هنغ يو من أوفيسي (أو في سي)
كيوبت إيه آي (QbitAI) | الحساب الرسمي QbitAI
لأن الخطاطيف الصغيرة على الرف كانت محجوبة جزئياً بلافتات بطاقات الأسعار، فقد حاول الروبوت العامل في المتجر الصغير تعليق البضائع لأول مرة... فأخفق فشلاً ذريعاً.
في الماضي، كان لا بد في مثل هذه اللحظة من تدخل مهندس بشري، يقوم أولًا بفحص المشكلة، ثم تعديل البرنامج وإضافة البيانات، ويعيد تدريب الروبوت من جديد.
لكن الروبوت كون كان مختلفًا بعض الشيء.لقد ابتكر هو نفسه طريقة جديدة.
ينظر إلى سجلات التنفيذ السابقة، فيجد أن دقة زاوية الكاميرا الرئيسية غير كافية، بالإضافة إلى حجب لوحة الملصق، مما يجعل من الصعب رؤية موقع الخطاف الصغير بوضوح.
وبالتالي، عدّل الوكيل (Agent) استراتيجيته فجعل اليد اليسرى تقترب أولاً من الهدف، مستخدماً كاميرا المعصم لإضافة زاوية رؤية قريبة، وبعد تأكيد الموقع تتولى اليد اليمنى إتمام تعليق الحمولة.
والأكثر إثارة للاهتمام أن الروبوت لم يكتشف مصدر المشكلة ووجد الحل بنفسه فحسب في اللحظات الماضية،كما راكم بهدوء هذه الخبرة الفعّالة تحسبًا لأي طارئ.
إن هذا النظام الذي يمكّن الروبوت من اكتشاف المشكلات أثناء العمل، وتعديل استراتيجيته، وتراكم الخبرة، يقف خلفهأحدث إصدار من تشي يوان للذكاء المُجسَّدإطار عمل الوكيل (Agent) جنبايك ماستر (Genie Master).
هذا أيضًا هو الإصدار الرابع من سلسلة الإصدارات التقنية "AI WAVE" التي أطلقتها Zhiyu مؤخرًا — وهذه المرة، نقلت Zhiyu تقنية Physical RSI (التطور الذاتي التكراري المجسَّد) إلى تدفق أعمال متجر بيع بالتجزئة حقيقي في القطاع.
وبدعم من Genie Master، أصبح روبوت Zhiyuan Elf G2، أثناء تنفيذ المهام في بيئة متجر حقيقية، قادرًا على عدم الاعتماد على العرض التوضيحي البشري والضبط، وتحليل أسباب الفشل ذاتيًا، وتعديل الاستراتيجيات، وتراكم الخبرة،تحقيق"التحسين الذاتي المستمر دون تدخل بشري".
هذه أول مرة في القطاع يتم فيها تجاوز بيئة المحاكاة والإعدادات المخبرية البسيطة (toy setting)، وتشغيل ما يلي والتحقق منه في سيناريوهات أعمال حقيقية:RSI الجسدي.
كيف تعمل حلقة التطور الذاتي المغلقة في نظام Genie Master؟ وما التغييرات الثورية التي يمكن أن يقدمها لتمكين الروبوتات من العمل على نطاق واسع؟
ما هو Genie Master؟
لكي نفهم لماذا استطاع هذا الروبوت "أن يحقق الاستنارة بنفسه"، يجب أولاً أن ننظر في ماهية Genie Master الذي يقف خلفه.
ببساطة، Genie Master هونظام تجسيديإطار عمل للوكلاء، تتمثل مهمته الأساسية في ربط قدرة الاستدلال لدى الوكيل العليا بقدرة تنفيذ الأجراء لدى الروبوتات في المستوى السفلي.
فهو لا يمكّن الوكيل (Agent) من استدعاء قدرات الروبوت المختلفة بسلاسة وفهم التغذية الراجعة الفعلية للتنفيذ الفيزيائي فحسب، بل يمكنه أيضًا تنظيم الإجراءات والتمارين المستهدفة بشكل مستمر وفقًا لتقدم المهمة.
