في النصف الأول من عام 2026، بلغ إجمالي التمويل في مسار النماذج العالمية في مجال الذكاء الاصطناعي في الصين حوالي 90 مليار يوان، بزيادة تزيد عن خمسة أضعاف.كاتب المقال، المصدر: LeiFeng.com
في النصف الأول من عام 2026، تدفقت الأموال والأشخاص في دائرة الذكاء الاصطناعي الصينية نحو نفس الاتجاه: النماذج العالمية.
في النصف الأول فقط، بلغ إجمالي التمويل المُعلَن في مسار نماذج العالم المحلية حوالي 30 مليار يوان، وإذا أُضيف مسار دمج "الذكاء المتجسّد + نماذج العالم"، يرتفع هذا الرقم إلى أكثر من 90 مليار يوان.
زاد معدل التمويل أكثر من خمسة أضعاف مقارنة بالفترة نفسها من العام الماضي.
مليارات الدولارات من الأموال، وكم هائل من المواهب، تتدفق كالفيضان.
مشكلة لا يمكن تجاهلها: كم عدد الأشخاص الذين دخلوا حقًا وفكروا جيدًا في ما هو هذا الشيء بالضبط؟
يبحث المحترفون عن اتجاه، والمستثمرون عن أشخاص، ومُوَظِّفو الموارد البشرية عن هيكل المنظمات، ووحدات الاستراتيجية في الشركات الكبرى تدرس من سيظل قائماً.
شيء غريب هو أن الجميع يسألون نفس السؤال: هل هناك أحد يمكنه توضيح مسألة النموذج العالمي؟
نعم.
نقوم اليوم بمقابلة عميقة مع الدكتور تشانغ لي، العالم البارز في معهد IDEA ومؤسس ShiQi Future، لمناقشة هذا الأمر معًا.
هو زميل في IEEE، وتم الاستشهاد به أكثر من 77,000 مرة على Google Scholar. سلسلة DINO الخاصة به سيطرت على قائمة COCO لمدة 5 أشهر، وتفوقت Grounding DINO وDINO-X اللاحقة على جوجل وميتا، وأصبحت معيارًا مُعتمدًا من قبل فرق رائدة عالميًا مثل فريق لي فيي فيي، ونفيديا، وجينيتشي.
في عام 2025، أسس هو وفريقه "ShiQi Future" من خلال مسرع IDEA، ووصلت الأموال من جولة الملاك إلى قرابة مائة مليون يوان خلال شهر واحد.
يقف خلفه اثنان من عمالقة الذكاء الاصطناعي: الأستاذ الزميل تشانغ بو، أستاذ أكاديمي (أحد مؤسسي الذكاء الاصطناعي في الصين)، والأستاذ الزميل شين شيانغ يانغ، أستاذ صناعي (نائب الرئيس التنفيذي السابق لشركة مايكروسوفت العالمية، ورئيس معهد مايكروسوفت آسيا للبحوث السابق).
لكن هذا ليس السبب الرئيسي الذي بحثنا عنه.
السبب الذي نبحث عنه بسيط: في عام 2026، عندما كان الجميع يجادلون حول "ما هو النموذج العالمي"، كان تشانغ لي من بين القلائل الذين قدّموا إجابة واضحة وقابلة للتنفيذ وغير مساومة مع أي تيار رئيسي.
من باحث رئيسي في مختبر مايكروسوفت إلى عالم بارز في معهد IDEA، ثم إلى رائد أعمال — لقد تغير مساره المهني عدة مرات، لكن موضوع بحثه لم يتغير أبدًا: "جعل الذكاء الاصطناعي يفهم الأجسام".
نموذج العالم، هو الإجابة الأساسية على هذا المفهوم الذي تم تطويره على مدار عقدين ونصف في العالم المادي.
إذا كنت تراقب مسار نماذج العالم وترغب في فهم ما إذا كان هذا فقاعة حقًا، أو من سيفوز في المنافسة على المسار، أو أي فريق هو الأكثر جدارة بالمشاركة — فإن حديث هذا الشخص يستحق أن تقرأه حتى النهاية. لأنه يستحق تمامًا وقتك.
هذا نص المحادثة، وقد أجرت AI Tech Review تعديلات تخلو من تغيير المعنى.
الدكتور تشانغ لي، زميل IEEE، مؤسس ورئيس تنفيذي لشركة ShiQi Weilai، وهو عالم بارز في مركز أبحاث الرؤية الحاسوبية والروبوتات (CVR) في معهد IDEA، وأستاذ مشارك في جامعة العلوم والتكنولوجيا بالهونغ كونغ (غوانغتشو)، وعالم أول سابق في معهد مايكروسوفت آسيا للبحوث ومعهد مايكروسوفت الرئيسي، وقد نشر أكثر من 200 ورقة بحثية في مجالات الرؤية الحاسوبية وغيرها، مع أكثر من 77,000 اقتباس على Google Scholar، ومؤشر H-Index يبلغ 107، ويجري لديه أكثر من 60 براءة اختراع أمريكية ممنوحة. وقد تم اختياره كزميل في IEEE نظرًا لمساهماته البارزة في التعرف على الصور الضخمة واسترجاع المعلومات الوسائطية.
أكبر عقبة في الذكاء الجسدي ليست الجسم، بل الدماغ
مراجعة تقنية الذكاء الاصطناعي: منذ العام الماضي، شهد الذكاء الجسدي انفجارًا، حيث أصبحت شركات الروبوتات المختلفة أكثر إثارة في التحكم الحركي، حيث يجري روبوتات Yuyu على مسار ماراثون، ويمكن لروبوتات Zhiyuan القيام بقفزات قفزة. لكننا لاحظنا أن التطبيقات العملية لا تزال تفتقر إلى لمسة نهائية. ما التحديات التي يجب التغلب عليها حتى يصبح الذكاء الجسدي واقعًا؟
تشانغ ليي: جوهر ما يجب على الروبوتات حلّه هو أمرين اثنين: معدل النجاح والقدرة على التعميم. معدل النجاح يشير إلى ما إذا كان تنفيذ مهمة ما يتم بشكل موثوق كافٍ؛ والقدرة على التعميم تعني القدرة على إكمال المهمة نفسها بشكل موثوق حتى عند تغيير البيئة أو الجسد.
