في الآونة الأخيرة، في القائمة الجديدة لمعيار اختبار الذكاء الاصطناعي الخالص بدون عينات من MolmoSpaces، التي أطلقها معهد آلان للذكاء الاصطناعي (AI2)، احتل إطار عمل EchoPolicy-0 الذي يخضع لسيطرة ماجيك أتومنتس ويُدار بواسطة الروبوتات العامة المرتبطة به، المركز الأول عالميًا في القائمة المشتركة MolmoSpaces بتحقيقه لنسبة نجاح متوسطة تبلغ 75.4% في العمليات الروبوتية، وذلك على إطار العمل الخاص بجميع المهام الـ 4 من النسخة v1.
تحت نفس القائمة ونفس المجموعة، احتل إطار عمل العميل الذكي الخاص بمستعمرات السحر MagicBrain المرتبة الرابعة عشر على العالم في قائمة MolmoSpaces Combined، بفضل حجم البارامترات 3.4B ودقة النجاح المتوسط في تشغيل الروبوتات بنسبة 72.4%. وقد بلغ معدل نجاح الاستخلاص 94.4%، وهو أعلى بكثير من المتوسط الصناعي.
قائمة MolmoSpaces هي معيار اختبار بدون عينات ذو المصداقية الأكبر في مجال الذكاء المثبت على الجسم حول العالم، ويهدف إلى المهام المثبتة على الجسم المتعلقة بالتشغيل والإرشاد والمهام طويلة المدى. تشمل بيئة MolmoSpaces أكثر من 230,000 بيئة داخلية وما يقرب من 130,000 مورد شيء، مما يوفر مصادر متنوعة للتغييرات للاختبار. يحتاج الروبوتات إلى مواجهة الحالات التي تتجاوز بيئات العرض الثابتة، والبحث عن الأهداف تحت ظروف مختلفة، والعمل على إنجاز المهام وفقًا للظروف المحلية.
في الوقت نفسه، يحتوي MolmoSpaces على أجسام مادية متحركة وأجسام تفاعلية ذات مفاصل، ولا يتوجب على الروبوت أن يجد الهدف في الصورة فحسب، بل يجب عليه أيضًا تغيير حالة الأجسام من خلال الاتصال التمثلي الحقيقي، مما يضفي صعوبة حقيقية على مهام العمل للروبوت.
توضح معايير MolmoSpaces بوضوح السيناريو الأولي، وتكوين الروبوتات والكاميرات، وتعليمات المهمة، وشروط النجاح. يسمح القائمة الكاملة والتقييم الموحد والنتائج العامة بتحويل العروض التقديمية المتفرقة إلى بيانات قابلة للمقارنة. تشمل الأربعة مهام التي شارك فيها ذرة السحر EchoPolicy-0 وإطار MagicBrain: الإمساك بالأجسام الحرة، والتفاعل مع الأجسام المكونة من مفاصل، والعمليات متعددة المراحل. تفحص هذه المهام قدرة إطار العوامل الذكية ذات الجسم على القدرات النظامية من جوانب مختلفة، بدلاً من التركيز على مؤشر واحد فقط.
منذ عام 2026، يتحول الذكاء المتمثل في الأجسام من مرحلة العرض إلى خطوط الإنتاج الحقيقية، وتتحول أهمية المنافسة إلى “دماغ” الروبوتات – النماذج الكبيرة للذكاء المتمثل في الأجسام. مع التحسن السريع في قدرة التحكم في حركة الروبوتات، أصبح جسم الروبوت أكثر مرونة وصلابة، وتتطور التطبيقات العملية للدماغ بسرعة مع فتح حدود الجسم. وبالتالي، تتجه اتجاهات البحث في السوق نحو: كيف إنجاز مهام أكثر تعقيدًا، وكيف التعامل بسرعة مع مهام جديدة. كما تركز اختبارات MolmoSpaces أيضًا على قدرة النماذج الكبيرة للذكاء المتمثل في الأجسام على التطبيق الواسع.