بمجرد أن يكشف الروبوت عن قصور في قدراته أثناء العمل الفعلي، تدخل هذه المشكلة مباشرة في عملية التحسين الذاتي.
من السهل أن نلاحظ أن Genie Master يسعى إلى التركيز على بناءآلية التحسين المستمر بعد نشر الروبوتات——يتضمن ذلك الحكمَ والتعديلَ الديناميكي أثناء تنفيذ المهمة، كما يشمل تراكم الخبرة لاحقًا وتحديث استراتيجيات الإجراءات الأساسية.
سبب طرح تشي يوان لهذا الإطار هو إدراكه لنقاط الألم طويلة الأمد في التطبيق الفعلي داخل القطاع.
أهل المجال يعرفون جيدًا أنه بعد دخول الروبوتات إلى مشاهد الأعمال الحقيقية، لا مفر من مواجهة حالات طويلة الذيل لم تغطِّها مرحلة التدريب.
فشل التنفيذ، أو عدم استقرار الحركات، أو استغراق مهمة معينة وقتًا طويلًا جدًا، كلها أمور قد تتطلب تدخل المهندسين للتحقيق، ثم تحسين الأداء عن طريق تعديل البرنامج، أو إضافة بيانات توضيحية، أو تدريب النموذج.
كلما زادت المشاهد وازدادت تعقيدًا، ارتفع معها حجم أعمال البحث والتطوير والصيانة.
وإذا انتظرنا في كل طلب جديد قيام البشر بالتحقيق والاختبار من الصفر، فستتأثر سرعة التكرار، وسيصعب إطلاق التطبيق على نطاق واسع عبر المشاهد المختلفة.
باختصار،لكي تُستخدم الذكاء المُجسَّد فعليًا على نطاق واسع، يجب الانتقال من«الضبط الدقيق السلبي» المعتمد على الأمثلة البشرية إلى «نمط التطور الذاتي» الذي يكتشف فيه الروبوت المشكلات ويحلها بنفسه.
يأمل Genie Master تسليم جزء من هذه الأعمال إلى الوكيل (Agent).
ومن خلال إسناد تشخيص المشكلات وتنظيم التمارين وتقييم النتائج جميعها إلى الوكيل لإدارتها، يدعم Genie Master اكتساب الروبوت قدرات جديدة باستقلالية، وبذلكيختصر بشكل كبير دورة التطوير من«طلب العميل ميزة جديدة» إلى «إتقان الروبوت هذه المهارة الجديدة».
وإضافة إلى عملية تعليق السلع المذكورة في البداية، أظهرت الروبوتات المزودة بـ Genie Master في الاختبارات الميدانية في متجر صرّفي حقيقي قدرات أكبر على التعامل مع المواقف المعقدة.
ووفقًا لتشي يوان، فقد أدخل فريق Genie Master عمليات الاستلام والتعبئة والتنظيف والتعافي من الأعطال والتعاون متعدد الآلات في سير عمل موحّد، مستكشفًا حلقة تحسين مستمر للروبوتات في الأعمال الحقيقية.
«تدريب ذاتي» في أوقات الفراغ: إطار الوكيل المُجسَّد يربط بين الدماغ والمخيخ
جعل الروبوت يتطور ذاتيًا أثناء العمل فكرة ليست صعبة التصور.
لكن قبل ذلك، لماذا بقي هذا الأمر حبيس النقاشات المخبرية، بينما نادرًا ما نفّذه أحد فعليًا في أعمال الواقع وأنجزه؟
السبب الجذري أن تراكم الخبرة في المستوى العلوي، أو استيعاب الاستراتيجيات في المستوى الأدنى، يجب أن يقوم كلاهما على أساس صلب للغاية —
الاستدلال في المستوى العلويفإرشادات "الدماغ" يجب أن تُترجم بدقة إلى أفعال؛ ونتائج "المخيخ" المسؤول عن التنفيذ في المستوى الأدنى يجب أن تُرسَل لحظيًا إلى الدماغ.
