جين ليه من أوفسيتشي
QbitAI | الحساب العام QbitAI
يا للتناقض!
تأسست في شنتشنبلغ للتو ثلاثة أشهرالشركة التي تحدد موقعها بوضوح بأنها تعمل فيالرقائق الجسّديّة (Embodied Chips)، غير أن أول نتيجة عملتها أمام الخارج كانت منصة اسمهابايمونالتابعةنموذج الأساس المُجسَّد(سلسلة).
ثم أول نموذج في هذه السلسلةPaimon-0في أول ظهور له، حصد مباشرة أربع مراكز أولى:
لنبدأ بأرقى هذه الإنجازات قيمةً، وهيRoboColiseum، هذا التصنيف الذي شُيّد بالتعاون بين ما يقرب من 20 جامعة ومؤسسة شركات ومؤسسات بحثية عالمية بينها Hugging Face و NVIDIA وجامعة تسينغهوا، وقد ظل حديثاً في صدارة الأوساخ في مجال الروبوتات المجسّدة؛ إذ حلّ Paimon-0 في المركز الأول بدرجة 0.7754.
وتجدر الإشارة إلى أن هذا التصنيف استدعى مؤخراً للتنافس في ساحته نماذج متعددة الوسائط العامة ضخمة مثل GPT-6 Astra و Claude Opus 5.5 و Gemini 4 Argon:
وعلى الرغم من أن درجات النماذج الضخمة في اتباع التعليمات والفهم المكاني كانت لامعة فعلاً، إلا أنه عند الانتقال إلى القائمة الفرعية للتلاعب العام الذي يتطلب العمل الفعلي الحقيقي، ظلت درجة Paimon-0 البالغة 0.6613 هي الأعلى في الساحة بأسرها، كما تصدّر أيضاً القائمة الفرعية للتكيف مع الاضطرابات.
RoboCasa365هو معيار واسع النطاق متعدد المهام موجه لسياسات الروبوتات العامة، ويضم أكثر من 2500 مشهد مطبخ محاكاة، و365 مهمة يومية، وأكثر من 2000 ساعة من بيانات التفاعل، ويُختار منه 50 مهمة لاختبار قدرة التعميم على ثلاثة مستويات: الذرّي المرئي، والمركّب المرئي، والمركّب غير المرئي، وقد تصدّر Paimon-0 القائمة بدرجة إجمالية بلغت 58.1.
VLA-Arenaهو قائمة تقييم مفتوحة المصدر للنماذج المجسّدة العامة، تجري تقييماً منهجياً حول السلامة والقدرة على مقاومة التشويش، وتدعم المقارنة عبر النماذج المختلفة، وقد حقق Paimon-0 متوسط نسبة نجاح بلغ 0.73 ليحتل المركز الأول.
وفي الوقت نفسه شارك Paimon-0 في تحديIROS Workshopالذي تنظمه شركة Qiyuan Robotics، وتتركز مساره على سياسات الروبوتات ذات الذراعين، ويشمل تقييماً线上 في المحاكاة وتحققاً فعلياً على الأرض، حيث توّجت Yanxi Power في النهاية بالمركز الأول بمجموع 46.599 نقطة، مما أثبت قدرة السياسة من طرف إلى طرف في التلاعب ثنائي الذراع.
والأمر ليس هذا فحسب من مفارقات الاختلاف.
فقبل اليوم، لم تكن نتائج هذه الشركة قد نُشرت علناً بعد (بل كادت الأخبار المتعلقة بها تكون معدومة)، ومع ذلك كان عملاؤها قد قدّموا بالفعل طلبات شراء لحلّها!
على وجه التحديد، قام أحد العملاء بإرسال قطعتين من ذراع روبوتية إلى مختبرهم، وبعد تركيب مخطط التحكم الخاص بهم، أظهر سجل قبول على الجهاز نفسه أنه في ظل وتيرة تحكم تبلغ 1kHz، انخفض أسوأ خطأ وصول في دورة تحكم EtherCAT من 30 ميكروثانية في الوضع البرمجي إلى 152 نانوثانية في وضع عتاد FPGA، أي إلى حوالي1/200。
في الوضع البرمجي، يتم جدولة توقيت التحكم بواسطة برمجيات CPU، مما يجعله عرضة للاهتزاز الناتج عن مقاطعات النظام وتبديل المهام؛ أما وضع عتاد FPGA فينزل التحكم الحتمي زمنياً إلى منطق العتاد، ولذلك تقلص الخطأ بشكل كبير.