قال مسؤول مختبر MagicLab Studio التابع لشركة Magic Atom Research and Development: “في اختيار مسار الدماغ ذو الجسم، نحن نقدر البنية المتعددة الطبقات، ووجدنا أن قدرة اتباع الأوامر هي نقطة صعبة تواجهها النماذج الحالية في المهام العامة. تقوم EchoPolicy بضمان قدرة اتباع الأوامر من خلال إطار العملاء وأخذ تقييمات المسارات؛ بينما يقوم MagicBrain بتحسين فعالية اتباع الأوامر من خلال التوجيه البصري النهجي، وقد حقق كلا الاثنين نتائج جيدة.”
EchoPolicy-0 : يسمح للروبوتات بتنفيذ مهام متعددة باستخدام نظام مشترك للتفكير والعمل
يجب على الروبوت أن يربط بين هدف اللغة والملاحظة البصرية والحركة الفيزيائية بشكل مستمر لتنفيذ مهمة ما. على سبيل المثال، بعد الإمساك بشيء، يجب تحديد ما إذا كان الشيء محتفظًا بها بشكل صحيح؛ قبل فتح باب الخزانة، يجب إيجاد مكان مناسب للتفاعل؛ إذا لم تنجح الحركة في تحقيق الهدف المطلوب، يجب على الروبوت تعديل خطته وفقًا للوضع الجديد.
تبدو هذه الأفعال مختلفة، لكنها تنتمي إلى المشكلات المشتركة التي يجب على روبوتات الذكاء ذات الجسم مواجهتها في المهام المتعددة: أين الهدف، ما هو الحالة الحالية، أي القدرة يجب استدعاؤها، هل تحققت الأفعال من أهدافها، وكيف يمكن مواصلة العمل بعد الفشل.
مختبر MagicLab MagicLab يرتكز على هذه المشكلات المشتركة بين المهام المختلفة، ويجمع نموذج اللغة البصرية وأدوات التشغيل الهندسي واستراتيجيات الحركة العامة في إطار VLM Agent EchoPolicy-0 الموحد، مما يشكل دائرة مغلقة تضم مراقبة البيئة، فهم الهدف، القدرة على الاختيار، تنفيذ الحركات، والتحقق من نتائج الملاحظة. تشارك المهام المختلفة هذا النظام، ويتم تنفيذ الاتصال والحركة المحددة بواسطة الأجهزة المناسبة.
قال رئيس تطوير إطار EchoPolicy-0: “تتمثل عمومية EchoPolicy-0 في إمكانية استدعاء وتجميع والتحقق من القدرات بشكل موحد. تم إجراء التحقق من أربعة أنواع من العمليات على منصة Franka ذات الذراع الواحد في الإصدار الحالي لـ EchoPolicy-0.”
في طريقة استخدام VLA، قدمت MagicLab Studio اختيار مسارات مرشحة متعددة لهدف VLM: حيث يقترح نموذج الحركة العديد من الحركات الممكنة أولاً، ثم يتم إسقاط المرشحات على مستوى الصورة، وبعد ذلك يتم اختيار المسار الأنسب بناءً على الهدف المحدد بواسطة VLM، مع التحقق المستمر بعد التنفيذ. من خلال ذلك، يشارك الفهم البصري العالي في اختيار الحركات على المستوى الدنيا، وليس فقط في تقسيم المهام.
أنهت إطار EchoPolicy-0 3915 اختبارات شاملة على أربع مهام تشغيلية لـ MolmoSpaces، وحققت نسبة نجاح متساوية تبلغ 75.4% على المهام الأربع، وحتى تاريخ 13 أكتوبر 2026، كانت في المركز الأول في قائمة MolmoSpaces Combined.
يُعتبر تقييم أربعة اختبارات لإطار EchoPolicy-0 في MolmoSpaces من قبل MagicLab Studio عمليًا تحققًا منهجيًا لإطار موحد، ويُستخدم نتائج كل جولة لتوجيه التطويرات اللاحقة. EchoPolicy-0 عرض مسار نظامي موجه للتشغيل العام للروبوتات، حيث يمكن لإطار العملاء الموحد تنظيم قدرات تشغيلية مختلفة: يقوم وكيل VLM بتنظيم الأهداف الدلالية وحالة المهام، ويوفر أدوات هندسية تفاعلات مكانية قابلة للتحقق، ويولد استراتيجيات حركية عامة مرشحات، ويوجه اتجاه الحركة من خلال قيود اختيار المسار التي توجهها أهداف VLM، ثم يربطها عبر التحقق المستمر.