ولربط هذا المسار الحيوي، يقدّم Genie Master أحد تصميماته الأساسية:
بروتوكول التنفيذ المُجسَّدEEP (Embodied Execution Protocol).
يؤسس EEP واجهة موحّدة بين الوكيل (Agent) والعالم الفيزيائي، تغطي أساسًا أربع فئات من الواجهات الجوهرية:
- واجهة القدراتتجعل الوكيل يعرف بوضوح ما القدرات المتاحة للاستدعاء لدى الروبوت حاليًا؛
- واجهة الإرشادتتيح للوكيل تمرير تلميحات مكانية محددة ومراجع للأجسام ومتطلبات لغوية دقيقة إلى طرف تنفيذ الأفعال في المستوى الأدنى؛
- واجهة التغذية الراجعة: تجعل الوكيل يعرف لحظيًا الوضع الفيزيائي الحقيقي بعد تنفيذ الروبوت للأفعال؛
- واجهة الاستمرارية: تتيح للنظام تتبعًا مستمرًا لتقدم المهام وتقسيم الأدوار والتبعيات في مجموعة الروبوتات، مع دعم الجدولة الديناميكية واستئناف المهام بعد الانقطاع.
من خلال بروتوكول EEP، ومع تصاميم تشاركية مثل المحاذاة الزمنية (Temporal Alignment)، يستطيع الوكيل العلوي تعديل الإرشادات ديناميكيًا في أي وقت بناءً على نتائج التنفيذ؛ بينما تنفّذ استراتيجية الأفعال الأساسية (Action Policy) في المستوى الأدنى الأفعال بدقة وفق الملاحظات الحالية ومتطلبات الوكيل، وتعيد لحظيًا الملاحظات وحالة المهام الفرعية.
في أنظمة الذكاء المُجسَّد، لا يكون التطور الذاتي حلمًا في الهواء إلا إذا ضُمّ الاستدلال والتنفيذ والتغذية الراجعة في خيط واحد。
يتولى EEP بالضبط دور الواجهة الحاسمة في سلسلة التفاعل هذه، مؤسسًا الأساس لتراكم الخبرة وتحديث الاستراتيجيات لاحقًا.
وبعد ترسيخ الأساس، يبدأ "روتين التنافس الذاتي" للروبوت في وضع النشر.
في سير العمل الاعتيادي لمتجر التموينات، عندما يكتشف الروبوت مهام تفشل مرارًا أو يكون تنفيذها غير مستقر أو تستغرق وقتًا طويلًا جدًا، أي عند ظهور "فجوة قدرات"، لا يقف الوكيل مكتوف الأيدي.
بل يستغل بنشاط أوقات فراغ المتجر لتنظيم "تدريب ذاتي إضافي" للروبوتات على نقاط الضعف هذه.
ما الذي يُدرَّب عليه، وكيف، وهل تصل النتائج بعد التدريب إلى المستوى المطلوب، وكيف يتم التعافي وإعادة المحاولة عند مواجهة حالات شاذة — كل ذلك يرتّبه الوكيل بنفسه. وهكذا يوفر بيئة النشر الحقيقية، باستمرار، أساسًا عمليًا للروبوت حول "ما الذي يجب تدريبه وتعديله بعد ذلك".
مسار لتراكم الخبرة، ومسار لتحديث استراتيجية الأفعال
وبما أن تنظيم "اكتشاف المشكلات" و"التدريب الذاتي الإضافي" قد تمّ بالفعل في سيناريوهات حقيقية، فكيف يحوّل الروبوت ثمار هذا التدريب إلى مهارات حقيقية مكتسبة؟
هنا اعتمد Genie Master استراتيجية "السير في مسارين معًا".
المسار الأول يُسمىHarness RSIومهمته تراكم الخبرة؛ أما المسار الثاني فيُسمىPolicy RSIومهمته تحديث استراتيجية الأفعال.
لنبدأ أولاً بـHarness RSI。
منطقه الأساسي هو تحسين أداء المهام اللاحقة من خلال تحسين الموجّهات (Prompt) والذاكرة (Memory) وقواعد التنفيذ، مع الحفاظ على أوزان النموذج وواجهات الأدوات الحالية دون تغيير.