حتى العميل نفسه لم يكن يصدق ذلك في البداية، لكن بعد إجراء تحققات متكررة، كانت الحقيقة كذلك.
إذن، من هو هذا الحصان الأسود من شنتشن؟ دون مزيد من الترقب، إنهYanxi Power (Primotion)。
رغم أن النتائج تستحق التقدير، فإن الأسئلة ظهرت أيضاً:
لماذا تقدمت شركة رقائق أولاً بنموذج كإجابة؟ وبعد ثلاثة أشهر فقط من تأسيسها، كيف حققت هذه النتائج؟
انطلاقاً من هذه الأسئلة، أجرينا حواراً معمقاً مع فريق Primotion.
لماذا تبدأ شركة رقائق بالنماذج أولاً؟
للإجابة على هذا السؤال، يجب أولاً أن ننظر إلى نوع الحل الذي تسعى Primotion إلى بنائه حول رقائق الذكاء الجسدي.
تعتمد منصة برمجيات الذكاء الجسدي من Primotion على واجهات نماذج مفتوحة لربط نماذج العملاء والنماذج مفتوحة المصدر ونموذج Paimon المرجعي، وتغطي كامل العملية من تكييف التدريب إلى تحسين النشر والاستدلال الإنتاجي.
على جانب التدريب، يتم تكييف المهام المحددة من خلال خط أنابيب معالجة البيانات والتدريب اللاحق للنماذج، وتوفر سلسلة أدوات النشر التكميم والتقطير والترجمة وتحسين الاستدلال والتحقق والتقييم على الأجهزة الحقيقية؛ أما جانب التنفيذ فيتكفل بالتخطيط للمهام والتعافي من الفشل عبر الدماغ السحابي، بينما يجري الاستدلال الاستراتيجي عبر الدماغ المحلي على الجهاز، وينسّق وقت تشغيل الجسدية مزامنة البيانات وتنفيذ الحركات.
تدخل تغذية التشغيل الراجعة، بعد تقييمها عبر نموذج Progress Model المطور ذاتياً Paimon-Eval، في مسار التحسين الذاتي RSI، مما يدفع إلى التكرار المستمر للنماذج، ويوفر real2sim مساعدة محاكاة لهذه العملية. تدعم الطبقة الأساسية حزمة البرمجيات المدمجة وعتاد التحكم الحسابي، وترتبط بحلقة التحكم المحلية للروبوت.
تسعى Primotion إلى ربط هذه الحلقات بعضها ببعض، وبناءً على SoC موحد للتحكم الحسابي ووحدات تحكم النطاق، تشكيل حزمة برمجيات وعتاد يمكن تسليمها إلى العملاء.
لهذا النهج سابقة في مجال القيادة الذاتية: فقد أرفقت Nvidia بعتادها للسيارات برمجيات نظام وبرمجيات وسيطة وأدوات استدلال لدعم نزول الخوارزميات العليا على الرقاقة، وتعد منصة DRIVE مثالاً نموذجياً على ذلك. وعند الانتقال إلى مسار الروبوتات، يلزم أيضاً توضيح منطق تشغيل الخوارزميات وتدفق البيانات وتنسيق المهام أولاً، لتوجيه اتجاه تصميم الرقاقة.
لكن بما أن حزمة البرمجيات بهذا الطول، فلماذا البدء تحديداً من أبحاث النماذج؟
مؤسس الشركةRen Qingyuanأعطى الجواب: البدء أولاً من الخوارزميات واحتياجات العملاء الحقيقية، وإتمام حلقة البيانات والنماذج والوكلاء (Agent) والتقييم، ثم استخدام الاحتياجات الحسابية للمهام الحقيقية لتعريف تصميم الرقاقة.
Paimon-0 هو الإنجاز العلني الأول لهذا المسار، وهو ينتمي إلى سلسلة نماذج الأساس الجسدية Paimon من شركة Yanxi Power، وهو أيضًا النموذج الرئيسي الذي تصدّر عدة قوائم في هذه المناسبة.