EchoPolicy-0 يستجيب لمشكلة تتعلق بسياق تطبيق نماذج الذكاء العصبي المتمتعة بالبُعد الجسدي: كيف نضمن أن الحركة التي يقترحها النموذج هي الحركة الصحيحة؟ لا يغير النظام مدخلات النموذج، بل من بين مجموعة الحركات المتاحة التي يقدمها النموذج، يقوم بفرز الحركة الأكثر ملاءمة بناءً على الهدف البصري، ويتم التحقق منها بشكل مستمر بعد التنفيذ. بالنسبة للعملاء اللاحقين، لا تكمن قيمة هذه الطريقة في نجاح العملية الفردي—عند إضافة نوع جديد من المهام، لا حاجة لبناء نظام جديد من الصفر، بل يكفي دمج القدرة على النظام نفسه.
الدماغ المطور محليًا: MagicBrain يسمح للنموذج بأن “يرى” من “قابلية العرض” إلى “قابلية الاستخدام في خط الإنتاج”.
إطار عمل العميل الذكي المزود بالجسم MagicBrain يأتي منスタ디و MagicLab، وقد أجرى MagicBrain 3915 اختبارات شاملة على أربع مهام تشمل الإمساك بالمعلومات ووضعها والفتح والإغلاق في MolmoSpaces. حقق MagicBrain المركز الرابع عالميًا في متوسط نسبة النجاح لكل من المهام الرقمية v1 الأربع. وقد احتلت مهام الإمساك بالمعلومات (Pick-v1) ووضعها (Pick & Place-v1) المركز الأول عالميًا في قوائم المهام الخاصة بهم، حيث بلغت نسبة نجاح مهمة الإمساك بالمعلومات 94.4%.
الرؤية-اللغة-الحركة (VLA) هي نوع من البنيات النموذجية التي تحظى باهتمام كبير في مجال الذكاء الاصطناعي المثبت على الجسم، واستطاعة النماذج في متابعة اللغة تعتبر مشكلة مشتركة طويلة الأمد في الصناعة. إن توجيه النموذج لتنفيذ أوامر مثل “وضع التفاح في السلة” يتضمن أمرين ليسا سهليين بالنسبة له: أولاً فهم مصطلح “التفاح”， ثم تحديد أي من البيكسلات هو “التفاح”.
في أثناء البحث والتجربة في MagicLab Studio، تبين أن معظم حالات الفشل في الإمساك بالأشياء ليست بسبب عدم استقرار تنفيذ الحركة، بل بسبب الإمساك بالشيء الخاطئ أو وضعه في المكان الخاطئ. بمعنى آخر، فإن VLA قوية بما فيه الكفاية في دراسة الحركات، والنقطة الضعيفة الحقيقية تكمن في ربط العبارات الاسمية بالمناطق الصورية، وهذا هو الجزء الأقل كثافة من إشارات التدريب – فالخطأ ليس في اليد، بل في العين.
في الواقع، قدرة VLA على اتباع الإشارات البصرية أقوى من قدرتها على اتباع الأوامر اللغوية: فالفهم اللغوي هو نقطة ضعف VLA، بينما فهم الرسومات هو النقطة القوية. لذلك، يستخدم MagicBrain نهجًا تقنيًا يُسمى التوجيه البصري في السياق، حيث يتولى VLA مجرد تنفيذ الحركات، أما البحث عن الهدف، فيُسلم إلى وكيل VLM الذي يتفوق على الآخرين في قراءة الرسومات.
في المستقبل، يمكن نقل هذه التقنية التوجيهية البصرية إلى مزيد من السيناريوهات مثل التفاعل — فبالطبع، رسم ما يجب أن يُرى للنموذج لا يقتصر على الاستخراج فقط. يوفر MagicBrain نموذج توزيع أعمال أكثر كفاءة. اللغة توضح "ما يجب فعله"، والبيكسات توضح "ما هو ومكانه"، حيث يتم تسليم كل من المعلوماتين إلى النموذج الذي يتقنه، دون إدخال هيكل جديد للنموذج أو تراكم كميات أكبر من المعلمات، بل ببساطة إعادة ترتيب مسار نقل المعلومات.