هناك أربع تحديات محددة:
أولاً، ضعف التعميم في السيناريو الواحد. الآن، تستطيع العديد من الفرق تحقيق معدل نجاح بنسبة 70% أو حتى 80% في سيناريو واحد، وهو ما يبدو إنجازًا كبيرًا. لكن ماذا تعني نسبة 80% في التطبيق الحقيقي؟ تعني أن هناك فشلًا واحدًا في كل خمس عمليات، ما يزال يتطلب كمية كبيرة من الموارد البشرية للتعويض، ولا يمكن نشره بشكل مستقل تمامًا.
ثانيًا، عدم كفاية قابلية التوسع الأفقي للسيناريوهات. يجب أولاً دفع القدرات النقطية إلى حدودها القصوى، ثم توسيع نطاق تطبيقات السيناريوهات الأفقية، بحيث تتمكن من أداء مهام أكثر عددًا وتعقيدًا في بيئات أكثر تعقيدًا. هذا هو أكبر فجوة تعيق انتقال الروبوتات من "العرض المختبري" إلى "التطبيق الحقيقي".
ثالثًا، نقص القدرات العميقة لـ"الدماغ". يركز التعلم العميق حاليًا على تعلم "السلوك" الذكي، وليس "الآلية" (المبادئ الأساسية وراء الذكاء). يحتاج الدماغ المتجسد إلى قدرات حقيقية على الاستدلال السببي على العالم المادي (ليس فقط الارتباطات الإحصائية، بل فهم سلسلة المنطق "بسبب A، إذًا B")، وفهم عام، وقدرات تكيفية، وفي هذا الجانب، نحن فقط في البداية.
رابعًا، لم تصل بعد إلى مستوى التطبيقات "النهائية". حاليًا، لا تزال معظم الروبوتات تعتمد على قوة حوسبة خارجية ضخمة، ويجب حل المشكلة الأساسية المتمثلة في "عدم الحاجة إلى دعم بشري" لتمكين التوسع في مشاهد واسعة وتشكيل دورة إيجابية من "التطبيق-البيانات-التحديث".
مراجعة التكنولوجيا الذكية: بصراحة، هناك انقسام كبير في آراء الصناعة حول هذا السؤال. فريق الأجهزة يرى أن ميزة سلسلة التوريد الصينية واضحة، ويجب أولاً خفض تكلفة الوحدة الأساسية؛ بينما يرى فريق الخوارزميات أن العقل هو حقًا النقطة المحورية التي تُعَقِّد الأمور. ما رأيك؟
تشانغ لي: الدماغ أصعب، وأهم أيضًا.
من حيث الهيكل المادي، فإن تطور الأجهزة الصينية يُعد مصدر فخر. تعتمد شركات مثل Unitree و Zhiyuan على التعلم المعزز بالمحاكاة (تدريب خوارزميات التحكم في بيئة افتراضية ثم نقلها إلى الروبوتات الحقيقية) لتحسين التحكم الحركي، وتدريجيًا تُحسّن مكونات رئيسية مثل المحركات وآليات النقل، مما يؤدي إلى تحسين كبير في التكلفة والموثوقية، وتمضي في طريق متين جدًا. لكن القدرات التي أظهرها الهيكل المادي في الماراثون والعروض لا تزال تقتصر على امتلاك القدرات الأساسية التي تمتلكها الحيوانات؛ فلم يصل الهيكل المادي بعد إلى مستوى ردود الفعل الغريزية للحيوانات، مثل القفز والتهرب والتفاعل مع البيئة.
مراجعة التكنولوجيا الذكية: قلت إن "الدماغ" أصعب، وأين تكمن الصعوبة؟ هل هي نقص في البيانات، أم أن فهمنا للذكاء نفسه لا يزال ضعيفًا؟
تشانغ لي: الصعوبة تكمن في أن الآليات الكامنة وراءها لم نفهمها حقًا. الدماغ البشري يختلف أكثر من أي حيوان آخر من حيث التمييز ومستوى الذكاء. الآن، جميع التقدمات في التعلم العميق تعتمد على ملاحظة مستوى الذكاء البشري من الخارج، ثم استخدام الخوارزميات لمحاكاته. في الواقع، تتعلم الذكاء الاصطناعي سلوك الإنسان، وليس الذكاء البشري نفسه. كما ي常说 الأستاذ تشانغ بو، فإن النماذج اللغوية الكبيرة يمكنها التحدث مثل الإنسان، لكنها تفهم اللغة بطريقة مختلفة تمامًا عن الإنسان.
لماذا تم تجاهل نماذج العالم لمدة عقدين، ثم اكتسبت شعبية فجأة اليوم؟
مراجعة التكنولوجيا الذكية: مع انفجار الروبوتات الجسدية، أصبح مفهوم "النموذج العالمي" مفاجئًا وشائعًا. لكن الجميع في المجال يعرفون أن هذا ليس مصطلحًا جديدًا، فقد تم طرحه من قبل علماء في التسعينيات. نحن متحمسون لفهم لماذا تراجع هذا المفهوم لعشرين عامًا، ثم أصبح فجأة نقطة محورية اليوم؟
تشانغ ليي: هذا سؤال جيد. نموذج العالم ليس مفهومًا جديدًا. في أوائل التسعينيات، حاول العلماء نمذجة البيئة المطلوبة لتفاعل الوكلاء (أنظمة الذكاء الاصطناعي القادرة على إدراك البيئة واتخاذ إجراءات لتحقيق الأهداف) لتحسين خوارزميات التعلم المعزز، لكن التعلم العميق لم يكن قد ازدهر بعد، لذا كان من الصعب التحقق من هذا المفهوم بعد طرحه.
تم التحقق الحقيقي من هذا المفهوم حوالي عامي 2018-2019، عندما ظهرت أوراق بحثية حقيقية بعنوان "World Models" وتم تطبيقها في سيناريوهات الألعاب، لأن الألعاب هي أفضل بيئة للتحقق من التعلم المعزز.
بعد عدة سنوات من تطور التعلم المعزز، استطاع الذكاء الاصطناعي هزيمة لاعبين بشريين في الألعاب. في هذه المرحلة، بدأ الباحثون في التفكير: هل يمكن جعل وكيل الذكاء الاصطناعي يتعلم بشكل ذاتي نموذجًا للعالم أثناء التفاعل المستمر مع بيئة اللعبة، ويتضمن هذا النموذج عملية تطور البيئة؟ وقد تم التحقق الكامل من هذه الفكرة تقريبًا بين عامي 2018 و2020.