الانتقال من النموذج إلى تصميم الشريحة يبدأ أولًا بتحديد حدود القوة الحاسوبية: أي المهام توضع على السحابة وأيها يجب أن يعمل محليًا على الروبوت؛ فهذا التقسيم يحدد مباشرة العبء الحاسوبي لشريحة الطرف.
في ظل حديث القطاع普遍 عن "التعاون بين الطرف والسحابة" دون وجود مسار تقني واضح، طرحت Yanxi Power"الدماغ المحلي + الدماغ الأعلى"باعتبارها بنية معمارية.
يشير الشريك المؤسسما تشيهينغإلى أنه لا يمكن تعريف الطرف ببساطة على أنه مخيخ: فبعد أن تُخرج السحابة الخطة، يتوقف نجاح تنفيذ المهمة جوهريًا على الطرف. أثناء تنفيذ الروبوت للمهمة، عليه أن يتبع إيقاع المهمة ويعدّل حركاته باستمرار بناءً على التغذية الراجعة البصرية واللمسية والقوة، وينسّق التوقيت بين الإدراك والحساب والتحكم؛ وهذه الحلقات عالية التردد لا يمكنها الاعتماد على استجابة السحابة إطارًا بإطار، بل يجب أن تُنجز محليًا. السحابة تتولى تخطيط المهام المعقدة، والطرف عليه أن يتكفل جيدًا بكل خطوة من التنفيذ.
في هذا النظام، يتولى الدماغ الأعلى في السحابة فهم المشاهد المفتوحة وتخطيط المهام، وتجربة إعادة استخدام خبرات المهام، وإعادة التخطيط والتعافي من الأعطال عند تعطل المهمة أو فشلها؛ أما الدماغ المحلي في الطرف فيتولى تنفيذ الحركات مع ضبط دقيق آني اعتمادًا على إشارات إدراكية متعددة. ويمكن تلخيص ذلك في أن:الدماغ الأعلى يتولى المحاولة الأولى، والدماغ المحلي يتولى التكرار المستقر للتنفيذ عشرات آلاف المرات.
△ ملاحظة: الدماغ المحلي يصحح الحركات آنيًا عبر حلقة التغذية الراجعة القوية.
عنوان الفيديو:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
عرض Yanxi Power لتحضير السلطة هو صورة هذا التقسيم للعمل: الدماغ الأعلى يقوم بالتخطيط طويل المدى ويحدد أي الخضروات يختار؛ والدماغ المحلي يتولى الإمساك والوضع، وعصر الصلصة، والتقليب، والتقديم:
عنوان الفيديو:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
حلقة التكرار منخفضة التكلفة للذكاء الجسدي
بعد تحديد التقسيم، لا يزال يتعين حل مشكلة أكثر عملية: عند تغيير "الطبق"، بأي كلفة يستطيع الدماغ المحلي أن يتعلم؟
تعليم الروبوت العمل، أغلى ما فيه هو البيانات.
حسب ما ذكره ما تشيهينغ. رفع نسبة نجاح مهمة واحدة إلى المستوى المطلوب عبر التدريب اللاحق يلبي في كثير من الأحيان متطلبات العملاء بالفعل، لكن العائق الحقيقي هو جمع البيانات؛ فالمهمة الواحدة قد تتطلب جمع 500 إلى 1000 عينة بيانات، وبعد جمعها في المختبر لا بد من الذهاب إلى موقع العميل لمواصلة الجمع.
لذا تراهن Yanxi Power على استمرار انخفاض تكلفة البيانات، وتريد قدرة بدء بارد قوية بما يكفي: تحقيق نسبة نجاح 50–60% لمهمة جديدة بعرضٍ توضيحيٍّ أو اثنين، ثم تُترك الباقي لعمليات rollout والتعلم المعزز لرفعها.
لهذا بنت Yanxi Power حلقة خوارزمية تشملالبيانات、والنموذجوالتحسين الذاتي (RSI)، وهي حلقة خوارزمية متكاملة.