قال مسؤول استوديو MagicLab Studio: "على أساس فهم اللغة في VLA، نسمح للنظام بزيادة 'الرؤية' وإنهاء معرفة ما يجب رؤيته". ولا يعتمد هذا المسار التقني على زيادة حجم المعلمات من أجل تحسين أداء النماذج الكبيرة، حيث كان حجم معلمات النموذج المشارك في التقييم 3.4 بيلون.
هذا يعني أن أي فريق يمتلك القدرة على التعامل مع البيانات الأساسية يمكنه إعادة إنشاء النماذج بتكلفة منخفضة، ويمكنه الحصول على الفوائد دون الحاجة إلى تغيير حجم النموذج – في طريق توسع الذكاء المتمثل في الأجسام، قد يكون نهج التقسيم الوظيفي الذي يعتمد على التركيز على التركيب بدلاً من الكفاءة الشاملة أقرب إلى الواقع من نهج “نموذج واحد يغطي كل شيء”.
على مستوى الصناعة، أجاب الذرة السحرية على سؤال مهم: هل يمكن تحمل استخدام VLA أم لا. التقاط والوضع هو الحركات الأساسية التي تسمح للذكاء الشخصي بالانتقال من المختبر إلى السيناريوهات الحقيقية – مثل فرز البضائع في المصانع، النقل في المستودعات، وتنظيف المنازل. انتشار نسبة النجاح من 70% إلى 94.4% يعني أن VLA تقترب من مرحلة “الاستخدام الفعلي على خط الإنتاج”. بالنسبة للصناعة، كل زيادة في نسبة النجاح توسّع نطاق السيناريوهات التي يمكن تطبيقها تجارياً.
فلسفة تصميم "دماغ العقل ذو الجسم السحري" لأيونات السحر
حصلنا على المركز الأول عالميًا في قائمة MolmoSpaces، لكن ما يهم Magic Atom هو المسألة الحقيقية التي تكمن وراء القائمة: كيف يجب أن ينمو دماغ الروبوتات الذكية المثبتة على الجسم، وأين يجب أن ينمو. هذا ما قاله مسؤول مختبر MagicLab Studio.
تعتقد الذرات السحرية أن الذكاء المتمثل في الجسد يجب أن يتقدم وفقًا لطريق تقنية تجمع بين الطبقات المختلفة: حيث تتولى النماذج العليا مهمة الفهم والتخطيط وتصحيح الأخطاء، بينما تتولى النماذج الدنيا تحويل نوايا المهام إلى أفعال فيزيائية موثوقة.
يجب على النموذج العلوي تحمل مهام الفهم البصري، وتقسيم المهام، والتخطيط واتخاذ القرارات، وتصحيح الأخطاء، وإدارة الذاكرة. حاليًا، لدى النماذج الأساسية المتقدمة أساس جيد في هذه الجوانب، ولكن لا يزال يتعين تكييفها مع العلاقات المكانية والقيود الفيزيائية والتفاعلات المستمرة في سيناريوهات التجسيد. يعتقد المسؤول المذكور أن على الصناعة في الفترة القصيرة أن تركز على بناء Harness الذي يعمل حول النموذج، وتنظيم إدارة السياق والأدوات والتغذية الراجعة والتقييم، واستكشاف تحسينات تكرارية مدفوعة بالتغذية الراجعة، بما في ذلك اتجاه RSI؛ أما على المدى الطويل، فيجب الاعتماد على بيانات السيناريوهات الحقيقية للقيام بالتدريب الذاتي والتدريب اللاحق، وتعزيز تدريجيًا فهم النموذج وقدرته على اتخاذ القرارات.
قال المسؤول: يمكن استخدام VLA أو WAM أو هيكل مختلط آخر لتحمل نموذج الطبقة الأساسية لإنتاج الحركات وتنفيذها. يجب أن يخدم اختيار الهيكل المهام الفعلية، مع التركيز على اتباع الأوامر، دقة الحركات، كفاءة التنفيذ والقدرة على التعميم.
