لا طبقة تحكّم مُتعلَّمة بين النموذج والروبوت
شغّل باحثون في ستانفورد وكالتك روبوتاً بشري الشكل من طراز Unitree G1 في مهام منزلية متعددة الخطوات داخل غرف لم يرها من قبل، فيما يصدر الأوامر مباشرةً نموذج رؤية ولغة عام الغرض. والنظام، واسمه HomeBody، يرتب المساحات ويحضر الأشياء ويفتح الأدراج ليخرج ما بداخلها.
واللافت هو ما استبعده الباحثون. فمعظم العمل على الروبوتات البشرية في العامين الأخيرين يمرّر الإدراك واللغة عبر طبقة رؤية-لغة-فعل مدرَّبة، أي نموذج تعلّم من عروض روبوتية كيف يحوّل التعليمات إلى حركة. أما HomeBody فلا يملك هذه الطبقة. إذ يُوصَل GPT-6 أسترا من أوبن إيه آي بوصفه ما يسميه الفريق نموذج رؤية ولغة قابلاً للتوصيل المباشر، فينادي مكتبة مهارات قابلة للتركيب دون أن يكون قد دُرِّب على الروبوت ولا على الغرفة.
ومكتبة المهارات صغيرة: التنقل، والالتقاط، والوضع، وفتح درج، والالتقاط من درج. وكل منها متحكم تقليدي. ومهمة أسترا أن ينظر إلى المشهد الحالي ويقرر أيها يستدعي وعلى أي شيء.
كيف يعرف أين توجد الأشياء
الغرفة المجهولة هي الجزء الصعب، ويحلّه الفريق قبل المهمة لا أثناءها. يستكشف الروبوت أولاً، ثم يُعاد بناء تلك الجولة توأماً رقمياً داخل Isaac Sim من إنفيديا. وهذا يمنح النظام ذاكرة مكانية دائمة، فيمكن أن يُطلب منه غرض غير ظاهر الآن فيذهب إلى حيث رأى واحداً.
وحول ذلك مكونات تقليدية: SAM 2.1 للتتبع، وFast-FoundationStereo للعمق، وSuper Odometry مع تسجيل ICP لتحديد الموقع، وسياسة AMO لتنسيق الجزء السفلي من الجسم مع ما تفعله الذراعان. وفي كل خطوة يختار النموذج مهارة وهدفاً اعتماداً على المشهد من منظور الروبوت، والخريطة، وحالة القابض، وما يتذكر أنه رآه. وإذا أخفقت قبضة، يعيد المحاولة محلياً بالتوجيه البصري بدل إعادة تشغيل المهمة من البداية.
وتعمل الحزمة المحلية على بطاقة RTX 4090 واحدة في حاسوب محمول، بينما يعمل أسترا عن بعد.
ما يقول الفريق إنه لا يعمل بعد
العمل صريح على نحو غير معتاد في ذكر كلفته، وهذا هو الجزء المثير.
فإعادة البناء يجب أن تتم قبل أن تصبح غرفة جديدة صالحة للاستخدام، وهو ما يكلّف وقتاً وإنفاقاً على واجهات البرمجة. وطول المهمة تحدّه العتاد لا البرمجيات: إذ تنفد قدرة الروبوت أولاً، ويشير the-decoder إلى ارتفاع حرارة المحركات الخادمة أثناء التشغيل. ولأن أسترا يُستدعى عن بعد عند كل قرار، يظهر تأخره في شكل توقفات مرئية بين الأفعال.
لماذا يهم هذا
إذا استطاع نموذج من الصف الأول أن يقود روبوتاً بشري الشكل عبر غرف مجهولة اعتماداً على مهارات مكتوبة يدوياً فقط، فإن طبقة الفعل المدرَّبة تصبح رفاهية لا شرطاً، وتتراجع بيانات العروض الخاصة بالروبوتات بوصفها حاجزاً تنافسياً دون ما افترضه المجال. وهذا ادعاء يخص البنية، ورد في صفحة مشروع لمختبرين جامعيين، لا نتيجة مقيسة أمام أنظمة منافسة، وينبغي أن يُقرأ كذلك إلى أن يكرره أحد.
كما تشير الكلفة إلى ما قد يغيّر الصورة. فالتأخر وإعادة البناء مشكلتان هندسيتان باتجاهات واضحة: نموذج أصغر على الروبوت للحلقة السريعة، أو إعادة بناء أسرع، أو نموذج من فئة أسترا يُقدَّم أقرب إلى العتاد. ولا يحتاج أي منها إلى فكرة جديدة، ولهذا تستحق النتيجة المتابعة بدل الأرشفة.
