الكاتب丨张岂萍 幸丽娟
التحرير丨幸丽娟
منافسة نماذج العالم تنتقل من "توليد المستقبل" إلى "هل يمكن للروبوتات استخدامها فعلاً".يمكن للفيديو أن يصبح أكثر واقعية يوماً بعد يوم، لكن عند دخول أنظمة الروبوتات، يجب على نموذج العالم الإجابة عن أسئلة أكثر تحديداً: هل يستطيع التنبؤ بتغيرات الحالة بعد تنفيذ الحركة، وهل يدعم تدريب السياسات، وهل يستطيع في النهاية إكمال المهام على روبوت حقيقي. لقد أدرج WorldArena نماذج العالم في "قاعة امتحان" واحدة. هذا النظام التقييمي أطلقه فريق جامعة تسينغhua بالتعاون مع عدة جامعات داخلية وخارجية، وهو من أكثر قوائم التقييم موثوقية في مجال نماذج العالم. WorldArena 1.0 وسّع بالفعل تقييم نماذج العالم من مجرد توليد الفيديو إلى مهام مجسدة مثل توليد البيانات وتقييم السياسات والتخطيط للحركات. لكن التركيز بقي بشكل عام على المدخلات البصرية والمهام غير المتصلة وبيئات المحاكاة. ولا يزال التنفيذ على روبوتات حقيقية، وحلقة التعلم المعزز عبر الإنترنت، والإدراك متعدد الوسائط البصري-اللمسي، وكذلك الضوضاء والتأخير وتراكم الأخطاء في النشر الحقيقي، يفتقر إلى تقييم منهجي.لسد هذه الفجوات، قامت WorldArena 2.0 بترقية نظام التقييم بشكل أكبر.توسعت الوسائط من البصري البحت إلى البصري-اللمسي، وتوسعت الوظائف من المهام غير المتصلة إلى التعلم المعزز عبر الإنترنت، وامتدت المنصات من بيئات المحاكاة إلى روبوتات حقيقية. IROS، بوصفها من أكثر المؤتمرات الدولية الكبرى تأثيراً في مجال الروبوتات، شهدت على منصة WorldArena 2.0 Challenge بناء حلبة تنافس بحلقة حقيقية، حيث تتجه ثلاث مسارات على التوالي إلى جودة الفيديو، وبيئة التعلم المعزز عبر الإنترنت، والتحكم في الروبوتات الحقيقية. بعد كل هذه المنافسات بين مدارس نماذج العالم الكبرى، أخيراً واجهت النماذج التي تتبع مختلف المسارات التقنية بعضها البعض بجدية في هذه الحلبة.فازت 视启未来، التي تسير بوضوح على مسار JEPA،بلقب Track 1،مسار الذكاء المكانيلجامعة تونغي ونموذجها BWM-Turbo حل في المركز الثاني بفارق 0.84 نقطة؛ كما أن شركة 晨昏线科技، وهي أيضاً من مسار JEPA،حلت في المركز الثاني في المجموع الكلي لـ Track 2. بالإضافة إلى ذلك، هناك تفصيل جدير بالملاحظة: في المركزين الأول والثاني لكل مسار من المسارات الثلاثة، حصل المدرسة الأكاديمية والمدرسة الصناعية على مقعد واحد لكل منهما. منافسة مسار نماذج العالم دخلت الآن في مواجهة مباشرة بين القدرات الأكاديمية والهندسية. حول تموضع الحدث والتعاون بين المؤسسات المتعددة وإعداد المسارات ونتائج القائمة، أجرت AI 科技评论 مقابلة مع فريق تسينغhua المنظم لـ WorldArena 2.0 Challenge. وتوضح إجاباتهم أيضاً كيف صُمم هذا التقييم عند التوجه نحو التفاعل عبر الإنترنت والتنفيذ على آلات حقيقية، وكيف يتم التعاون، وما هي الحدود.
01
WorldArena 2.0،ما صعوبات "الامتحان الكبير" الجديد
دفع WorldArena 2.0 تقييم نماذج العالم خطوة إضافية نحو التفاعل عبر الإنترنت والروبوتات الحقيقية.ركز WorldArena 1.0 أساساً على فئتين من القدرات: الأولى هي جودة الفيديو المستقبلي المولد من نموذج العالم، حيث تغطي 15 مؤشراً جودة الصورة (Visual Quality) وجودة الحركة (Motion Quality) واتساق المحتوى (Content Consistency) والالتزام بالفيزياء (Physics Adherence) ودقة 3D (3D Accuracy) وقابلية التحكم (Controllability)؛ والثانية تنظر فيما إذا كانت هذه التنبؤات مفيدة فعلياً للروبوتات، بما في ذلك توليد البيانات وتقييم السياسات والتخطيط للحركات. وأظهر تقييم 14 نموذجاً ممثلاً أن جودة الفيديو وأداء المهام المجسدة لا يتطابقان دائماً. توليد صور أوضح وأكثر سلاسة لا يعني بالضرورة أداءً أفضل في توليد البيانات وتقييم السياسات والتخطيط للحركات. كما كان نطاق تغطية WorldArena 1.0 محدوداً نسبياً:من حيث الوسائط، كان يعالج المعلومات البصرية فقط، ومن حيث الوظائف ركز أساساً على مهام غير متصلة مثل توليد البيانات وتقييم السياسات والتخطيط للحركات، ومن حيث المنصة بقي أساساً في بيئات المحاكاة. لم تدخل التغذية الراجعة اللمسية والتفاعل عبر الإنترنت وأداء التنفيذ في الروبوتات الحقيقية إلى هذا التقييم.أما ترقية WorldArena 2.0 فقد تمت علىالوسائط (Modality) والوظائف (Functionality) والمنصة (Platform)ثلاثة اتجاهات.من حيث الوسائط، التوسع من البصري البحت إلى البصري-اللمسي.فحص قدرة النموذج على معالجة معلومات الصورة والاتصال في آن واحد.من حيث الوظائف، التوسع من التقييم غير المتصل إلى التعلم المعزز عبر الإنترنت.فحص قدرة نموذج العالم على العمل كبيئة تفاعلية لدعم تدريب السياسات.من حيث المنصة، التوسع من الاعتماد الأساسي على بيئات المحاكاة إلى تضمين تقييم الروبوتات الحقيقية.وبعيداً عن بيئات المحاكاة مثل RoboTwin 2.0 وLIBERO، أضافت WorldArena 2.0 اختبارات على روبوتات حقيقية، مدمجةً أداء التنفيذ للنماذج في البيئات الفيزيائية في التقييم. بناءً على هذا الاتجاه التقييمي لـ WorldArena 2.0، أقام Challenge ثلاثة مسارات:Track 1 يقيّم جودة الفيديو، وTrack 2 يقيّم قدرة نموذج العالم كبيئة تعلم معزز، وTrack 3 يقيّم التحكم في الروبوتات الحقيقية.Track 1 استمر في تقييم جودة الفيديو الأصلي وترقيته، بينما Track 2 وTrack 3 مساران جديدان في 2.0.