مراجعة تقنية الذكاء الاصطناعي: فما علاقة هذا بالذكاء الجسدي اليوم؟ يبدو لنا أن الجسد هو حقًا الشرارة التي أشعلت نجاح نماذج العالم؟
تشانغ ليي: يجب فهم هذا الارتباط من خلال نماذج اللغة. فقد بدأ القطاع أولاً بتطوير VLA (الرؤية-اللغة-الحركة، أي نموذج يربط بين الرؤية واللغة والحركة، حيث يراقب الروبوت الصورة ويتنبأ بالخطوة التالية)، مع اتباع نموذج التعلم بالمحاكاة المستخدم في نماذج اللغة: فنماذج اللغة تقوم بالتنبؤ بالرمز التالي؛ أما نماذج VLA المتجسدة فهي تتنبأ بالحركة التالية التي يجب على الروبوت تنفيذها بناءً على الصورة الحالية.
لكن هذه الطريقة واجهت حدودًا سريعة. هذه الحدود لا تتعلق بالبيانات فقط، فأنا أعتقد أن البيانات جانب واحد فقط، والجانب الآخر هو أن تطبيقات التعلم المعزز لا تزال غير كافية. لدي تشبيه: يعلّم التعلم التقليدي النماذج اللغوية كيف تتحدث، بينما يعلّم التعلم المعزز النماذج اللغوية كيف تقول الأشياء الصحيحة.
يحتاج مستوى ذكاء الروبوت ونجاح حركاته أيضًا إلى التعلم المعزز.
لكن تطبيق التعلم المعزز على الأنظمة الجسدية يواجه حائلين قاتلين: أولًا، كفاءة جمع البيانات منخفضة جدًا، وأقل بكثير من نماذج اللغة، حيث يجب على الروبوتات تنفيذ كل إجراء في البيئة الحقيقية وانتظار التغذية الراجعة الفيزيائية؛ ثانيًا، تكلفة الفشل غير مقبولة — فتعلم غسل الأطباق قد يؤدي إلى كسر الأطباق، وتعلم القيادة الذاتية تجنب الحوادث قد يتطلب مرور العديد من الحوادث الحقيقية قبل التعلم. هذا يختلف تمامًا عن نماذج اللغة التي يمكنها التجربة والخطأ بتكاليف منخفضة في العالم الرقمي.
البيئة الافتراضية التي توفرها نماذج العالم هي بالضبط المخرج لحل هذه المشكلات. إذا كان بإمكان نموذج التنبؤ بـ"ما الذي سيحدث للبيئة إذا قمت بهذا الإجراء"، فيمكن للروبوت أن "يُحاكي" مرات لا حصر لها من المحاولة والخطأ في العالم الافتراضي، دون الحاجة إلى كسر عشرة آلاف وعاء فعليًا.
(ملاحظة الكاتب: فهم بسيط لسلسلة المنطق في هذا النص. أولاً، يحتاج الروبوت إلى عدد كبير من المحاولات والخطأ ليتعلم مهمة ما. ثانيًا، تكون تكلفة المحاولة والخطأ في العالم الحقيقي مرتفعة جدًا وخطيرة. ثالثًا، نموذج العالم هو إنشاء "مُدرب افتراضي" للروبوت، ليقوم في عقله بمحاكاة عواقب جميع الإجراءات الممكنة. رابعًا، يكفي فقط تطبيق أفضل حل في العالم الحقيقي. هذا هو السبب في أن نموذج العالم أصبح فجأة محور اهتمام الصناعة بأكملها في هذا الوقت.)
"إذا لم يكن الإجراء شرطًا للإدخال، فلن يُسمى نموذجًا عالميًا"
مراجعة التكنولوجيا الذكية: حاليًا، هناك خلط كبير في تعريف "النموذج العالمي" في الصناعة. يُسمى نموذج توليد الفيديو نموذجًا عالميًا، ونموذج بناء الفضاء ثلاثي الأبعاد يُسمى نموذجًا عالميًا، كما يُسمى JEPA (هندسة التضمين المشترك للتنبؤ) لليكن نموذجًا عالميًا. فما رأيك في الشروط التي يجب أن يتوفر فيها نموذج ليستحق هذا المصطلح؟
تشانغ ليي: أعتقد أن نماذج العالم يجب أن تكون مبنية على الإجراءات، أي مشروطة بالإجراء (Action Conditioned) — أي يجب على النموذج أن يكون قادرًا على الإجابة عن سؤال "ما الذي سيحدث للبيئة إذا تم تنفيذ إجراء معين؟".
يستطيع الوكيل التفاعل مع البيئة من خلال الإجراءات: يؤدي إجراء الوكيل إلى تغيير في البيئة، وبعد التغيير، تُنتج البيئة حالة جديدة وترد على الوكيل، مُعلِمةً إياه ما إذا كان الإجراء الحالي يقربه من الهدف أم لا. هذا حلقة مغلقة كاملة، حيث تعتمد كل انتقالية في حالة البيئة على الإجراء المحدد الذي تم تنفيذه في الخطوة السابقة.
يقول الناس غالبًا إن نموذج العالم هو تحويل تنبؤ الرمز التالي في نموذج اللغة إلى تنبؤ الحالة التالية، لكنني أعتقد أن هذا التعريف غير دقيق ويفتقد شرطًا أساسيًا. التعبير الصحيح يجب أن يكون: تنبؤ الحالة التالية المشروط بالإجراء. فقط عند إضافة شرط الإجراء، يصبح تنبؤ الحالة ذا معنى، ويعتبر حقًا نموذج عالم يلبي متطلبات التعلم المعزز.
مراجعة تقنية الذكاء الاصطناعي: بصراحة، كثير من الناس، بما في ذلك بعض المستثمرين في خطط الأعمال، يعتادون تسمية نماذج توليد الفيديو مثل Sora أيضًا نماذج عالمية. لكن وفقًا للمعيار الذي ذكرته للتو، فإن هذه النماذج تفتقر بوضوح إلى بعد الحركة. نود أن نسمع رأيك في تفكيك هذه المسألة؟
تشانغ لي: النموذج العالمي الذي نناقشه هنا ينبع من مناهج قائمة على النموذج في مجال التعلم المعزز، وهو مصمم لمساعدة الوكلاء على التفاعل مع البيئة بشكل أكثر فعالية. على الرغم من وجود العديد من تطبيقات النموذج العالمي، إلا أن الذكاء المتجسد هو التطبيق الأكثر وضوحًا وقيمة حاليًا.
