عبر التحكم عن بعد بخبير، ودربنا ذراعاً روبوتية على إدخال القطع في بيئة مكدسة فوضوية. أدخلنا إلى النموذج مدخلات حسية كاملة الأبعاد: بيانات بصرية ثنائية النمط تتضمن RGB وخرائط العمق، وقراءات مستشعر عزم سداسي الأبعاد للمنفذ النهائي، بالإضافة إلى كامل حالات الحس العميق. صبّنا جميع البيانات المجموعة في النموذج، إلا أن أداء السياسة بعد نشرها وتشغيلها كان متواضعاً للغاية. يمكنكم أنتم جميعاً ملاحظة أن الذراع الروبوتية تؤدي حركات ميكانيكية متكررة — تصطدم بشكل أعمى بكتل المواد، وتخلط المشهد، وتحدث تلامسات فيزيائية، تحاكي بشكل ميكانيكي مسارات التوضيح في مجموعة التدريب. في مواجهة هذا الأداء السيئ، "الوصفة" التي يعتاد الجميع اقتراحها غالباً هي: زيادة بيانات التدريب، وجمع المزيد من التوضيحات عبر التحكم عن بعد بالخبراء. لكن إذا فحصتم بعناية حركاته الشاذة في سيناريو الصندوق الفارغ ستكتشفون: حتى عندما لا يوجد شيء في الصندوق على الإطلاق، تستمر الذراع الروبوتية في تكرار نفس حركة الإدخال بشكل ميكانيكي. يكشف هذا المثال بأقصى وضوح ممكن: جوهر المشكلة ليس في ندرة البيانات إطلاقاً، بل في فرط التخصيص الشديد للسياسة. لقد تجاهل النموذج المدخلات البصرية تماماً، وتجاهل تماماً التغذية الراجعة القوة، واعتمد فقط على بيانات الحس العميق للمفاصل في "حفظ" مسارات التوضيح وتكرارها بشكل ميكانيكي. فرط التخصيص ليس بالطبع مفهوماً جديداً، فهو موجود منذ وُلد التعلم الآلي. ونحن مدركون تمام الإدراك لوجود هذه المشكلة. لذا يجب أن أنادِ بشدة: عند السعي لتعلم السياسات، يجب أن نبقي وعينا حاضراً تجاه هذه العقبة. الجوهر ليس أبداً في حشو المزيد من البيانات في النموذج، بل في التأمل بحكمة أكبر: ما البيانات التي ينبغي فعلاً أن نغذّيها إلى النموذج؟ ولست أنا وحدي من يفكر في هذه المسألة، فزملائي في منظمة الكومنولث للبحث العلمي والصناعي الأسترالية يعملون أيضاً على معالجة هذه المشكلة. كثير من الزملاء الحاضرين هنا واجهوا على الأرجح مأزقاً مشابهاً: خذ مثال مهمة تكديس المكعبات، حيث تحتاج الذراع الروبوتية إلى تكديس المكعب الأخضر بدقة فوق المكعب الأصفر. في البيئة الاسمية الموحدة الإضاءة والمرتبة، عندما تتطابق خصائص البيئة مع توزيع التدريب، يكون أداء السياسة مستقراً تماماً. ومع ذلك، بمجرد تغيير الخلفية، أو وضع بعض العناصر المشتتة في المشهد، تنهار أداء السياسة انهياراً فورياً. وهذا ليس مفاجئاً، فهذا النوع من الانحرافات الاضطرابية الصغيرة كان دائماً "القضاء" على السياسات المدربة فقط ببيانات اسمية مرتبة. لا يمكننا الجزم بأن هذه السياسة تعلمت فعلاً مهارة "تكديس المكعبات" العامة؛ يمكننا في أحسن الأحوال القول إنها تعلمت فقط "تكديس المكعبات في ظروف إضاءة معينة وتكوين مشهد معين". أين الحل؟ هل نستمر في جمع كميات هائلة من البيانات بشكل أعمى؟ أم نتنقل بين تكوينات إضاءة مختلفة، صبّين المزيد من توضيحات التحكم عن بعد بالخبراء دون كلل؟ أم توجد وسيلة أكثر جوهرية لكسر الجمود؟ اختار المؤلف الأول لهذا العمل Giovanni Joseph استكشاف التغيرات المجهرية داخل نموذج السياسة: المقارنة العميقة لما هو بالضبط الفرق في مخرجات السياسة بين سيناريوي الإدخال؟ ما نوع الانحراف الذي حدث في مخرجات الحركة فعلاً؟ من خلال مقارنة مقدار انحراف توزيع حركات السياسة بين السيناريو الاسمي وسيناريو الانحراف الاضطرابي الدقيق، حصلنا على نقاط أدلة قابلة للقياس، وبالتالي أدركنا تغيرات توزيع مخرجات الحركة. أجرينا هذا الاختبار على كميات كبيرة من مجموعات التدريب، وبمساعدة تقنيات تحرير البيانات حاكينا بيئات متغيرة مثل الإضاءات المختلفة، ثم رسمنا التوزيع المكاني لانحرافات الحركات التي تسبب هذا النوع من انهيار السياسات في مرحلة الاستدلال. يكشف هذا التوزيع بشكل بديهي كيف تتوزع انحرافات الأداء في شكل عناقيد. وبناءً على ذلك، بالنسبة للتغيرات في التمثيلات البصرية، يمكننا البحث العكسي بشكل موجّه: أي توضيحات التحكم عن بعد بالخبراء في سيناريو معين ينبغي حقنها لتوفير أقصى درجة من الدعم في فضاء الخصائص هذا، وبالتالي تصحيح السياسة بأقل تكلفة وإعادتها إلى مسار اتخاذ القرار الصحيح؟ نحن نتابع هذا العمل بشكل منهجي عبر كامل فضاء التوزيع. هذا جعلنا شديد التبصر والاستهداف في جمع توضيحات التدريب واستخدامها. أثبتت التجارب أنه في ظل ميزانية بيانات توضيحية متطابقة تماماً، فإن التحسن في أداء السياسة النهائي الذي تجلبه هذه الطريقة يفوق بكثير التوسع الأعمى في البيانات. هذا برهان قاطع على أن: على عكس لعبة الأرقام المتمثلة في السعي الأعمى وراء حجم البيانات، فإن ما يحدد السقف فعلاً هو جودة البيانات التي تجمعونها. الجوهر يكمن في الاختيار الموجّه للعينات المفتاحية القادرة على "إصلاح" أنماط فشل السياسة بدقة، وتغطية النقاط العمياء في فضاء الخصائص. آمل أن يوفر حديثي اليوم لكم جميعاً بعض زوايا النظر الجديدة عند المسير نحو هذا العصر الجديد لسياسات الروبوتات القائم على التعلم الآلي من طرف إلى طرف. أخيراً، أود التأكيد مرة أخرى على دعواتي الجوهرية: في طريقنا المستمر نحو الأنظمة الذاتية العامة، يجب أن نلتزم بالمبادئ العلمية في جمع البيانات واستخدامها. تذكروا دائماً: هدفنا النهائي لم يكن قط التكديس اللامتناهي للبيانات في الأنظمة، بل غرس المعلومات الأساسية الأكثر فائدة والأكثر أهمية في الوكلاء الأذكياء، لتمكينهم من حل مشكلات العالم الحقيقي بشكل أفضل. وأخيراً، أود أن أشكر جميع المتعاونين المتميزين الذين جعلوا هذا العرض ممكناً. شكراً جزيلاً لكم جميعاً، ومرحباً بأسئلتكم!04
الأسئلة والأجوبة
▎س: مقارنةً بأداء خط الأساس البالغ 90% في البيئة الاسمية، لا تزال هناك فجوة معينة في معدل النجاح عند مواجهة الانحرافات الاضطرابية الخارجية حتى بعد تطبيق إصلاح السياسة.