على مستوى البيانات، اعتمد التدريب المسبق للنموذج بشكل كبير على فيديوهات عمليات بشرية من المنظور الأول، يوفرها أساسًا الشريك EgoScale (شركة شنتشن Weilaiyan للتقنية). زوّدت EgoScale نموذج Paimon-0 بعشرات آلاف الساعات من بيانات العمليات بالمنظور الأول، عبر شبكة جمع تغطي أكثر من 160 مدينة في 3 دول وأكثر من 12800 مشهد حقيقي، مع أكثر من 4000000 مهمة وأكثر من 120000000 وحدة حركية وعشرات آلاف عينات "شخص-مشهد".
توازن مجموعة البيانات بين التنوع في المشاهد والمهارات ودرجات الصعوبة وعادات التشغيل؛ ويرافق ذلك وسم دقيق عالي الجودة للحركات الذرية بمساعدة ذكاء اصطناعي من تطوير الشركة ذاتها، إلى جانب مسارات 3D للرأس واليدين، بما يدعم قدرة تعميم النموذج وأداءه في القوائم.
وفي الوقت نفسه أنشأت Yanxi Power خط معالجة بيانات موجهاً للتدريب الجسدي، يحول الفيديو الخام إلى وحدات حركية مهيكلة، ويكمل مطابقة مسارات اليد إلى اليد الرشيقة المستهدفة، وفرز جودة البيانات، ومواءمتها للتدريب.
عنوان الفيديو:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
ثانيًا، علىمستوى النموذجيعتمد Paimon-0 على نموذج حركات العالم (WAM) كنواة أساسية. ومسار WAM+IDM (نموذج الديناميكا العكسية) هو حاليًا المسار السائد ذو الأداء المتميز: يتنبأ WAM بالحالات المستقبلية، بينما يُخرج IDM الحركات بناءً على تغيّرات الحالة.
غير أن الاستمرار في محاكاة فيديو مستقبلي كامل يتكلف حوسبةً وتأخيرًا مرتفعين، ما يجعل من الصعب تلبية متطلبات التشغيل الفوري للروبوتات. يستعين Paimon-0 بـ query token لاستخلاص التمثيلات الجوهرية من الحالات المستقبلية، بما يشمل الوضع ثلاثي الأبعاد (3D) للأجسام والدلالات وقابلية الاستخدام (affordance)، ثم تُمرَّر إلى نموذج يعمل على الجهاز الطرفي للتنبؤ بالحركات.
خفّض هذا الحل زمن استدلال كتلة الحركة الواحدة من نحو 3000 مللي ثانية إلى 300 مللي ثانية، أي إلى العُشر من القيمة الأصلية؛ وهذه المؤشر تخص زمن استدلال كتلة الحركة ولا تعادل دورة حلقة التحكم الأساسية.
بعد Paimon-0، تعمل شركة 炎曦动力 أيضًا على تدريب نموذج أساس من نوع ego، قائم كذلك على التدريب المسبق ببيانات التلاعب البشري من منظور الكاميرا الأولى، وهو حاليًا قادر بالفعل على تشغيل اليد الماهرة لإنجاز المهام. وبحسب المعلومات، من المقرر إطلاق هذا النموذج ego رسميًا بعد 3 أشهر:
رابط الفيديو:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
وأخيرًا،وحدة التحسين الذاتيوهي أيضًا نقطة الاختراق الجوهرية التي يرى المؤسس المشارك 常新远 فيها أساس توطين الذكاء الجسدي فعليًا. فالاعتماد وحده على تفاعلات التجربة والخطأ الكثيرة (rollout) لتدريب الروبوتات لا يكاد يحقق توطينًا قابلًا للتوسع. أما التحسين الذاتي الحقيقي فيتطلب من النموذج فهم سلسلة التنفيذ الكاملة: إدراك الحالة الراهنة، واستنتاج الأثر السببي للحركة، وتحديد المرحلة التي تمر بها المهمة، ويُعد التقييم الآلي القابل للتعميم أساس كل ذلك. وفي غياب قدرة التقييم الآلي، يبقى إشارة المكافأة رهنًا بالوسم البشري، ويصعب كسر المعضلة البنيوية المتمثلة في ارتفاع كلفة البيانات.