في هذا السياق، لا يمكن اعتبار نماذج توليد الفيديو البحتة، مثل Sora المبكر، نماذج عالمية. السبب الأساسي هو أنها لا تُنمذج "الإجراءات"، بل هي في جوهرها تولد تسلسل فيديو متسق، وتتنبأ بكيفية تغير البكسلات، لكنها لا تُنمذج على الإطلاق إجراءات التفاعل بين الروبوت والبيئة. هل يمكنها مساعدة الروبوتات بشكل غير مباشر؟ نعم، يمكنها تعلم بعض قوانين تغير العالم، لكن من الصعب أن تساعد الروبوتات على التفاعل بشكل أفضل مع البيئة.
مراجعة تقنية الذكاء الاصطناعي: ماذا عن World Action Model (نموذج الإجراء العالمي) الذي أصبح شائعًا مؤخرًا؟ سمعنا أنه يتحدث أيضًا عن الإجراءات، هل هو نموذج عالمي آخر؟
تشانغ ليي: WAM ليس نموذجًا عالميًا بمعنى التعلم المعزز. إنه يستخدم الإشراف على مستوى البكسل من التنبؤ بالمشاهد المستقبلية لتحسين التنبؤ بالإجراءات، وقد أظهر أداءً أفضل من VLA في بعض المهام. ومع ذلك، فإن نموذجه يعتمد على السبب الناتج عن النتيجة — فهو يولد المشاهد المستقبلية أولاً ثم يعكس الإجراءات، ولا يمكن استخدامه في التعلم المعزز، وبالتالي لا يتوافق مع تعريف النموذج العالمي الذي نناقشه هنا.
بكسيل باي مقابل إيمبر سبيس باي: كلا الطرفين يفعلان نفس الشيء في الواقع
مراجعة تقنية الذكاء الاصطناعي: عندما نتحدث عن الخلاف في المسار، فهذا هو أكثر موضوع سخونة في مجال نماذج العالم الحالي. ليكوان هو الشخصية الرائدة في مدرسة الفضاء المخفي، بينما يمثل Sora مدرسة البكسل. يبدو أن المسارين متعارضان تمامًا، ما رأيك؟
تشانغ ليي: أولاً، يجب أن نلاحظ أن الطريقين لهما نقاط مشتركة.
في الواقع، يشعر الجميع حاليًا أن لديهما طابعًا متناقضًا إلى حد كبير، وقد يكون ذلك أيضًا لأن ليكون يدافع بوضوح وحزم عن مواقفه، حيث يحرص بعض العلماء على توضيح مواقفهم بشكل جلي حتى يُتذكروا من قبل الجمهور الخارجي.
لكن مسار البكسل يعتمد أيضًا على الفضاء الكامن للعمل. يتم ضغط الصور أو الفيديوهات أولًا إلى فضاء تمثيل منخفض الأبعاد قبل المعالجة في Stable Diffusion وSora. لذا، فإن فضاء التمثيل هو المشكلة الأكثر جوهرية. الخلاف الحقيقي بين المسارين لا يكمن في استخدام الفضاء الكامن أو عدم استخدامه، بل في ما يجب الاحتفاظ به وما يجب التخلي عنه بعد الدخول إلى الفضاء الكامن.
الفرق هو أن مسار الفضاء المخفي يهدف إلى استبعاد تفاصيل البكسلات مثل الإضاءة والملمس التي لا تُدار بواسطة القوانين الفيزيائية، مما يساعد النموذج على تعلم الأنماط الأساسية خلف تغييرات الحالة، لكنه يواجه خطر انهيار التمثيل؛ فإذا تم تعيين عشرة آلاف صورة مختلفة إلى تمثيل متطابق تمامًا، فإن التمثيل ينهار، مما يعني أن النموذج يفقد قدرته على التمييز بين الحالات المختلفة. أما مسار البكسلات فيسعى إلى دقة متناهية، وهو في جوهره يسعى لإرضاء عين الإنسان، لأن الإنسان حساس جدًا للتفاصيل البصرية.
مراجعة التكنولوجيا الذكية: حتى الآن، لدينا حدس. أليس تفكير الدماغ البشري أيضًا في فضاء كامن؟ عندما تُغلق عينيك وتخيل عواقب حركة ما، من سيُعيد تصورها بكامل البكسلات في عقله؟
تشانغ ليي: صحيح. إذا كان الدماغ البشري يحتوي على نموذج عالمي، فإن تصور الإنسان لكيفية تغيير الحركة للبيئة هو في الواقع عملية تتم في الفضاء الكامن، وليس من خلال مراجعة كل بكسل من المشهد بالكامل في العقل. لذا، فإن استخدام حكم العين البشرية على جودة الصورة كمعيار لتقييم النموذج العالمي غير كافٍ. إذا أرادت مسار البكسلات بناء نموذج عالمي، فما يجب السعي إليه حقًا ليس مدى واقعية البكسلات، بل أن تتبع سلسلة الفيديو المُولَّدة قوانين الفيزياء.
(ملاحظة الكاتب: يتناول هذا الحوار الخلاف بين الطريقتين في نماذج الذكاء الاصطناعي العالمية. فالفريق الذي يمثله Sora، والذي يركز على البكسلات، يهتم فقط بواقعية الصورة، لكنه يعاني غالبًا من أخطاء تتعارض مع المفاهيم الفيزيائية، مثل ارتفاع الأكواب أو اختراق الأجسام أو عدم إطفاء الشموع. أما الفريق الذي يدعمه ليكوان وتشانغ لي، فيعتمد على الفضاء المخفي، حيث يتم أولاً تجريد الصورة إلى قواعد ثم استنتاج النتائج، مما يجعله أكثر فهمًا للسببية الفيزيائية. الابتكار الرئيسي لتشانغ لي هو إدخال "هيكل الأجسام" في الفضاء المخفي، بحيث يُمكّن الذكاء الاصطناعي من التمييز بين الأجسام المستقلة مثل الأكواب والطاولات والأشخاص، ثم تعلم قواعد التفاعل بينها. وهذا يمنع الأخطاء البصرية مثل تلك التي تظهر في Sora، كما أنه أكثر ملاءمة من الفضاء المخفي المجرد تمامًا للروبوتات في تجنب العقبات والتقاط الأشياء وتنظيم الحركات في العالم الحقيقي.)