تضمّن المسار 1 سبعين (70) مهمة رسمية، منها 50 مهمة من نوع ID (In-Distribution، ضمن التوزيع) في سيناريوهات سطح مكتب أبيض نظيف، و20 مهمة أخرى من نوع OOD (Out-of-Distribution، خارج التوزيع) على أسطح مكتب ملوّنة أو ذات نسيج. وقد جرى اختبار جميع النماذج المشاركة على مجموعة البيانات نفسها.
يختبر هذا المسار أداء توليد الفيديو في المشاهد طويلة المدى وخارج التوزيع. تُقدَّم مشاهد OOD من خلال تغيير لون سطح الطاولة وملمسه، مما يُدخل شروطاً بصرية مختلفة عن مشاهد ID، وذلك لمراقبة ما إذا كان النموذج قادراً على الحفاظ على هوية الأجسام والطوبولوجيا المكانية واتساق السببية في الحركات عند مواجهة تغيرات التوزيع. تتحدد النتيجة النهائية بـ15 مؤشراً مشتركاً، تغطي جودة الصورة، وجودة الحركة، واتساق المحتوى، ودقة التفاعل، والهندسة ثلاثية الأبعاد (3D)، وتنفيذ التعليمات وغيرها من الجوانب. كما أُدرج تشابه تمثيلات JEPA (JEPA Similarity)، حيث تُستخرج ميزات الفيديو عبر V-JEPA لمقارنة مدى تقارب توزيع الميزات بين الفيديو المولَّد والفيديو المرجعي الحقيقي.المسار Track 2 ينتقل خطوة أبعد نحو التفاعل المستمر.يجب أن يعمل النموذج العالمي كبيئة تعلم معزز، حيث تنفّذ السياسة إجراءات بشكل متكرر وتحصل على حالات جديدة ومكافآت، ثم تواصل التحديث. وبعد اكتمال التدريب، تعود السياسة أيضاً إلى RoboTwin 2.0 لاختبار معدل نجاح المهام، للتحقق مما إذا كان النموذج العالمي يدعم فعلاًالتدريب عبر السياسات على الإنترنت.يتطلب ذلك أن يحافظ النموذج العالمي على الاستقرار وقابلية التحكم في الإجراءات عبر جولات التفاعل المتعددة، وأن يعكس بشكل صحيح تغيرات الحالة الناتجة عن الإجراءات المختلفة، وأن يولّد صوراً موثوقة توفر إشارات مكافأة فعالة للنموذج. فانحراف واحد في التنبؤ قد يُحمل إلى جولة التفاعل التالية، ويتراكم باستمرار خلال التفاعل المتواصل.
أما Track 3 فيضع التقييم مباشرة في تشغيل الروبوت الحقيقي. وقد أعدّت الجهة المنظِّمة في الوقت نفسه فئتين من المهام: مهام بصرية بحتة ومهام بصرية-لمسية؛ إذ تشمل عمليات مدفوعة بصرياً مثل مسح الطاولة وسكب الماء وتنظيف سطح الطاولة وطي الملابس، ومهام تتطلب معلومات تلامسية مثل التقاط رقائق البطاطس وتقشير الخيار وإدخال قابس ذي فتحتين. عند الانتقال إلى الروبوت الحقيقي، تؤثر تغيرات قوة التلامس وضوضاء المستشعرات وتأخير الاتصال بشكل مباشر في نتائج المهام. ويركز التقييم على قدرة النموذج والسياسة على التعميم والصلابة في البيئة الحقيقية، وعلى القدرة على الاستعادة الذاتية بعد انحراف الإجراءات.من Track 1 إلى Track 3، يتدرج التقييم من «القدرة على التنبؤ» إلى «القدرة على دعم التعلم»، ثم أخيراً إلى «القدرة على إنجاز المهمة على روبوت حقيقي».02
بعد الإعلان عن المسارات الثلاثة،أين تكمن قوة كل فريق فائز
في 16 سبتمبر، أُعلن عن لوحة النتائج العالمية النهائية لتحدي WorldArena 2.0 Challenge. تم ترتيب المسارات الثلاثة ومنح الجوائز لكل منها بشكل مستقل، وبحسب مبالغ الجوائز المعلنة على الموقع الرسمي،يبلغ إجمالي الجوائز 7000 دولار.▎Track 1: WorldIncept، الفوز لا يقتصر على «جمال» الفيديو
حصل في اللوحة النهائية للمسار Track 1 على نتائج نهائية 81 نموذجاً.حلّ نموذج WorldIncept من شركة 视启未来 (Visincept) في المرتبة الأولى بنتيجة 72.33؛ وجاء نموذج BWM-Turbo من فريق الذكاء المكاني بكلية علوم وتقنية الحاسوب بجامعة تونغجي في المركز الثاني بنتيجة 71.49، والفارق بينهما 0.84 نقطة. ومن حيث البنود الفرعية، لا تقتصر ميزة WorldIncept على جودة الصورة. وتُظهر نتائج اللوحة النهائية أنWorldIncept حلّ في المرتبة الأولى في بُعدي الالتزام الفيزيائي (Physics Adherence) والدقة 3D ثلاثية الأبعاد (3D Accuracy)；كما حقق درجة 90.11 في المحاذاة الدلالية (Semantic Alignment)، محققاً المرتبة الأولى في هذا البند أيضاً.