استنادًا إلى هذا التقييم، تتكوّن منظومة التحسين الذاتي بأكملها من ثلاث وحدات متعاونة:
- الوحدة الأولى هيالنموذج الكبير السحابيالمكلّف بتفكيك المهام، والتحقق من السياسات، ومعالجة الأخطاء واستعادتها، وإنتاج تجارب rollout ناجحة وفاشلة بتكلفة منخفضة؛
- الوحدة الثانية هيPolicy Modelالمطوَّر ذاتيًا للعمل على الجهاز الطرفي (Paimon-0)، والذي يخضع للتدريب اللاحق بالتعلم المعزز لرفع معدل النجاح والإنتاجية في المهام المألوفة؛
- والوحدة الثالثة هيProgress Model(Paimon-Eval)، والمكلّفة بتقدير تقدّم المهمة وتحديد موضع الفشل، لتوفير تغذية راجعة للتدريب اللاحق.
تعتمد هذه المنظومة على حل real2sim، إذ تُحاكى المسارات المستقبلية في بيئة المحاكاة مع دمج معلومات مثل الموضع ثلاثي الأبعاد (3D) ووضعية الجسم والتغذية الراجعة للحركة، ثم تُدمج الحالات المحاكاة فوق المشهد الحقيقي، بما يساعد النموذج على توقع أثر الحركات بشكل بديهي واتخاذ القرار.
رابط الفيديو:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
إن الحصول على إشارة مكافأة منخفضة التكلفة وقابلة للتعميم هو مفتاح التكرار الذاتي المستمر للروبوتات، وProgress Model هي الأداة المخصصة لتحويل نتائج التنفيذ إلى تغذية راجعة للتدريب.
نموذج Paimon-Eval المُدرَّب من شركة Yanxi Power يحتاج فقط إلى بيانات عرض (示教) واحدة للتعلم في السياق، ليتمكن من التمييز بين مراحل تنفيذ مهمة جديدة غير مألوفة. وعلى سبيل المثال في مهمة طي المناشف، عند تشغيل عدة عمليات rollout بالتوازي، يمكنه أن يحدد باستمرار أي مرحلة من مراحل التنفيذ يجري العمل فيها: البحث عن الهدف، أو الإمساك، أو الطي، أو المحاذاة، أو التأكيد، مع إخراج منحنى تقدّم المهمة.
رابط الفيديو:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
وفقًا لتوضيحات تشانغ شين يوان، تخطط Paimon-Eval لإطلاق مصدرها المفتوح في الفترة من 11 إلى 12، مع توفير إصدارات متعددة الأحجام. وقد وسّع الفريق نطاق تدريبها إلى عشرات الآلاف من الساعات، معتمدًا نموذج تدريب مرتكزًا على المهام (task-centric)، مما يمكّنها من التعرف على تقدم المهام وجودة تنفيذها عبر مشغّلين مختلفين وأجسام روبوتية مختلفة.
على هذا الصعيد، يضيف رن تشينغ يوان أن الخوارزميات تعود في نهاية المطاف إلى النشر. فما إذا كانت البيانات المُجمَّعة فعّالة، وهل يمكن وسمها تلقائيًا، وكم من القدرات يحتفظ بها النموذج بعد التكميم والتقطير، وأداؤه الفعلي بعد تشغيله على الجهاز، كل ذلك يحتاج إلى تحقق مستمر من قبل نظام التقييم. وربط هذه المراحل في عملية مؤتمتة فقط هو ما يجعل من الممكن أن يتراكم حلقة الخوارزمية المغلقة لتصبح منتجًا قابلًا للتسليم فعليًا.
بعد أن أوضحنا المسار التقني، دعونا نلقي نظرة على كيفية تشكيل هذا الفريق.
فريق مركّب من الرقائق والذكاء الاصطناعي والروبوتات
قصة شركة يانشي باور تبدأ من حكاية خبير أشباه موصلات"هامش التبكير"لنبدأ الحديث.
هذا الرجل صاحب الشرائح هو رن تشينغيوان، الرئيس التنفيذي لشركة يانشي باور (Yanxi Power). إنه خبير تكنولوجيا على مستوى مقاطعة قوانغدونغ ومدينة شنتjenمعاً، وأثناء عمله نائباً للرئيس في إحدى الشركات الرائدة في شرائح RISC-V، قاد فريقاً حقق الإنتاج الضخم للشرائح وتسليمها، وارتفعت إيرادات الشركة من مستوى عشرات الملايين إلى مئات الملايين من اليوان، بطلبات تراكمية تجاوزت 1 مليار يوان.