أثناء التنفيذ والاستدلال اليومي، يقوم الروبوت بـ«تدوين» أمثلة النجاح والفشل أثناء حدوثها؛ ثم من خلال التأمل غير المتزامن اليومي ودمج الذاكرة، تتحول هذه سجلات التنفيذ إلى توجيهات أكثر فعالية، وقواعد للحكم على الإنجاز، والتعافي من الحالات الشاذة، والتعاون، وتُدرج في الذاكرة طويلة المدى مثل «دفتر الأخطاء»، وتُحمَّل تدريجياً لاحقاً حسب احتياجات المهمة والمشهد.
وبالنظر إلى حالة «تعليق البضائع في المتجر» المذكورة في بداية المقال، فهي في الواقع نتيجة عمل Harness RSI.
في البداية، كان معدل نجاح مهمة الخطاف الصغير منخفضاً جداً. لكن بعد أن راجع الوكيل (Agent) سجلات الفشل، شخّص جذر المشكلة، أي أن «دقة زاوية رؤية الكاميرا الأمامية غير كافية، ومع حجب لوحة الملصق، لا يستطيع الروبوت تحديد موقع الخطاف الصغير بدقة».
وبذلك، كتب الوكيل الحل الجديد «اقترب أولاً بكاميرا معصم اليد اليسرى لاستكمال زاوية الرؤية، وبعد التأكد استخدم اليد اليمنى لتعليق البضائع» في خبرة قابلة للتنفيذ، فحين يواجه مواقف مماثلة لاحقاً، يمكنه الاستعانة بالخبرة مباشرة والتعامل بها بثبات.
وإلى جانب «دفتر الأخطاء»، وللوفاء بالمتطلبات الصارمة للنشر على الروبوت الفعلي من حيث زمن الاستجابة المنخفض والاستقرار العالي، يجب أن تتحول بعض القدرات إلى «ذاكرة عضلية» للروبوت.
وهنا يأتي دورPolicy RSIللظهور.
يقوم Policy RSI بجمع وتنظيم كل البيانات الناتجة عن التنفيذ الذاتي للروبوت، والعروض التوضيحية بالتدخل اليدوي، والتعافي من الحالات الشاذة، ثم رفع جودة البيانات عبر أساليب مثل الفرز والترجيح وإعادة وسم الأهداف، وبعدها يستخدم التعلم الموجّه أو التعلم بالتقليد أو التعلم المعزز لتحديث نموذج سياسة الحركة الأساسي (Action Policy) مباشرة، بحيث يبقى التحسين محفوظاً فعلياً في معاملات النموذج.
لنفترض أن الروبوت يؤدي في المتجر مهمة «تغليف طلبات التوصيل دون تشابك»؛ فإن البيانات الناتجة عن التعامل مع تشابك الأحزمة، وعمليات التراجع، والتعافي من الحالات الشاذة، بعد فرزها ومعالجتها، يمكن استخدامها في تدريب سياسة الحركة لاحقاً، مما يساعد النموذج على تحسين أدائه في مهام مماثلة.
من خلال Policy RSI، تمكّن الروبوت من الاستفادة من كل تجربة تنفيذ حقيقية على حدة، ليكتسب قدرة تنفيذ أكثر استقرارًا وقدرة أعلى دقة على اتباع التعليمات.
تجدر الإشارة إلى أن هذا لا يعني استغناءً تامًا عن التدخل البشري من الآن فصاعدًا؛ فـ Policy RSI لا يزال يستخدم بيانات مثل العروض التوضيحية عبر التدخل اليدوي، كما أن تحديث سياسة الحركات يتطلب أيضًا معالجة البيانات وتدريب النموذج.
والأجمل من ذلك أنهذين المسارين لا يعملان كلٌّ على حدة، بل يتشابكان معًا مكوّنين دولابًا متزنًا يدور أسرع فأسرع.——
Harness RSI مسؤول عن تجميع الخبرات وتنظيمها، إذ يساعد النظام على تحليل أسباب الفشل واختيار أساليب التدريب وتحسين التنفيذ اللاحق؛
أما Policy RSI فيستخدم بيانات التنفيذ المعالَجة لتدريب سياسة الحركات، مما يتيح للخبرات الفعالة فرصة الترسيخ في شكل قدرة حركية أكثر استقرارًا.