ج: هذه بصيرة عميقة للغاية: فهي تشير إلى أننا ما زلنا بحاجة إلى وصف وتحليل أكثر تعمقاً للتوزيع المكاني لانحرافات الحركات. في المرحلة الحالية، عند تحديد مواقع نقاط أخذ العينات، نقيم ما إذا كانت النقطة توفر أكبر دعم فعلي في فضاء الخصائص، ساعين إلى تعظيم التغطية المكانية بالمعنى الشامل. إذا تمكنا من تعريف مقياس مسافة أكثر دقة، فربما تمكنا من إجراء تقدير مسبق أكثر دقة للتكلفة المحددة المطلوبة لإصلاح السياسة. لكن هذا لا يزال تحدياً بالغ الصعوبة في الوقت الحاضر: والسبب أن فضاءات التضمين عالية الأبعاد هي في جوهرها مجرد تقريبات خشنة لفضاءات المقايسة. فرياضياً، لا يمكننا ضمان بقاء أدوات التحليل المتري الكلاسيكية المختلفة صارمة المفعول في فضاءات التضمين، لأن هذه فضاءات التمثيل لم تكن منذ بداية بنائها فضاءات مترية حقيقية صارمة، بل هي مجرد وسيلة تقريبية هندسية اعتمدناها.▎س: إذا انتقلنا إلى المستوى المنهجي، ما الفلسفة الجوهرية الأساسية التي تتبعها في التفكير في مشكلة اتصالات الروبوتات؟
ج: إذا لخصت فهمي الأساسي للاتصالات، فإن الجوهر يكمن في نقطة واحدة: "هل سيغيّر هذا قرار السلوك لدى الطرف الآخر؟" إذازامنتُ معك معلومة ولا تُحدث أي تحسن في خطوتك التالية — بعبارة أخرى، حتى لو لم أخبرك بها، فستتخذ الحركة نفسها تماماً — فما جدوى تضييعي عرض النطاق الترددي لمشاركة هذه البيانات؟ هذا هو معياري الجوهري.▎س: أود أن أسأل عن القصور في مرشح بلوم المذكور في البداية. لا سيما في الاستكشاف التعاوني اللامركزي متعدد الروبوتات، يُعتمد عادةً على الأساليب الاحتمالية لدمج الحالات؛ لكن هنا توجد مشكلة كلاسيكية تتمثل في "إعادة استخدام/العد الدائري" للبيانات: لا يمكنك تتبع من أرسل المعلومة الحالية، ولا كيف انتقلت متعددة القفزات بين العقد الشريكة. في هذا التمثيل الفاقد شديد الضغط، كيف تُرمّز بيانات الإسناد الوصفي مثل "من أنشأ هذه البيانات" و"أي العقد دمجت هذه البيانات سابقاً"؟
ج: عند استخدام مرشح بلوم لمزامنة المعلومات، نفرّق بدقة بين مصادر الإدخال: أي نميز بين "سلسلة الرصدات المتتالية من الروبوت نفسه" و"المعلومات المتقاطعة من روبوتات مختلفة". عند مواجهة سؤال "هل لاحظ روبوت واحد معين خلية شبكة معينة؟"، فنحن في الجوهر نجري تراكم الثقة البايزية: كلما واصلت الاستعلام عن ذلك الروبوت، إذا ظلت خلية الشبكة تُظهر الوجود في تجزئات متعددة، فإن ثقتي في أنه لاحظها فعلاً تزداد بشكل رتيب بناءً على الاستقلالية الإحصائية. لكن إذا أعلنت عدة روبوتات مختلفة لي في الوقت نفسه أنها جميعاً لاحظت تلك الخلية، فإن الشكل الرياضي للمشكلة يتحول إلى حساب "احتمال الاتحاد الذي لاحظته واحدة من هذه الروبوتات على الأقل". لذا من منظور الاستدلال الاحتمالي، فإن أساليب المعالجة تختلف اختلافاً جوهرياً. وحالما تصبح البيانات نفسها غير متجانسة — مثل "أي روبوت يستحق الثقة أكثر؟ هل دقة مستشعرات روبوت معين أفضل؟ أو أن بيئة وضعه الجيومكاني تتميز بنسبة إشارة إلى ضوضاء وأمانة أعلى؟" — ترتفع تعقيدات المشكلة بشكل حاد. كيف ندمج أوزان ثقة الروبوتات وبيانات الإسناد الوصفي بأناقة داخل حزمة ضغط مدمجة هو حقاً موضوع بالغ الصعوبة ويستحق الحفر العميق. شكراً لكم جميعاً مرة أخرى!لتسهيل التواصل الجماعي وتبادل أخبار المؤتمر، أنشأنا خصيصاً مجموعة تواصل للمشاركين في IROS 2026 مجموعة التواصل للمؤتمر! بانضمامك إلى المجموعة ستحصل على هذه "المزايا"؟
محطة معلومات المؤتمر: آخر موعد للتقديم DDL، ومعايير التنسيق، وتقدم التحكيم... تصلك العقد الرئيسية في اللحظة الأولى، فلن تخشى تفويت أي deadline بعد الآن، وستكون تجهيزاتك للتقديم آمنة ومطمئنة.
جلسة الزملاء: زملاء من كل مكان في المجموعة، يتبادلون الخبرات ويصطدمون الأفكار ويبنون العلاقات، فنحن رفاق في طريق البحث العلمي.
محطة الإمداد بالمعرفة المتطورة: أحدث نتائج الأبحاث والاتجاهات الساخنة تُزامَن فوراً، مع مساعدتك على تنظيم خط سير التقديم في ضوء موضوع المؤتمر، لتزويد إلهام أوراقك بالوقود بالكامل.
فريق الدعم في الموقع: (يُفعّل حصرياً خلال المؤتمر):حتى في قاعة المؤتمر لا داعي للقلق —
التنقل والإرشاد: توزيع القاعات وكيفية الوصول إلى قاعات المحاضرات، اسأل في المجموعة في أي وقت؛
القراءة المشتركة للمحاور: مناقشة الجلسات والكلمات الرئيسية الساخنة، وإن فوّتها يمكنك ملاحقتها؛
مجموعة الملصقات Poster: جوهر الملصقات في الموقع منقّح ومجمع، اجمعها بنقرة واحدة دون أن يفوتك شيء؛
ساحة التنسيق: تنسيق وجبات، ولقاءات مقابلات، وجلسات تبادل... إن أردت الدردشة أو التعاون أو اللقاء، ابدأ من المجموعة وسينجح الأمر.
? بوابة الانضمام إلى المجموعة: امسح رمز الاستجابة السريعة للانضمام إلى المجموعة أو أضف حساب WeChat Luyoyo_2026، مع ملاحظة: IROS + الجهة/المدرسة + الاسم + التخصص.
في البحث العلمي/العمل التقني، الفجوة المعلوماتية مهمة جدًا.
تعال، لنكن دائمًا خطوة أمام الجميع!
انضم معنا ليأخذك في جولة عبر أبرز محتوى المؤتمرات العالمية الكبرى في الذكاء الاصطناعي
يمكنك الاطلاع حصريًا على:
عروض PPT لمحاضرات الخبراء
النصوص الكاملة لتقارير المؤتمر
شروحات الأوراق البحثية الرائجة
مقابلات مع النجوم الأكاديميين الصاعدين
امسح رمز الاستجابة السريعة أعلاه
أو انقر على «قراءة النص الأصلي» لزيارة قسم موقع 雷峰网 (الحساب الرسمي: 雷峰网).
مقالات 雷峰网 الأصلية محمية بحقوق النشر، ويُمنع إعادة نشرها دون إذن. للاطلاع على التفاصيل راجعإرشادات إعادة النشر。