مراجعة تقنية الذكاء الاصطناعي: أنت تتبع نفس مسار الفضاء الضمني الذي يتبعه لي كون. لكننا سمعنا أن هناك فرقًا أساسيًا في منهجك، حيث تشدد على "إدخال هيكل الأجسام". ما هو الفرق الأساسي؟
تشانغ ليي: طريقتنا تتشارك مع ليكوان نفس المبدأ الأولي: دماغ الإنسان يقوم بالاستدلال المضاد للواقع ("ماذا لو فعلت هذا؟") بشكل مرتبط بالإجراء، ويُجري الاستدلال في التمثيلات المجردة، وليس بإعادة تشغيل البكسلات.
أثبت ليكوان خلال السنوات القليلة الماضية هذا المبدأ باستخدام I-JEPA وV-JEPA وLeJEPA: يجب أن تحدث التنبؤات في فضاء التمثيل. لكن تعقيد الفضاء الفيزيائي في الاتجاه الجسدي عالٍ جدًا، ونعتقد أنه لتطبيق هذه الطريقة على بيئات حقيقية واسعة النطاق، يجب إدخال بنية ضرورية في الفضاء الكامن.
هذه النظرة مستمدة من قدراتنا التي تم التحقق منها. لقد حلّ فريقنا الأساسي، الذي يقود تطوير DINO-X، مشكلة "رؤية الأجسام" في البيئات المفتوحة. لذا، أصبحت الأجسام الآن الوحدة الأساسية في تنبؤات وخطط نموذج العالم. بشكل بديهي، القوانين الفيزيائية تُطبّق على الأجسام، وفهم الأجسام من خلال التمثيل في الفضاء المخفي يمكّننا من تعلم القوانين الفيزيائية بكفاءة أكبر.
مراجعة تقنية الذكاء الاصطناعي: انتظر قليلاً، نريد طرح سؤال إضافي. لقد حصلت مختبرات AMI الخاصة بلي كون على تمويل بقيمة عدة مليارات دولار وتُركز بقوة على هذا الاتجاه. ما الذي يجعلكم تعتقدون أن تحسينكم المتمثل في "إدخال هيكل الجسم" سيتمكن من التقدم أكثر داخل إطاره الكبير؟
تشانغ ليي: نظرًا لأننا سبق أن قمنا بتطوير DINO-X، وهو نموذج عام للإدراك الكائني مفتوح، فقد وصلنا إلى أفضل أداء عالمي في "فهم الكائنات". فهمتنا لآلية النماذج البصرية، ولماذا يمكن للنماذج البصرية تحقيق مبررات فيزيائية، تتماشى تمامًا مع مسار فهم الكائنات العام الذي اتبعناه سابقًا.
ببساطة، طريقه ليكوان هي الإطار الأساسي، ونحن نضيف بنية الأجسام إلى هذا الإطار ونُحقّق إغلاقًا حلقيًا في البيئة الحقيقية. هذه القدرة على "الإغلاق الحلقي" هي ما بنيناه على مدار السنوات القليلة الماضية.
Why can the DINO series outperform Google and Meta?
مراجعة التكنولوجيا الذكية الاصطناعية: حقق فريقكم إنجازات مذهلة في مرحلة النماذج البصرية الكبيرة. فقد تفوق Grounding DINO وDINO-X الذي أُطلق لاحقًا على جوجل وميتا، وأصبحا معيارًا مُعتمدًا من قبل مؤسسات عالمية رائدة مثل فريق لي فيفي، ونفيديا، وجينيسيس جينيرال. لقد ناقشنا هذا الأمر داخليًا، وجميعنا شعرنا أنه "غير طبيعي" عادةً ما تكون الفرق الصينية هي التي تتبع الفرق الأجنبية، فكيف استطعتم أن تقلبوا المعادلة وتجعلوا الفرق الأجنبية تتبعكم؟
تشانغ ليي: بعدان بارزان.
من الناحية المنهجية، نحن أول فريق في مجال الرؤية الحاسوبية يحقق أداءً قياسيًا (SOTA) في الكشف باستخدام Transformer (هيكل تعلم عميق يعتمد على آلية الانتباه الذاتي، وهي الأساس الأساسي للنماذج اللغوية الكبيرة). وقد أدخل Grounding DINO المنهجية النموذجية للنماذج اللغوية، لأول مرة، ووسّع الكشف عن الكائنات إلى المجال المفتوح، حيث لم يعد النموذج مقيدًا بـ"القدرة على التعرف فقط على فئات الكائنات التي تم تدريبها"، بل يمكنه كشف أي كائن لم يُرَ من قبل. وحتى الآن، لا يزال أعلى نموذج مفتوح المصدر من حيث عدد الاستشهادات والتنزيلات، وهو ما يمكن اعتباره اختراقًا منهجيًا.
من حيث البيانات واستراتيجيات الهندسة، بعد Grounding DINO، انتقلنا إلى مسار مغلق وقمنا بتوسيع الأفكار التي تم التحقق منها. في الوقت نفسه، كنت أطلب مستوى عالٍ جدًا من الجودة في العمل. على الرغم من أن الفريق كان شابًا ولم يُنفّذ من قبل أعمالًا بهذا المستوى القوي، إلا أنني تمسكت بالحد الأدنى من المعايير وشددت على ضرورة تحقيق اختراق على مستوى الإصدارات الكبرى قبل الإطلاق. لذا، استغرقنا حوالي عام لطرح Grounding DINO 1.5، ثم ستة أشهر إضافية لطرح DINO-X. وقد أثبتت هذه الإصدارات التي تمت تطويرها على مدار أكثر من عام أن قبولها في الصناعة مرتفع جدًا.
مراجعة تقنية الذكاء الاصطناعي: ما العلاقة بين النماذج البصرية الكبيرة التي قمتم بتطويرها والنماذج العالمية التي تُصنع اليوم؟
تشانغ ليي: عملنا مترابط. سابقًا، كنا نعمل على إدراك الأجسام، وكان الهدف الأساسي هو توفير أساس إدراكي للروبوتات، وبعد ذلك استخدم العديد من الفرق Grounding DINO الخاص بنا لحل مشكلات فهم البيئة المتجسدة.
من حيث المسار التقني، فإن نماذج العالم أكثر توجهًا بصريًا من اللغة، وجميع أعمال نماذج العالم تقريبًا ليست مبنية على بنية لغوية بحتة مثل GPT.
من حيث تراكم الفريق، فإن فهمنا لآلية النموذج البصري يتماشى بشكل عالٍ جدًا مع مسار التقنية الأصلي المتعلق بفهم الكائنات العامة. وهذا ما يمنحنا الثقة في مواصلة تطوير نموذج العالم بشكل مستمر.