يركّز الالتزام الفيزيائي على مدى توافق عملية التوليد مع قوانين الحركة والتفاعل في العالم الحقيقي؛ وتفحص الدقة ثلاثية الأبعاد (3D) بشكل أعمق العمق والمنظور والعلاقات الهندسية المكانية؛ أما المحاذاة الدلالية فتنظر فيما إذا كانت النتائج المولَّدة قد تغيّرت فعلاً وفقاً لمتطلبات المهمة. وتتسم هذه المؤشرات المتقدمة بدرجة من التطابق مع الخبرات المتراكمة للفريق الذي يقف خلف WorldIncept. فشركة 视启未来 التي طوّرت WorldIncept قد نشأت من حاضنة معهد IDEA للأبحاث، وقد أطلقت سلسلة نماذج الرؤية DINO-X ونموذج الإمساك بالأشياء DINO-XGrasp، وتعاونت مع بايدو كلاود الذكية لإطلاق محرك البيانات EgoTwin. وهي تعتمد على بيانات Ego بمستوى مئة ألف ساعة وبيانات التشغيل عن بُعد لبناء نمذجة ديناميكا الروبوتات، وتدمج تراكمات الفريق في فهم الأجسام العامة والذكاء المكاني وفهم حركات الجسم/اليد البشرية. بالمقارنة، يولي فريق الذكاء المكاني بجامعة تونغجي اهتماماً أكبر باستقرار التوليد طويل المدى. فقد أضاف BWM-Turbo إلى معمارية DiT تصميمات مثل توجيه الإطار الأول والذاكرة الديناميكية والتحكم في الإجراءات، مع التركيز على معالجة مشكلات استقرار المشهد والاستجابة الحركية والاتساق الزمني في التوليد طويل المدى. وفي هذه اللوحة النهائية، حلّ BWM-Turbo في المرتبة الأولى في مؤشري اتساق الخلفية (Background Consistency) وتشابه تمثيلات JEPA (JEPA Similarity)، مما يعكس أيضاً تفوق هذا الحل في استقرار المشهد واتساق التمثيلات. تختلف التوجهات التقنية للحلين، لكن نقطة التنافس في Track 1 أصبحت واضحة تماماً: توليد الفيديو مجرد أساس،وقدرة الحفاظ المستقر على الاتساق الفيزيائي في البنية المكانية والتغيرات الحركية والاستدلال طويل المدى بدأت تصبح مفتاحاً لإحداث الفارق.▎Track 2: MW2، النموذج العالمي يدخل فعلياً إلى تدريب السياسات
المسار 2 هو مسار التعلم المعزز عبر الإنترنت المضاف حديثًا في WorldArena 2.0، ويقوم بالتقييمهل يمكن للنماذج العالمية أن تعمل فعلاً كبيئة لاستراتيجيات تدريب الروبوتات؟تولّد الاستراتيجية الإجراءات، ويتنبأ نموذج العالم بالحالة المستقبلية بعد الإجراء، ثم تُجرى عملية حساب المكافأة وتحديث الاستراتيجية بناءً على هذه التنبؤات، وأخيرًا يُنظر فيما إذا كانت الاستراتيجية بعد التدريب قادرة على إنجاز المهمة.يستند المسار إلى بيئة RoboTwin، ويُنفَّذ باستخدام مهمة Adjust Bottle (تعديل الزجاجة). تتطلب هذه المهمة من الروبوت إعادة ضبط وضعية الزجاجة وموقعها، مما يختبر التحكم الدقيق في الوضعية وثبات الإمساك.
وفي القائمة النهائية،حصلت MW2 من معهد بكين تشونغقوانتسون على المرتبة الأولى بنتيجة 72.93 نقطة，حصلت تقنية TTWM لشركة تشنخون للخط الفاصل على 72.40 نقطة فحلت في المركز الثاني، والفارق بينهما 0.53 نقطة فقط، وهما أيضا الخياران الوحيدان من بين 47 نموذجا مشاركا الذين تجاوزا 72 نقطة. وخلف MW2 تقف أكاديمية بكين تشونغقوانتسون، التي تواصل في السنوات الأخيرة التوسع في الذكاء الجسدي والذكاء الفيزيائي. أما TTWM التي تليها مباشرة، فقد اعتمدت في تدريب نموذج العالم مخططا تحسينيا أكثر تحديدا. إنهالنسخة المشاركة من نموذج العالم السببي الموجّه بخط الحدود بين الليل والنهار GCWMمع التركيز على نمذجة "كيف تغيّر الأعمال المستقبل الحالة". يتنبأ النموذج بالتفاعلات الفيزيائية وتغيرات الحالة بعد تنفيذ العمل، اعتماداً على الحالة الحالية، وهدف المهمة، وعمل الروبوت. في التتابع المستمر في Track 2، أجرى الفريق أيضاً تحسينات موجهة حول المنطقة المستهدفة، والهندسة المكانية، والاتساق عبر الزمن، وخفّض تراكم الأخطاء في التنبؤات متعددة الجولات من خلال تصاميم مثل الضوضاء على مستوى الإطارات والعشوائية في التشغيل البارد. وتنعكس هذه التصاميم أيضاً في أداء السياسة اللاحق. بلغ معدل نجاح VLA الأساسي π0.5 نسبة 55.46%؛ وبعد تحسين السياسة باستخدام GCWM كبيئة تعلم معزز، ارتفع معدل نجاح نموذج VLA إلى 72.40%. تدفع Track 2 التركيز التنافسي نحو تعلم السياسات، وأصبحت مسألة ما إذا كان نموذج العالم قادراً فعلاً على تحسين أداء السياسة اللاحق جوهر هذا المسار.▎المسار 3: ViTacX، الأول في المهمات الشاملة على الجهاز الحقيقي
المسار 3 هو مسار تقييم الروبوتات الحقيقية المضاف حديثًا في WorldArena 2.0، ويغطي روبوت AgileX ثنائي الذراع وروبوت Franka Panda أحادي الذراع。其中，مسار 3.1 يقيّم التحكم البصري-اللمسي، ويُنجَز على منصة AgileXالتقاط رقائق البطاطس، وتقشير الخيار، وإدخال قابس بفتحتين 3 مهام؛ أما مسار 3.2 فيقيّم التحكم البصري البحت، وتشمل إعدادات AgileXمسح الطاولة، وسكب الماء، وتنظيف سطح الطاولة، وتنظيف الطاولة حسب التعليمات، وثني الملابس، وطيّ الصناديق الورقية 6 مهام، كما يغطي Franka أيضًا مسح الطاولة وسكب الماء وتنظيف سطح الطاولة.تُقيَّم كل مهمة بنسبة نجاح التنفيذ على الروبوت الحقيقي؛ ويدمج لوحة الترتيب الإجمالية صعوبة المهام، ويحسب النقاط بتجميعها وفق أوزان مساري التحكم البصري والتحكم البصري-اللمسي. يجب على الروبوت إتمام العملية ضمن عدد الخطوات المحدد، ودون أن يُفعّل تدخّلًا أمنيًا خلال العملية.