الشركة التي كان رن تشينغيوان يعمل فيها سابقًا كانت تطوّر معالجًا ذاتي التطوير بمعمارية RISC-V، وكانت بحوزتها بنية المعالجة الدقيقة الأساسية، وقد كان يبحث طوال الوقت عن منصة حوسبة جديدة. وفي مطلع عام 2025 دخلت الروبوتات مجال نظره، غير أنه بدا في ذلك الوقت وكأنه لا يصلح إلا للعرض التمثيلي؛ وحتى منتصف العام اكتشف أن الناس بدأوا ينجزون تطبيقات فعلية تباعًا، فتتوالى توقيع العقود والتسليمات.
في نظر رن تشينغ يوان، هذه هي بالضبط نافذة الفرصة لدخول شركات الرقائق إلى السوق:
لا يمكنك أن تقول إنك ستعمل عندما تأتي الفرصة، ففي ذلك الوقت يكون العملاء قد شرعوا بالفعل في استخدام شرائح الشركة الأخرى.
هكذا وُلدت شركة "يان شي باور" (炎曦动力). أما شريكه في الخوارزميات الذي جلبه، فهو ثنائي من زملاء الدراسة تحت إشراف الأستاذ نفسه.
ينتمي ما تشيهنغ وتشانغ شينيوان كلاهما إلى معهد الذكاء الاصطناعي والروبوتات بجامعة شيآن جياوتونغ، حيث درسا تحت إشراف البروفيسور غونغ ييهونغ. غونغ ييهونغ هو زميل IEEE، ومن أوائل الباحثين في الصين الذين درسوا التعلم العميق، وشغل سابقًا منصب رئيس معهد NEC للأبحاث في وادي السيليكون، وهو المعهد الذي تخرّج منه كوكبة كبيرة من قادة الذكاء الاصطناعي مثل يو كاي ولين يوانتشينغ وتشو شي.
زميله الأكبر ما تشيهنغ هو أستاذ مساعد بتفويض خاص في كلية الحوسبة عالية الأداء والميكروإلكترونيات بجامعة شنتشن للتكنولوجيا، ومشرف على رسائل الدكتوراه، ورائد أعمال متسلسل أيضًا. وقد فاز بجائزة "Yunfan" في المؤتمر العالمي للذكاء الاصطناعي (WAIC)، ونشر أكثر من 50 ورقة علمية في مؤتمرات رائدة بصفته مؤلفًا رئيسيًا، وتجاوزت استشهادات جوجل سكولار أبحاثه 3000 استشهاد، كما تولى منصب رئيس المجال في مؤتمرات مثل NeurIPS وICML، ويعمل منذ زمن طويل في أبحاث الرؤية الحاسوبية والذكاء المجسد.
وهذا العالم نفسه هو من قال في تقييمه لـ رن تشينغ يوان: "يفهم الرقائق جيدًا، كما يستطيع استيعاب الخوارزميات بسرعة".
أما زميله الأصغر تشانغ شينويوان فجاء من شركة تقنية كبرى، وكان سابقًا المسؤول التقني عن اتجاه الذكاء المُجسَّد في مركز تقنيات الرؤية لدى Amap (غاودي)، وقاد مشاريع ذكاء مُجسَّد عامة مثل ABot-M وABot-PhysWorld وABot-Claw، مع أكثر من 2000 اقتباس على Google Scholar. وسبب مغادرته الشركة الكبرى واقعي جدًا: يتطلب الذكاء المُجسَّد تكرارًا متزامنًا لسلسلة كاملة تشمل الخوارزميات والبيانات والآلات الحقيقية وحتى الرقائق، إذ يجب أن يسير تطوير النماذج متلازمًا مع رقائق الأجهزة الطرفية.