الفريق يتألف من أكثر من 20 شخصًا تم تطويرهم من خلال IDEA، وهو فريق مستقر جدًا. أثناء تطويرنا للنماذج مغلقة المصدر، كنا نجذب باستمرار أشخاصًا خارجيين يتمتعون بخبرة قوية في الخوارزميات والهندسة. هؤلاء الأشخاص الـ20+ هم "البذور" الحالية لـ ShiQi Future.
مسار التطور من نماذج DINO إلى النماذج العالمية
كيف يمكن جعل الذكاء الاصطناعي "يرى" الأشياء حقًا؟
مراجعة تقنية الذكاء الاصطناعي: قلت إن الحلول الحالية للمساحة المخفية "لا تفهم الكائنات حقًا"، فهي لا تعرف أي العناصر في المشهد هي كائنات مستقلة أو ما هي العلاقات بينها. نحن متحمسون لمعرفة: كيف نحدد هذا؟ كيف نعرف أن النموذج يفهم الكائنات حقًا وليس فقط يُحاكي الفهم؟
تشانغ لي: الفهم نفسه صعب التحقق منه مباشرة. لا يزال غير واضح كيف تفهم نماذج اللغة اللغة بالضبط؛ يمكننا فقط تقييمها من خلال السلوكيات الظاهرة. إذا أنتجت نصًا متسلسلًا يبدو غير مختلف عن كلام الإنسان، فتقول إنها تفهم.
تواجه النماذج العالمية معضلة مشابهة. من الصعب توضيح ما إذا كانت النماذج فهمت حقًا قوانين الفيزياء أو اكتشفت حقًا بنية الأجسام. سنحلل ذلك من خلال تصور الخطوات الوسيطة؛ وإذا كانت النتائج متوافقة مع الحدس البشري، فهذا يشير إلى أنها ربما اكتشفت بنية الأجسام.
مراجعة تقنية الذكاء الاصطناعي: هل هناك أي طرق اختبار محددة؟ هل يمكن إجراء تجربة لمعرفة ذلك؟
تشانغ ليي: نعم. الاختبار المضاد للوقائع هو طريقة جيدة، حيث يحاول النموذج تجربة إجراءات مختلفة لمعرفة ما إذا كان يمكنه تقديم نتائج فيزيائية معقولة. إذا كان بإمكانه تحقيق النتيجة الصحيحة حتى مع انحراف طفيف في المسار، فهذا يشير إلى أنه تعلم الأنماط؛ وإذا لم يستطع، فهذا يعني أنه ربما تعلم فقط ارتباطات إحصائية.
هذا يتطلب بصيرة كبيرة. كما قال البروفيسور ريتشارد ساتون، فإن الباحثين دائمًا ما يشعرون بالرغبة في مساعدة النموذج وغرس خبراتهم فيه. في السابق، كان باحثو نماذج اللغة يرغبون في تحليل البنية النحوية وتقديم التجزئة والعبارات لها، لكنهم في النهاية تغلبوا على النموذج البسيط المتمثل في "التنبؤ بالرمز التالي".
أنا أؤمن بشدة بقوة تكرار هذا النموذج المبسط. التصميم البشري المفرط فعال على المدى القصير، لكنه يعيق التكرار على المدى الطويل.
مراجعة التكنولوجيا الذكية: هناك بعض الأشياء الصعبة في العالم المادي، مثل الرمال المتحركة، والتيارات المائية، والدخان، والقماش، والتي لا تمتلك حدودًا واضحة. نحن قلقون من أن إطاراتكم "المتمحورة حول الجسم" قد تُقيّد نفسها بمفهوم "الجسم" نفسه.
تشانغ لي: نحن نفكر في هذا السؤال أيضًا. من الناحية التقنية، أسهل طريقة للدخول هي استخدام Mask لفصل بكسلات منطقة الجسم. على مدار السنوات القليلة الماضية، أصبحت فهم الدلالات للجسم والتنبؤ بـ Mask في مجال الرؤية الحاسوبية ناضجة جدًا، ويمكنها التعامل مع أجسام غير صلبة مثل الرمال المتحركة والمياه.
لذلك، البدء بـ Mask هو نقطة انطلاق عملية. وخبرتنا في إدراك الكائنات العامة أعمق من أي فريق آخر.
EgoTwin: تعليم يد الروبوت من خلال يد الإنسان
مراجعة تقنية الذكاء الاصطناعي: هناك مفهوم أساسي في إطارك التقني يُسمى "محاذاة الحركات"، حيث يتم تعيين حركات اليد البشرية، والمخلب ذو الإصبعين، واليد المرنة متعددة الأصابع ذات التكوينات المختلفة إلى نفس الفضاء الكامن. نحن نفهم هذا على أنه نوع من الترجمة للروبوتات، بحيث يمكنها فهم الحركات التي تُعبّر بها بلغات مختلفة، أليس كذلك؟
تشانغ لي: المدخلات الرئيسية للنموذج العالمي هي صورة (الحالة) والإجراء، لذا فإن فهم الإجراء أمر بالغ الأهمية.
محاذاة الحركة هي متطلب أساسي لمشكلات المتعدد الكيانات. إن محاذاة اليد البشرية مع الذراع الآلية أكثر صعوبة: إن مواقع المفاصل في الذراع الآلية في إحداثيات XYZ في الفضاء المادي معروفة بدقة، لكن بيانات اليد البشرية عادةً ما تكون فيديو ثنائي الأبعاد، حيث يلتقط الناس فيديو للطهي يحتوي فقط على صور ثنائية الأبعاد، وليس إحداثيات ثلاثية الأبعاد. الاستخدام المباشر المشترك يكون غير فعال للغاية.
نهجنا هو استخراج نقاط ثلاثية الأبعاد، وتحويل فيديو اليد البشرية ثنائي الأبعاد إلى سلسلة عمليات في الفضاء ثلاثي الأبعاد، ثم محاذاة بيانات الذراع الميكانيكية معها في نفس الفضاء الفيزيائي. وهذا ما يُعرف حاليًا في الصناعة بجمع ومعالجة بيانات Ego (بيانات العمليات البشرية المُجمعة من منظور الطرف الأول).
لقد كان EgoTwin الذي أصدرناه سابقًا يهدف أساسًا إلى حل مشكلات جمع البيانات هذه، ونحن نتعاون حاليًا مع فريق جمع البيانات في بaidu كلاود.