يتعزّز المسارَان بعضهما بعضًا، مكوّنين حلقة مغلقة تبدأ من التنفيذ الحقيقي للأعمال، مرورًا باكتشاف فجوات القدرات والتدريب الذاتي، وصولًا إلى ترسيخ الخبرات وتحديث السياسات. تأمل Zhiyuan من خلال ذلك أن تساعد كل جولة من الخبرات المتراكمة النظامَ على تشخيص المشكلات واختيار التدريبات واستغلال البيانات بفعالية أكبر.
ليتطور بذلك أيضًا باستمرار ما يملكه النظام من قدرة على تحسين القدرات，الحصول على زيادة أكبر في القدرة مقابل الجهد نفسهوهذا بالضبط هو القوة الحقيقية لـ"التطور الذاتي التراجعي (RSI)".
من "الثبات منذ خروج المصنع" إلى "الأداء الأفضل مع كل عمل"
وبالنظر إلى ما هو أبعد من المتجر الصغير، ومن منظور صناعة الذكاء المُجسَّد بأكملها، فإن الاتجاه الذي يستكشفه Genie Master من Zhiyuan يفتح بابًا جديدًا.
أولًا، في كفاءة البحث والتطويرلقد كسر تمامًا القيود القائمة سابقًا على ثبات قدرات الروبوت "منذ خروج المصنع"، محوّلًا إياها إلى نموذج جديد هو "النمو المستمر أثناء النشر".
عندما تستطيع الحلول الجديدة للذكاء الاصطناعي أن تنمو بنفسها في الموقع لتصبح مهارات جديدة للروبوت، ستنخفض إلى حد كبير دورة التسليم من طرح العميل لطلب جديد إلى إتقان الروبوت للمهارة الجديدة.
ثانيًا، في النزول التجاري إلى التطبيق العملييمكن أيضًا اعتبار الحساب الاقتصادي قد تم توضيحه.
حين يصبح أداء الروبوت "أفضل مع كل عمل" في المهام الحقيقية، فإن مجموعة القدرات نفسها ستزداد سمكًا باستمرار أثناء النشر.
وفي المستقبل، عند التوسع إلى المزيد من المتاجر والمزيد من السيناريوهات عبر قطاعات مختلفة، ستواصل التكاليف الحدية للنشر والبحث والتطوير الاندفاع نحو الانخفاض.
وهذا المنحنى التكاليفي المتناقص باستمرار هو بالضبط الشرط الجوهري لانتقال الذكاء المُجسَّد نحو نزول تجاري واسع النطاق.
وبالنظر إلى سلسلة إعلانات "AI WAVE" التي أطلقتها Zhiyuan اعتبارًا من 22 أكتوبر، فإن Genie Master، بوصفه البند الرابع ضمنها، يلعب دورًا محوريًا في الربط ضمن التخطيط الشامل للذكاء الاصطناعي المُجسَّد ذي الحزمة الكاملة لدى Zhiyuan — إذ يمدّ نموذج الأساس السفلي وقدرات الذكاء الاصطناعي ذات الحزمة الكاملة ويرسّخها في حالة النشر التجاري الحقيقية.
وبالطبع، مهما كانت بنية تقنية مذهلة الشرح، فإن الأداء العملي هو الفيصل في النهاية.
كما يقول المثل: مهما كان الفحل رائعًا، لا بد من إخراجه ليُعرف حقه.
في 2 نوفمبرتخطط Zhiyuan لإطلاق "بث مباشر لمدة 24 ساعة من متجر صغير" يتابعه الجميع عبر الإنترنت.
وفي ذلك الموعد، ستعمل 6 روبوتات من طراز Genie G2 على نوبات متواصلة، في تشغيل حقيقي بلا سيناريو لمتجر صغير، خاضعةً امتحان تثبيت في العمل بالغ الصرامة.