بين الخوارزميات والرقائق، لا يزال هناك من يوصل حلقة التحكم، وهو المؤسس المشارك تشانغ دونغ جون. وهو مسؤول عن تصميم النطاق والاتصالات في الوقت الفعلي وحلول الحتمية الزمنية، وقد قاد سابقاً تطوير ونشر وحدات التحكم في الحركة وأنظمة الطائرات المسيّرة في Googol Tech وDJI، وهو من أوائل طلاب الدكتوراه للأستاذ لي تسه شيانغ، عالم الروبوتات البارز، وقد شرع في أبحاث الأيدي الماهرة منذ عام 2005.
تتولى كل من الأشخاص الأربعة إدارة جانب مختلف، بينما يتولى رن تشينغ yuan في يانشي ديناميك (Yanxi Power) الإشراف على الاستراتيجية، كما يتابع شرائح SoC المتكاملة للتحكم والحوسبة، ووحدات التحكم بالنطاق، وحزمة البرمجيات المرافقة.
في غضون شهرين فقط، توسعت شركة يانشي دوناميكس (炎曦动力) إلى نحو 50 موظفًا. وإلى جانب فريق الخوارزميات الذي يقف في المقدمة، يختبئ تحت السطح فريق للعتاد والأنظمة مكوّن من قدامى متخصصي الرقائق، وهم من الفرق النادرة في الصين التي تمكنت مرتين متتاليتين من نقل شرائح كبيرة من الصفر (0) إلى (1) وحتى إنتاجها بالكميات بمستويات عشرات الملايين إلى مئات الملايين من الوحدات. وتتضافر هذه الفرق الثلاثة بثقافة هندسية مشتركة واحدة، حيث تُستخلَب بنية SoC والبنية الدقيقة انطلاقًا من أنواع المهام بشكل عكسي.
وبالمناسبة، اسم Paimon اختيره شباب فريق الخوارزميات، مستوحى من شخصية في لعبة Genshin Impact. يضحك ما تشيهنغ قائلاً إن القطاع استهلك تقريبًا كل الحروف اليونانية في تسمية النماذج، فمن الأفضل اختيار اسم رمزي ممتع وسهل النطق.
الذكاء الاصطناعي مهم، لكنه ليس كل شيء
هل تتذكر خطأ توقيت التحكم الذي انخفض في البداية إلى حوالي 1/200 من قيمته الأصلية؟ في الواقع، في كثير من الأحيان لا تكمن مشكلة الروبوت في النموذج على الإطلاق.
شارك رن تشينغ يوان مجموعة من التجارب: على شرائح Nvidia، وباستخدام حلّ الاتصال بالكاميرات الشائع في الصناعة، يستغرق المسار الكامل من التقاط الضوء بواسطة الكاميرا حتى قراءة النموذج للصورة—مع المرور عبر المعالجة المسبقة للصورة ونقل الذاكرة والانتظار المتزامن—زمنًا يقارب تقريبًا زمن استدلال واحد للنموذج. بالنسبة للروبوتات ذات الحلقة المغلقة عالية التردد، حتى لو كانت سرعة استدلال النموذج سريعة جدًا، فإن عدم توفّر البيانات في الوقت المناسب يجعل الحركات متأخرة على أي حال.
وهذا أيضًا الفرق الجوهري بين الروبوتات وبنية الحوسبة للقيادة الذاتية: القيادة الذاتية تتسامح مع قدر معين من التأخير، بينما تتضمن الروبوتات عمليات تلامس، مما يفرض تردد تحكم أعلى، حيث يؤدي التأخير والاهتزاز مباشرةً إلى انحراف المسار، وعدم ثبات الإمساك، وفشل التحكم في القوة.
تتمثل خطة Yansi Power (炎曦动力) في إضافة FPGA إلى وحدة التحكم الرئيسية الحالية، ونقل مهام المعالجة المسبقة واللاحقة قبل وبعد استدلال النموذج إليها؛ ومن المخطط لاحقًا دمج معظم هذا الجزء من RTL في الشريحة المطوّرة ذاتيًا، ويُعد تحسين التحكم في خطأ التوقيت مثالًا نموذجيًا على ضبط سلسلة العتاد. كما قال Ren Qingyuan (任清源):
جميع مشاكل الهندسة هي في الحقيقة نوع من الغش (cheating) ضمن قيود التكنولوجيا (technology) القائمة.