مراجعة تقنية الذكاء الاصطناعي: حلّ EgoTwin مشكلة بيانات "كيف تتحرك اليدين". لكننا نود أن نطرح سؤالًا إضافيًا: هل تحتوي مقاطع الفيديو البشرية على معلومات أعمق، مثل نية "لماذا تتحرك اليدين بهذه الطريقة"؟ كيف نتعامل مع هذا الجزء؟
تشانغ ليي: نترك فهم نوايا الإجراءات على مستوى أعلى للنماذج العالمية أو نماذج VLA، لكن بشروط أن تكون جودة البيانات نفسها كافية. المواد الخام للبيانات أمر بالغ الأهمية. فقد استثمرت الصناعة كمية كبيرة من الموارد البشرية والتكاليف في جمع البيانات، لكن في العديد من الحالات، لا تُستغل البيانات بكفاءة مثلى. التجربة الأساسية التي اكتسبناها من أعمالنا في Grounding DINO وDINO-X هي أن نجد أشخاصًا يفهمون الخوارزميات ليقوموا بعمل متعمق في جمع البيانات، وإلا فقد لا تُستخدم البيانات المجمعة إطلاقًا أثناء التدريب. من الضروري أن تتم المراجعة المتزامنة والمتكررة للخوارزميات والبيانات معًا.
تشانغ بو وشين يانغ: مُرشدان، لون أساسي واحد
مراجعة تقنية الذكاء الاصطناعي: لاحظنا أن هناك شخصين مؤثرين جدًا واقفين خلفك، الأكاديمي تشانغ بو (أحد رواد الذكاء الاصطناعي في الصين) والأخير شين شيانغ يانغ (نائب الرئيس التنفيذي السابق لشركة مايكروسوفت العالمية ورئيس معهد مايكروسوفت آسيا للبحوث السابق). أحدهما مُركز على الأكاديميا، والآخر على الصناعة، ونود أن نعرف ماذا أعطاك كل منهما؟
تشانغ لي: الأستاذ تشانغ بو هو دائمًا معلمي ونموذجي. تعرفت على الأستاذ تشانغ لأول مرة عندما دخلت قسم البحوث في جامعة تسينغهوا في مرحلة البكالوريوس، وكان مدير المختبر. كنت آنذاك أعمل على AGV (عربات إرشادية آلية)، وأقضي معظم وقت فراغي في المختبر لضبط الأجهزة وإجراء التجارب، وكنت أرى دائمًا الأستاذ تشانغ يوجه طلاب الدراسات العليا في أعمالهم المتعلقة بالروبوتات. لاحقًا، كان من حسن حظي أن أصبحت طالب دكتوراه تحت إشرافه. ما لا أنساه هو حساسيته الكبيرة تجاه التقنيات الجديدة وفضوله القوي. عندما أذهب إليه لعرض نتائج تجربتي والنقاش، كان دائمًا يجلس بحماس بجانبي ويقول: "غيّر هذا قليلًا وانظر ماذا يحدث". وكان يعمق فهمه بهذه الطريقة. يمكنك أن ترى كيف أن فهم عالم للخوارزميات والمسائل يُدفع تمامًا بالفضول.
نقطة أخرى لا تزال مفيدة حتى اليوم هي تأكيده على "أن تفهم الأشياء بشكل كامل"، فعدم الفهم الكامل يؤدي إلى التعرض للخداع، فقط عندما تفهم بشكل كامل تعرف كيف تعمل المبادئ الأساسية. أصبحت هذه الجملة لاحقًا مبدأً أتبعه مع طلابي: فهم شامل، والسعي لأفضل نتيجة.
أيضًا، كان لتأثير الأكاديمي شين شيانغ يانغ كبيرًا جدًا. خلال فترة عملي في مايكروسوفت، كان دائمًا مديري المباشر، ويمكن القول إنه أثّر على مسيرتي المهنية بأكملها: من الصين إلى الولايات المتحدة، هو من جذبني للذهاب، ومن الولايات المتحدة إلى شنتشن، هو من حثّني على العودة. بالإضافة إلى ذلك، كان لديه حسّ حاد في التوجّهات الصناعية، وقدم لي العديد من النصائح العملية وتجارب مفيدة في بناء الفريق والتمويل.
مراجعة التكنولوجيا الذكية: سمعنا أن الأستاذ تشانغ بو، البالغ من العمر 90 عامًا، ما زال يزور فريقكم للنقاش؟ هذا الأمر يُشعرنا بالحماس حتى نحن.
تشانغ ليي: نعم. في نوفمبر الماضي، دعته كلية الدراسات العليا في جامعة تسينغهوا للتحدث في شنتشن، وبعد أن أكمل محاضرته صباحًا، خصص بعد الظهر لفريقنا. قضينا كامل بعد الظهر في الحوار، وتناولنا العشاء معًا في المساء. لديه نطاق واسع جدًا من الرؤى، وقد قدم لنا العديد من النصائح حول اتجاهاتنا في فهم الرؤية العامة والروبوتات. على الرغم من تقدمه في السن، إلا أن أفكاره واضحة جدًا، ودرجة منطقه وعمق فهمه للمشكلات لا تقل بأي شكل عن تلك الخاصة بالشباب.
كل موجة تتجاوز التوقعات، لكن الموجة ستاتي بذاتها إليك
مراجعة تقنية الذكاء الاصطناعي: على مدار السنوات القليلة الماضية، شاركت بعمق في كل موجة، بدءًا من التعلم العميق، ثم النماذج الكبيرة، ثم النماذج الجسدية ونماذج العالم. نود أن نعرف: هل كان هناك لحظة واحدة شعرت فيها أن "هذا هو ما أريد فعله"؟
تشانغ ليي: إن عمل الكشف عن الأجسام قريب جدًا من الحالة التي ذكرتها. هذا العمل يجعلني فخورًا جدًا، لأنني أرى تقدمًا ثوريًا في整個 المجال.
نموذج العالم التالي هو أيضًا اتجاه يثير حماسي ويرغبني في تكريس جهدي الكامل له. يمكن الاستفادة من عملية التطور المتبادل بين التعلم المعزز ونماذج العالم على مدار العقود الماضية، وكذلك من نموذج النجاح الذي حققته نماذج اللغة. أعتقد أن هذا الاتجاه سيؤثر بشكل كبير على صناعة الذكاء الاصطناعي بأكملها.