في لوحة الترتيب الإجمالية،حلّ نظام ViTacX المقدَّم من فريق MiRobot التابع لشياومي للروبوتات في المرتبة الأولى برصيد 76.64 نقطة، وجاء فريق OmniFlow التابع لجامعة شنغهاي للعلوم والتكنولوجيا في المرتبة الثانية بـ67.37 نقطة. تكمن الميزة الرئيسية لـViTacX في لوحة التحكم البصري البحت الفرعية. فقد حصل في مسار 3.2 على المرتبة الأولى بـ85.00 نقطة، وحقّق أعلى نتيجة فردية في 4 مهام هي مسح الطاولة وسكب الماء وثني الملابس وطيّ الصناديق الورقية، منها المهام الثلاث الأولى بدرجة كاملة 100 نقطة. ومن حيث الخلفية التقنية للفريق، تركّزت شركة شياومي للروبوتات منذ فترة طويلة على النماذج الأساسية المُجسَّدة وVLA وتنفيذ الروبوتات الحقيقية، ويغطي بحثها حلقات تتراوح من الإدراك البصري وتوليد الحركات إلى التنفيذ المتواصل على الروبوت الحقيقي. وهذه الاتجاهات تقابل تمامًا القدرات التي يختبرها مسار 3.2 في التحكم الموجَّه بصريًا والتنفيذ على الروبوت الحقيقي.لوحة التحكم البصري البحت في مسار 3.2وفي لوحة التحكم البصري-اللمسي الفرعية لمسار 3.1، جاء ViTacX في المرتبة الثالثة بـ66.67 نقطة. بالمقابل، حافظ OmniFlow على المرتبة الثانية في كلا اللوحتين الفرعيتين: البصري البحت والبصري-اللمسي. وجامعة شنغهاي للعلوم والتكنولوجيا الكامنة خلفه تُجري منذ فترة طويلة أبحاثًا في تحكم الروبوتات واللمس، ويغطي بحث المركز الذي يعنى بالتحكم المُجسَّد الإدراك اللمسي، والتشغيل عن بُعد، والتعلّم التقليدي، والتعلّم المعزّز، والحركة متعددة المخالط.لوحة التحكم البصري-اللمسي في مسار 3.1وبالنظر إلى اللوحتين الفرعيتين، فإن تفوّق ViTacX في اللوحة الإجمالية يأتي أساسًا من التحكم الموجَّه بصريًا على الروبوت الحقيقي، بينما يظل أداؤه في المهام البصرية-اللمسية متأخرًا نسبيًا.03
في الإطار التقييمي نفسه،لكل مسار تقني لنماذج العالم تركيزاته الخاصة
وبالنظر إلى الحلول المنشورة وأداء اللوحات، فإن WorldArena 2.0 وضع مسارات تقنية مختلفة لنماذج العالم في نظام تقييم واحد للمقارنة، وأصبح من الأسهل تدريجيًا معرفة ما يتفوق فيه كل حل. يشير أفضل متسابقَين في مسار 1 إلى مسارين تقنيين مختلفين. فشركة视启未来 الكامنة خلف WorldIncept تسير بوضوح في نهج JEPA ذو الفضاء الكامنبينما تسلك BWM-Turboنهج الذكاء المكاني. تتنافس نموذجا المسارين على نفس المسرح، إذ يتقدم WorldIncept في الامتثال الفيزيائي والدقة ثلاثية الأبعاد 3D، بينما تحتل BWM-Turbo المرتبة الأولى في اتساق الخلفية وتشابه تمثيل JEPA. يختبر المسار 2 مباشرة ما إذا كان نموذج العالم قادراً على العمل كبيئة تدريب للسياسات بشكل مستقر. جاء البطل MW2 من معهد بكين تشونغوانتسون، وهو فريق يهتم بفهم الروبوتات للقوانين الفيزيائية، ويربط هذا الفهم بتعلم الحركات وتنفيذها. أما الترجمة الثانية فهو TTWM من شركة Chenhunxian (خط الفجر والغسق) Technology، ويركز أكثر على التنبؤ السببي بالحركات، ويهتم بالمناطق المستهدفة، وقيود الهندسة المكانية، واتساق الأجسام عبر الزمن، وتراكم الأخطاء في عمليات التمرير المتتالية rollout. وفي المسار 3، حاز نموذج ViTacX التابع لفريق MiRobot من شياomi على المركز الأول الشامل، لكن تفوقه في المهام البصرية البحتة لم يُستمر بالكامل في التلاعب البصري-اللمسي. وهذا يدل على أن تشغيل الروبوتات الحقيقي لا يتطلب الرؤية الواضحة للبيئة فحسب، بل يتطلب أيضاً معالجة معلومات التلامس.ما إذا كانت المعلومات متعددة الوسائط قادرة على الاندماج بشكل مستقر في حلقة مغلقة من التخطيط للحركة والتحكمهو الجزء الأصعب. يتميز الفرق المتصدرة في المسارات الثلاثة بمؤهلات مختلفة، وتُظهر مزايا فريدة في مستويات قدرات مختلفة. ونظراً لأن المشاركة اختيارية، يبقى من غير المؤكد ما إذا كان هناك نموذج قادر على تحقيق مستوى رائد في توليد الفيديو وتدريب السياسات وتشغيل الروبوتات الحقيقية في آن واحد، وهو أمر يستحق الانتظار والترقب.。04
حوار مع الجهة المنظمة:كيف أُقيم "قاعة الامتحان" لنماذج العالم