حاليًا، تمت مناقشة الهيكل الطبقي على نطاق واسع في الصناعة، لكن إحدى المسائل الرئيسية لا تزال غير محلولة بشكل كامل: كيف يمكن فهم نوايا المهام في الطبقة العليا بدقة وإنجازها باستقرار في الطبقة الدنيا.
في التجارب التي أجرتها MagicLab Studio، تبين أن نماذج الحركة الموجودة تظل عرضة للأخطاء في اختيار الهدف وانحراف في فهم القيود المكانية في السيناريوهات خارج النطاق (OOD). لذلك، حاول الفريق استخدام طريقتين متكاملتين لحل هذه المشكلة.
النوع الأول هو EchoPolicy-0 الذي حصل على المركز الأول في قائمة MolmoSpaces هذه المرة. من خلال تنظيم العميل، اختيار المرشحين والتحقق الداخلي، يتم تحسين اتساق التنفيذ مع الأوامر. حيث يقوم النموذج العلوي بتحويل المهام إلى أهداف فرعية واضحة، ويقيّم النظام مسارات الأفعال المختلفة التي يولدها النموذج السفلي، ويختار المرشح الذي يتوافق أكثر مع الأمر الحالي؛ بعد التنفيذ، يتم تقييم التقدم بناءً على الملاحظات الجديدة، ويتم اتخاذ قرارات مثل الاستمرار أو المحاولة مرة أخرى أو إعادة التخطيط أو العودة إلى الخلف، ويتم استخدام الأدوات الهندسية حسب الحاجة لإكمال العمليات المحددة.
تتمثل مزايا هذه الطريق التقنية في أنها تسمح بإجراء تطوير سريع للنماذج الأساسية دون الحاجة إلى إعادة التدريب عليها، من خلال تحسين آليات الجدولة والاختيار والتحقق، مما يعزز قدرة النماذج الموجودة على إنجاز المهام.
منطق MagicBrain يتمثل في تحسين قدرة التوافق الأهداف خلال مرحلة إنشاء الحركات من خلال التوجيه البصري الصريح والتدريب المكمل.
من الجدير بالاهتمام آلية التوجيه البصري بين الطبقات العليا والسفلى. يقوم MagicBrain بإدخال الأهداف التفاعلية التي تحددها الطبقة العليا، ومناطق الإعداد، وتاريخ الحركة قصير الأمد، في مراقبة النموذج السفلي على شكل علامات بصرية، مما يجعل نية المهمة تتوافق مباشرة مع الموقع المحدد في الصورة. لا يحتاج هذا الإجراء إلى تغيير هيكل الشبكة الخاصة بـ VLA، ومن خلال التدريب اللاحق المكمل، يتعلم النموذج ربط العلامات البصرية بمعنى التشغيل والسلوك الحركي، مما يقلل من الغموض عند الاعتماد فقط على التعليمات اللغوية.
تؤثر نظريتان مختلفتان على جانبي “توليد الأفعال” و“التنفيذ والاختيار والتحقق”， ولهما تكامل قوي: يساعد التوجيه البصري في إنتاج أفعال تتوافق مع الأهداف، بينما يتولى تنظيم العميل اختيار التنفيذ والتحقق وتصحيح الأخطاء.
فاز EchoPolicy-0 بالمركز الأول، بينما فاز MagicBrain بالمركز الرابع، وقد تم التحقق من فعالية كلا المسارين.
عند الحديث عن المستقبل، قال الذرة السحرية: "في المرحلة التالية، سنستكشف أكثر فأكثر عن دمج الاثنين معًا، لتشكيل دائرة رابط كاملة من فهم المهمة إلى التنفيذ الفيزيائي، ونتجه إلى بيئات صناعية حقيقية، لنختبر باستمرار نسبة نجاح المهام، واستقرار التشغيل، وتكاليف النشر، وفي هذه العملية نحسن من منصة البيانات والنموذج". تحويل القدرات المؤكدة بالفعل إلى وحدات مهارات قابلة للاستخدام مرة أخرى، وواجهات قياسية وحلول حلولية، مع تحقيق النظام لبيانات النجاح والفشل والتصحيح البشري، وإقامة آلية تكرار مستمرة تتمثل في “النشر—التجميع—التدريب—التقييم—النشر مرة أخرى”، لتحويل الخبرة الهندسية إلى قدرات نموذج أساسي.