لكن العتاد ليس سوى جزء من الصورة؛ يشير رن تشينغيوان (Ren Qingyuan) في كثير من الأحيان إلى أن شركات الشرائح تكون في نهاية المطاف في جوهرها شركات برمجيات. ففي سلسلة صناعة الحواسيب الشخصية، تتولى شركات متخصصة مهام البرامج الثابتة وتكامل الأنظمة، بينما يفتقط قطاع الروبوتات إلى مثل هذه الأدوار المساندة، فتضطر جهة الشرائح إلى سدّ هذه الأعمال بنفسها. صعوبة ترسيخ الشرائح المحلية تعود في كثير من الأحيان إلى اختناقات في حزمة البرمجيات (software stack). وتأمل يانشي بينغلي (Yanxi Dongli) في بناء حلول متكاملة من طرف إلى طرف، بالاستناد إلى نهج إنفيديا الموجّه نحو الروبوتات.
أمانموذج الأعمالكما قدّم رن تشينغ يوان حلّه:
إذا لم يملك العميل شيئًا، فيشتري صندوقًا متكاملًا يجمع بين البرامج والأجهزة، «يكفي توصيله بكابل شبكة ليكون جاهزًا للاستخدام مباشرةً»؛ ومن يريد الشرائح فقط، فتُباع له أيضًا. تأتي هوامش الربح من الشرائح، أما البرمجيات فتُعد في الغالب مسألة نظام بيئي، لذا يُفتح مصدر أكبر قدر ممكن منها.
وفي الوقت نفسه، ولكي يجعل العائد على الاستثمار ROI إيجابيًا، تستهدف شركة يانشي دونلو (Yanxi Power) ضغط تكاليف جمع البيانات والتدريب اللاحق إلى ما دون عُشر تكلفة جسم الروبوت نفسه، بل حتى تمكين عمال خطوط الإنتاج من جمع البيانات وتدريب النماذج بأنفسهم حتى يصل الروبوت إلى مرحلة العمل الفعلي.
بعد أن وضّحت ما تريد القيام به، رسمت يانشي دونلو حدودها أيضًا —
لا تصنع يانشي دونلو أجسام الروبوتات، ولا تتنافس على الأرباح مع شركات النماذج أو شركات الأجسام، كما لا تسعى إلى مبدأ «شريحة واحدة لاستخدامات متعددة».
في مواجهة تطور القطاع مستقبلاً، صرّح رن تشينغ يوان بصراحة تامة بأن التغيير سيحدث حتماً خلال العامين القادمين، والمفتاح يكمن في وجود إطار تقييم عقلاني. في نظره، فإن اختناقات النماذج واختناقات الرقائق سبب ونتيجة لبعضهما البعض؛ فبعض الحركات السريعة لا تستطيع سلسلة الإدراك مواكبتها، ومهما كانت الخوارزمية جيدة فلن يكون لها أثر.
ما تسعى يان شي باور للقياس به هو تحسين زمن الاستجابة من الطرف إلى الطرف وسلسلة الحوسبة أولاً، لكسر الحلقة المفرغة المتمثلة في مسألة الكتخاية والبيضة. ووفقاً للخطة، ستبدأ عمليات تسليم رقائقها المطوّرة ذاتياً في عام 2028.
في الحقيقة، هذه فكرة «الدفع من الطبقة الأساسية أولاً» مكتوبة منذ البدء في اسم الشركة. الاسم الإنجليزي للشركة يان شي باور هو Primotion، مستوحى من مفهوم أرسطو عن «المحرّك الأول»، إذ يريدون أن يكونوا «نقطة الحركة الأصلية» في عالم الذكاء الاصطناعي الفيزيائي.
أما المحطة النهائية للذكاء المُجسَّد فهي في النهاية أنظمة ذكية قادرة على التصرف بثبات في العالم الحقيقي، ومهما كبر النموذج فسيظل مجرد حلقة واحدة في السلسلة.
في هذا الطريق، ما تزال يان شي باور في بداياته للتو.
(ملاحظة: يان شي باور تقوم حالياً بتجنيد الكفاءات في مجالات الخوارزميات المُجسَّدة وأنظمة الروبوتات وكمّية الاستدلال وتصميم الرقائق، ويرحبون بإرسال السير الذاتية أو نوايا التعاون إلى hr@primotion.ai.)