من الحكم الموحد لنتائج المسابقة بين جهات متعددة، إلى كيفية إعدادات التقييم لتقليل الانحياز الناجم عن مؤشر واحد، تكمن وراء تقييم WorldArena 2.0 الكثير من المسائل التقنية والتنظيمية. وأجاب الفريق المنظم من جامعة تسينغهوا عن هذه الأسئلة في مقابلة. وفيما يلي نص الحوار، مع حذف وتعديل من AI 科技评论 دون تغيير المعنى الأصلي.تموضع WorldArena وآلية التقييم
▎AI 科技评论: أصبح WorldArena اليوم أحد المعايير التقييمية الأساسية لنماذج العالم. كيف تنظرون إلى هذا الاعتراف؟ ومن أين تعتقدون أنه يأتي بشكل رئيسي؟
الجهة المنظمة:يأتي هذا الاعتراف أساساً من الاحتياج المشترك بين الأوساط الأكاديمية والصناعية:الحاجة إلى مجموعة من طرق التقييم للحكم على ما إذا كان المستقبل المتنبأ به من نموذج العالم قادراً فعلاً على مساعدة الروبوتات في تنفيذ الحركات. بالنسبة للذكاء المُجسَّد، يجب النظر إلى ما إذا كان النموذج قادراً على الاستجابة بدقة لأوامر الحركة، وما إذا كانت الحركة المتنبأ بها تتوافق مع القوانين الفيزيائية، وما إذا كان قادراً على دعم تعلم السياسات والتنفيذ الحقيقي. هذه القدرات يصعب الحكم عليها بمجرد مشاهدة الفيديو، وتحتاج إلى اختبارات مخصصة. حوّل WorldArena 1.0 هذه الأسئلة إلى عملية اختبار قابلة للتنفيذ وفق معيار موحد، وأضاف الإصدار 2.0 التعلم المعزز عبر الإنترنت والتفاعل مع الروبوتات الحقيقية، لفحصانتقال المحاكاة إلى الواقع (Sim2Real) والتغذية الراجعة في الحلقة المغلقةبشكل أعمق. بالنسبة لنا، تكمن القيمة طويلة المدى للمعيار في قدرته على مساعدة الباحثين والممارسين على اكتشاف المشكلات الجوهرية للنماذج، وتفسير مزاياها وعيوبها، وتحسين الأساليب بناءً على ذلك.▎AI 科技评论: يشمل WorldArena مؤسسات متعددة مثل تسينغهوا، وجامعة بكين، وCMU، وستانفورد، وبرينستون، وجامعة هونغ كونغ، وNUS، ومعهد الأتمتة في الأكاديمية الصينية للعلوم. ما الدور الذي يلعبه فريق تسينغهوا كجهة منظمة تحديداً؟
الجهة المنظمة: يتولى فريق تسينغهوا بشكل رئيسي التصميم البحثي وتطوير إطار التقييم، بالإضافة إلى تقييم المسابقة وصيانة مجتمع المصادر المفتوحة.يغطي هذا المعيار من توليد الفيديو إلى تشغيل الروبوتات الحقيقية، ويتطلب استثماراً كبيراً في البرمجيات والعتاد والقدرة الحاسوبية والموارد البشرية، ويصعب على فريق واحد إنجازه بمفرده، لذا يجب التعاون بين مؤسسات متعددة. تشمل الأعمال المحددةبناء عملية التقييم、وتنظيم معالجة الأكواد المرسلة بشكل موحد、والمواءمة مع خدمات الاستدلال عن بُعد عبر المناطق المختلفة、وصيانة عنقود التقييم الموزعوكذلكالتحقق من النتائج وتجميعها. كما يتطلب مسار الروبوتات الحقيقية التنسيق مع شركاء منصات الروبوتات في مواءمة واجهات العتاد وحجز فترات الاختبار وترتيب العمليات الميدانية.▎AI 科技评论: هل واجهتم مشكلات في التنسيق بين المؤسسات المتعددة؟ هل يمكنكم تقديم مثال أو مثالين محددين؟
الجهة المنظمة:هناك صعوبتان بارزتان:الأولى هي كيفية ضمان قابلية تكرار نتائج التقييم في بيئات حوسبة مختلفة；والثانية هي كيفية التنسيق بين أجهزة الروبوتات والموظفين في المواقع المختلفة.على سبيل المثال، عند تشغيل نفس كود التقييم على بطاقات رسومية بمعماريات مختلفة مثل NVIDIA وAMD، إذا لم تتوافق بدقة تنفيذات العمليات الأساسية وتبعيات البيئة، فقد تظهر تذبذبات طفيفة في النتائج. لذلك من الضروري إجراء تكيّف مع بيئات العتاد المتعددة، وتوحيد الإعدادات الأساسية، ثم إعادة المراجعة المركزة، لتجنّب الحكم الخاطئ على فروق المنصات باعتبارها فروقاً في قدرات النموذج. كما يتضمن التقييم على الأجهزة الفعلية تنظيم الأماكن وحالة الأجهزة وتوزيع الأفراد في مناطق مختلفة، ويتطلب تصميم المهام وعمليات جمع البيانات بما يناسب كل جسم روبوتي على حدة. كما يجب أن تتزامن خدمات النماذج البعيدة مع التنفيذ الميداني بتوقيت بدقة أجزاء الثانية، مع توضيح بروتوكولات الواجهة والظروف الفيزيائية الأولية وسجلات التنفيذ بدقة.▎AI科技评论: أبعاد التقييم كثيرة جداً، فأيها يمكن تقييمه آلياً، وأيها يعتمد على التقييم الذاتي للخبراء؟ وكيف تضمنون اتساق الدرجات عبر المؤسسات والمسارات المختلفة؟
الجهة المنظمة:تختلف درجة الأتمتة بين المسارات الثلاثة بحسب ما إذا كان الاختبار يتضمن تفاعلاً عبر الإنترنت وتشغيلاً للأجهزة في الميدان.المسار 1 (Track 1) يقيّم أساساً القدرات التوليديةوتُحسب مؤشراته في معظمها عبر عمليات آلية، مع الاحتفاظ بمراجعة بشرية للمخرجات الشاذة والإرساليات المشبوهة.المسار 2 (Track 2) يفحص الأداء التكراري لسياسات التعلم المعزز في بيئة نموذج العالموترتفع فيه أيضاً درجة أتمتة عملية التقييم. ويتمثل العمل البشري أساساً في فحص اتصال نداءات الخدمة وتنسيق فترات الحوسبة التفاعلية للفرق.المسار 3 (Track 3) يتضمن التشغيل على الأجهزة الفعليةويتطلب مشاركة العاملين في الميدان لإعادة ضبط الأجهزة ومراقبة الإمساك ومعالجة الحالات الشاذة والحكم على نجاح المهام أو فشلها، مع الحفاظ على اتصال مباشر مع الفرق المشاركة، حيث يؤكد الطرفان نتائج الاختبار بالتواصل الفوري، وعليه تُحسب نسب النجاح. أما الاتساق فيُضمن أساساً باعتماد قواعد موحدة داخل كل مسار. فصيغ الإدخال ومواصفات API وميزانيات الحوسبة وإصدارات مؤشرات التقييم ومعايير الحكم على الفشل موحدة لجميع الفرق. وبما أن المسارات المختلفة تفحص قدرات مختلفة، فلا يمكن مقارنة الدرجات مباشرة، وما نركّز علىضمانه هو اتساق ظروف التقييم ومعايير الحكم داخل كل مسار على حدة.。▎AI科技评论: هل تنقسم قائمة الترتيب إلى قائمة للتحدي وقائمة يومية؟ وما آلية تحديث القائمة اليومية؟ وكم مرة تُحدَّث؟
الجهة المنظمة:تختلف أغراض قائمة التحدي وقائمة الأبحاث اليومية، كما يختلف نطاق نشرهما وجدول تحديثهما.تُستخدم قائمة التحدي لتحديد نتائج المنافسة والجوائزوهي تتضمن مواعيد نهائية واضحة للإرسال وقواعد لإغلاق القائمة وإجراءات لمراجعة الفائزين. ولضمان عدالة المنافسة، لا تُنشر بعض بيانات الاختبار بالكامل. أما قائمة الأبحاث اليومية فمفتوحة طويلاً لأوساط الأكاديميا، والكود وبروتوكولات التقييم مفتوحة المصدر بالكامل، ويمكن للباحثين إعادة استخدامها محلياً، بما يوفر مرجعاً مستمراً للأداء لتحسينات الخوارزميات اللاحقة.المسابقة تضيف مسارين جديدين لفحص قدرة النماذج على التنفيذ الفعلي
▎AI科技评论: أضاف WorldArena 2.0 مقارنة بـ 1.0 المسار 2 (MB-RL) والمسار 3 (WAM على الأجهزة الفعلية). كيف نشأت هذه الفكرة؟ ولماذا أُضيف هذان المساران تحديداً؟ وما الاعتبارات الكامنة وراء ذلك؟
الجهة المنظمة:الهدف من إضافة هذين المسارين هواختبار دور النموذج في التفاعل والتنفيذ الحقيقيبشكل أعمق. وقد ركّز الإصدار 1.0 أساساً على محرك البيانات المجسّدة والتقييم غير المتصل للسياسات، وظل قائماً أساساً على اختبارات ثابتة داخل بيئات المحاكاة وبشكل حلقة مفتوحة. كان النموذج يُختبر بعد ضبطه الدقيق محلياً، بدون تغذية راجعة فورية، ودون قدرة على التصحيح الذاتي أثناء التفاعل. ويسعى الإصدار 2.0 إلى فحص قدرتين إضافيتين. الأولى هي قدرةالتفاعل بحلقة مغلقةأي ما إذا كانت السياسة قادرة على اعتماد نموذج العالم كبيئة تفاعل، والتعلم والتجربة والخطأ باستمرار ضمن الفضاء الديناميكي الذي يولّده النموذج. والثانية هي قدرةالتعميم المجسّدأي ما إذا كانت المهارات المتعلَّمة في بيئة النموذج يمكن، بعد نقلها عبر Sim2Real، استخدامها في تشغيل ذراع روبوتية فعلية. والاعتبار الجوهري هو: أن يكون توليد الفيديو متسلسلاً ومترابطاً لا يعني أن النموذج قادر على تقديم تغذية فيزيائية موثوقة؛ وأن يعمل بثبات في المحاكاة لا يعني أنه سيؤدي بشكل سليم على الأجهزة الفعلية. لذلك، كان من الضروري جعل التفاعل عبر الإنترنت والنشر على الأجهزة الفعلية مسارين مستقلين.▎AI科技评论: سبق أن اعترف الأستاذ شانغ يو في مقابلة معنا بحدود "sim-to-real gap" في قائمة الترتيب. فهل يرد المسار 3 للأجهزة الفعلية مباشرة على هذه المشكلة؟ وإلى أي مدى يمكن أن يحلها؟
الجهة المنظمة:يدخل التقييم على الأجهزة الفعلية الاستشعار الفعلي وظروف التلامس وعملية تنفيذ الأجهزة في نطاق الاختبار، ما يشكل إضافة لأبحاث المحاكاة. فعوامل مثل تغيّر قوة الاحتكاك وتشويش الإضاءة وتأخر التحكم في المحركات والاحتكاك بين الأجسام الصلبة تؤثر في نتائج المهام على الأجهزة الفعلية. غير أن المهام والبيئات وأجسام الروبوتات التي يغطيها المسار 3 (Track 3) حالياً ما تزال محدودة، وسيواصل التوسع والتحسين لاحقاً.▎AI科技评论: هل سيُطوَّر لاحقاً إلى WorldArena 3.0؟ وما أبعاد الاختبار التي قد تُضاف؟
الجهة المنظمة:خلال العمل على الإصدار 2.0، ظهرت بالفعل عدة اتجاهات تستحق مواصلة البحث: ترددات أعلى، وفترات أطول منالتفاعل المغلقالناتجة عن الخطأ في التنفيذالتصحيح الذاتي للأخطاءبين الأنواع المختلفة من الروبوتاتالتعميم والانتقال، وكذلك في التجميع الدقيقدمج الإحساس اللمسي مع الإدراك متعدد الأنماط。▎مراجعات تكنولوجيا الذكاء الاصطناعي: المشاركة اختيارية، فهل يمكن أن يتركز أصحاب القوة في مسار معين بينما يبقى مسار آخر خاوياً، بما يُضعف التمثيل الشامل للوحة الترتيب؟
الجهة المنظمة:يرتبط ذلك بالمتطلبات التقنية وتكاليف البحث والتطوير وظروف البرمجيات والعتاد ووقت التطوير. لكل مسار خصائصه الخاصة، ويعكس قدرات النماذج المختلفة على مستويات مختلفة.صورة فريق لوحة الترتيب: أي مسار تقني أفضل؟
▎مراجعة تكنولوجيا الذكاء الاصطناعي: يحتل المركزان الأول والثاني في المسارات الثلاثة أطراف من القطاع الصناعي وأخرى أكاديمية. ما هي المزايا الأساسية ونقاط الضعف في الابتكار المتعلق بنماذج العالم؟
الجهة المنظمة:وبالنظر إلى الفرق المشاركة في هذه الدورة، فإن هناك تكاملاً متبادلاً في نقاط القوة بين الجامعات والشركات. فالفرق الجامعية أكثر استعداداً لتجربةفي بنية الطرف الأمامي (الرائدة) ودالة الهدف الجديدة، يكون الاستكشاف أكثر مرونة ومقارنة؛ بينما تراكمت لدى فرق الشركات خبرة أكبر فياحتياطي البيانات عالية الجودة، وجدولة القدرة الحاسوبية واسعة النطاق، ونشر الأنظمة، كما أنالتشغيل الهندسيأكثر استقرارًا. هذه ملاحظاتنا على نسخة هذه المسابقة، ولا يصح تعميمها مباشرة على جميع الفرق. كما جعلت المسابقة النواقص التي يحتاج كل طرف إلى سدّها أكثر تحديدًا. لا يزال ابتكار الخوارزميات بحاجة إلى تشغيل مستقر داخل العمليات الهندسية الفعلية؛ ومن يملك أفضلية في البيانات والقدرة الحاسوبية يحتاج أيضًا إلى نمذجة فيزيائية دقيقة وتعريف واضح للمشكلة حتى تتحول هذه المزايا إلى نتائج. إن الجمع بين قدرات البحث والهندسة يساعد على تقصير المسار من اقتراح الأسلوب التقني إلى تطبيقه الفعلي.▎AI科技评论: توجد حاليًا أربعة مسارات تقنية للنماذج العالمية إجمالًا، وقد غطت الفرق الفائزة في هذه النسخة في الأساس مسارات JEPA، والذكاء المكاني/البعديات المهيكلة 4D، والتوليد على مستوى البكسل، لكن يبدو أن فرص فوز الفرق السائلة في مسار JEPA أكبر: فحقّقت 视启未来 المرتبة الأولى في Track 1، وحلّت 晨昏线 في المرتبة الثانية في Track 2. بصفتكم الجهة المنظمة، كيف تفسّرون هذه النتيجة؟
الجهة المنظمة:المسارات التقنية في الأنظمة الفعلية ليست منفصلة تمامًا. فالتوليد الانحداري على مستوى البكسل، والتعلم التمثيلي القائم على الفضاء الكامن، مثل فكرة JEPA، إضافة إلى نمذجة الطوبولوجيا المكانية ومحركات الفيزياء الصريحة، يمكن دمجها واستخدامها في النظام نفسه، وكثير من الفرق الرائدة تعتمد فعلًا بنية متعددة الوحدات. علاوة على ذلك، تتفاوت الفرق تفاوتًا كبيرًا في عدد معاملات النموذج، وتنظيف بيانات التدريب المسبق، وواجهة تجريد الأفعال، وتردد حلقة التحكم. لقد قدّمت هذه النتائج أدلّة تستحق مواصلة البحث في مجال التعلم التمثيلي المجسّد.▎AI科技评论: بعد أن شاهدتم هذا العدد الكبير من تحديثات لوحات الترتيب وتطور المسابقات، كيف ترون مستوى تطور النماذج العالمية حاليًا؟ وأين تكمن أكبر عقبة؟
الجهة المنظمة:من نتائج اختبارات نسخة هذه المسابقة، فإن النماذج العالمية الرائدة في المهام المحدودة الخاضعة للرقابة امتلكت في البداية قدرة على الاستجابة للعلاقات السببية للأفعال، ويمكنها تقديم مساعدة معينة لتعلم السياسات اللاحقة (Downstream). لكن في التفاعلات المعقدة الأطول زمنًا، وكذلك في عمليات التلاعب الروبوتي الحقيقية كثيفة التلامس، لا تزال النماذج العالمية تعاني من عقبات.فالنموذج لا يستطيع بعد تصوير التغيرات اللحظية في الحالة الناتجة عن تطبيق الفعل بدقة وكفاية وبشكل مستمر. الأخطاء الصغيرة في التنبؤ المتصل تتراكم وتتضخم تدريجيًا؛ وعلى الأجهزة الحقيقية، يجب أيضًا التعامل مع تأخير الأفعال بمستوى المللي ثانية، والتغذية الراجعة غير الخطية للقوى الناتجة عن تلامس الأجسام الصلبة.مواصلة تعزيز البحث في منهجيات التقييم
▎AI科技评论: ذكر الأستاذ شانغ يو في مقابلتنا السابقة "الحاجة إلى تجنّب أن يصبح WorldArena تبعية جديدة للمسارات بالنسبة للنماذج" (أي أن الجميع، سعيًا للحصول على درجات عالية على WorldArena، يلائمون مؤشراته ومهامه). هل لاحظتم فعلًا هذه التبعية خلال نسختي التحدي وتحديثات لوحة الترتيب اليومية؟ وما أشكالها المحددة؟
الجهة المنظمة:التحسين الموجّه نحو القواعد المعلنة ظاهرة يصعب تجنبها تمامًا في تشغيل أي مرجع قياس (Benchmark). ما يهمّنا هو معرفة ما إذا كانت زيادة الدرجات تعكس فعلًا تحسنًا في القدرات الفيزيائية العامة للنموذج، أم مجرد ملاءمة أفضل لمؤشر معيّن أو فئة معيّنة من المهام. ولتقليل تأثير الحالة الثانية، قمنا أساسًا بثلاثة أعمال:تتبع مستمر لمعامل الارتباط بين الدرجات والنجاح أو الفشل الفعلي في المهام الفيزيائية، ومعايرة المؤشرات التي تحقق درجات عالية لكنها لا تعكس القدرات الفيزيائية الفعلية؛الزيادة المستمرة في المشاهد والمهام، وتوسيع توزيع اختبارات OOD، وإدراج المزيد من مهام التلامس المعقدة؛الاحتفاظ بمجموعة اختبار عمياء مستقلة ومغلقة، مع الحفاظ على سرية صارمة لمراحل الاختبار الحرجة.▎AI科技评论: إذا كنّا سنضع هدفًا للمرحلة التالية من WorldArena، فما المشكلة التي تأملون أن تعالجها بتركيز، وما الدور الذي تريدون أن تلعبه؟
الجهة المنظمة:في المرحلة التالية، نأمل في تقييم نطاق قابلية تطبيق النماذج في العالم الحقيقي بشكل أوضح: فحين يحصل الباحث على نموذج عالمي، يكون قادرًا على معرفة في أي مشاهد فيزيائية يكون موثوقًا، وفي أي شروط وأي حالات يكون عرضة للفشل. أما الهدف الأبعد مدى فهو،أن يساعد WorldArena الجميع على تحسين الأساليب، بحيث تتعمم قدرات النماذج العالمية بشكل أفضل في المشاهد الحقيقية。ولتسهيل التبادل والتواصل وتبادل أخبار المؤتمرات بين الجميع، أنشأنا خصيصًا IROS 2026 مجموعة التواصل للمشاركين في المؤتمر! بالانضمام إلى المجموعة ستفتح هذه «المزايا»؟
محطة معلومات المؤتمرات: مواعيد إرسال الأبحاث النهائية، معايير التنسيق، تقدم التحكيم…… تصلك النقاط الأساسية في الوقت المناسب، فلا داعي للقلق من تفويت أي موعد نهائي، وستكون استعداداتك لإرسال بحثك راسخة.
لقاء الزملاء للدردشة: زملاء من مختلف المناطق والمدن جميعهم في المجموعة، نتبادل الخبرات ونتبادل الأفكار ونبني العلاقات، في طريق البحث العلمي نسير معًا.
محطة التزويد المتقدمة: متابعة فورية لأحدث نتائج الأبحاث والاتجاهات الساخنة، مع مساعدتك على توضيح مسار تقديم الأوراق في ضوء موضوع المؤتمر، وتعبئة وقود الإلهام لورقتك البحثية.
فريق الدعم في الموقع: (يُفتح حصريًا خلال المؤتمر):ولا داعي للذعر عند وصولك إلى المكان —
التنقل عبر المسار：توزيع القاعات، وكيفية الوصول إلى قاعة المؤتمرات، اسألوا في المجموعة في أي وقت؛
قراءة جماعية للمواضيع: جلسات رائجة ونقاشات الخطاب الرئيسية Keynote، وإن فاتتك يمكنك متابعتها؛
ملصق التجميع: ملخص ملصق الفعالية في الموقع، احفظه بنقرة واحدة دون أن يفوتك شيء؛
ساحة يوجيو (Yueju Plaza): لقاءات على العشاء، لقاءات المقابلات، لقاءات للتبادل... إذا أردت الدردشة أو التعاون أو اللقاء وجهاً لوجه، يكفي أن تقترح ذلك في المجموعة.
؟ بوابة الانتقال 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 والتقنية، فرق المعلومات أمر بالغ الأهمية.
هيا معًا لتكونوا خطوة أمام الجميع!
انضموا معنا لنأخذكم في جولة عبر خلاصة أهم مؤتمرات الذكاء الاصطناعي حول العالم
يمكنكم الاطلاع حصريًا على:
عروض PPT التقديمية لمحاضرات الخبراء
النصوص الكاملة لتقارير المؤتمرات
تفسيرات الأوراق البحثية الأكثر رواجًا
مقابلات مع النجوم الأكاديميين الصاعدين
امسحوا رمز الاستجابة السريعة أعلاه
أو انقروا على «قراءة النص الأصلي» لمتابعة القسم المخصص.
شبكة Leifeng الإخبارية
شبكة LeiFeng (الحساب الرسمي: شبكة LeiFeng)
مقال أصلي من شبكة LeiFeng، ويُمنع إعادة نشره دون إذن. لمزيد من التفاصيل، راجعإرشادات إعادة النشر。