مراجعة تقنية الذكاء الاصطناعي: غالبًا ما يُشار إلى لحظات التميز للباحثين، لكن الانخفاضات نادرًا ما تُذكر. هل مررت بفترات انخفاض تقني؟
تشانغ ليي: نعم. حوالي عام 2018، حاولت استخدام بيانات الرقابة الضعيفة للكشف عن الكائنات، حيث يمكن إجراء الكشف باستخدام تسميات الفئة للصور فقط، وتجنب وضع مربعات حول كل كائن. بدا هذا الأسلوب جذابًا جدًا، وقد قضيت فترة طويلة جدًا في محاولة تنفيذه، لكنني لم أحله بشكل كافٍ.
بعد ذلك، قمنا بتطبيق Grounding DINO على IDEA، حيث دمجنا فهم اللغة وقدرات الكشف، فحللنا المشكلة من زاوية مختلفة. جاء هذا الإنجاز من ناحية من الابتكارات التي أجريناها على نموذج الكشف DINO والتي وضعت أساسًا متينًا، ومن ناحية أخرى استفدنا إلى حد كبير من تطور نماذج اللغة. جاء إنجاز Grounding DINO في أواخر عام 2022 وأوائل عام 2023، بالضبط في وقت ظهور ChatGPT. هناك مقولة تقول: "عندما يكون البيانات كبيرة بما يكفي، يظهر الذكاء تلقائيًا"، فكلما زادت البيانات، أصبحت الخوارزميات أبسط.
أعتقد أن مواجهة العقبات أمر طبيعي، والمسألة الأساسية هي أن تمتلك العزيمة القوية للتركيز على مشكلة صعبة للغاية. إذا لم تنجح في هذه الدورة، فغيّر الزاوية، وفكّر فيها أثناء الأكل والنوم، وتدور حولها باستمرار. المشاكل الحقيقية الجيدة ستظل تشغل تفكيرك لسنوات عديدة، ثم في لحظة ما، قد تنبثق بشكل طبيعي قفزة نوعية.
مراجعة تقنية الذكاء الاصطناعي: الآن، يشارك العديد من الشباب في ريادة الأعمال المتعلقة بنماذج العالم، مثل تشين بويوان وجيا جي مينغ من نيجي ماتريكس، وباي يينتشي من شركة بايزيه، وهم حتى طلاب جامعيون. نحن نجد هذا الأمر مثيرًا للاهتمام، ما رأيك في هذا "الموجة الجديدة"؟
تشانغ ليي: هذا يشير إلى أن عتبة الدخول إلى البحث قد انخفضت بالفعل. قبل صعود التعلم العميق، كان على المشاركين الجدد قضاء سنوات في بناء الأساس. الآن، جعلت التقنيات المفتوحة المصدر التكنولوجيا أبسط، بحيث يمكن للمرء الدخول إلى هذا المجال بمجرد فهم Transformer. إن ميزة الشباب تكمن في عدم امتلاكهم أعباءً، مما يجعل من الأسهل عليهم تبني نماذج جديدة من مبدأ أولي. لكن المشكلات الحقيقية الصعبة تتطلب أيضًا باحثين مخضرمين يتمتعون بالبصيرة والفهم وقدرة التحكم في الاتجاه.
تتغير المواضيع السائدة باستمرار، لكن إذا كنت تتبعها فقط من أجل الموضة، فلن تتمكن من اللحاق بها. الجوهر هو: بغض النظر عن كيفية تغيّر الاتجاهات، فإن كل فريق يحتاج دائمًا إلى أكثر الأشخاص كفاءة. ما عليك سوى الحفاظ على رغبتك في التعلم ومتانة أساسياتك، وسيأتي إليك الاتجاه الأكثر تقدمًا من تلقاء نفسه.
إلهام
ما أثارنا أكثر في هذا اللقاء لم يكن إنجازات تشانغ لي التقنية البارزة، ولا حتى الجيل الشاب الذي قاده—المتدربون هوانغ زينغ، لي شولونغ، وأعضاء فريق مشروع الخوارزمية الأولى للكشف عن الوجه في مايكروسوفت، زهو لونغ، شياو رونغ، يان شويتشينغ.
ما أثرنا أكثر هو كلمة أعاد ذكرها مرارًا: "الفهم الكامل".
هذه الكلمة، ظل تشانغ لي يسجلها لمدة ثلاثين عامًا.
في مطلع التسعينيات، كانت حديقة تشينغهوا لا تزال تشهد الذكاء الاصطناعي كموضوع غير شائع لا يلفت انتباه أحد، وكان تشانغ لي طالبًا جامعيًا في قسم علوم الحاسوب يتعامل مع عربات AGV في المختبر. كان مدير المختبر يُوجّه طلاب الدراسات العليا في أعمال مرتبطة بالروبوتات، وهو ما أثر فيه بشدة، لاحقًا انضم إلى صفوفه كطالب.
مدير المختبر يُدعى زhang Bo، أحد مؤسسي الذكاء الاصطناعي في الصين. عندما يدعو زhang Lei دائمًا زhang Bo لمشاهدة نتائج التجربة معه، يجلس دائمًا بحماس بجانب زhang Lei، وينظر إلى الشاشة لحظة، ثم يمد إصبعه: "غيّر هذا قليلًا، وانظر ماذا سيحدث." إنه لا يتحقق من الواجبات، بل يريد حقًا معرفة ماذا سيحدث عندما تغيّر المعلمات.
ما علّمه تشانغ بو لتشانغ ليي، تلاشى لاحقًا في ثلاث كلمات: "افهم تمامًا".
من لا يفهم جيدًا سيُخدع، ومن يفهم جيدًا فقط سيعرف كيف تعمل المبادئ الأساسية.
روح جيل الصيني الأول من الباحثين تُنقل من خلال هذه الأمور الصغيرة الدقيقة.
في عام 2018، كان تشانغ لي يعمل على كشف الكائنات بمراقبة ضعيفة في مايكروسوفت، ولم ينجح، فلم يغير موضوعه.
إذا لم تنجح هذه الدورة، فغيّر الزاوية، فكّر فيها أثناء الأكل والنوم، وتدور حولها باستمرار.
هذا ليس بلاغة، بل هو يومه العادي.
بعد ذلك، ذهب إلى IDEA لتنفيذ Grounding DINO، حيث حلّ المشكلة من زاوية أخرى. كان لحظة الاختراق في أواخر عام 2022 مع ظهور ChatGPT — حيث تحسّنت قدرات نماذج اللغة، وصارت البيانات كافية.
استخدم تشانغ لي وصفًا: "يظهر بشكل طبيعي".
من تغيير معلمات عربات AGV إلى فهم النموذج العالمي، مرّت ثلاثون سنة. خلال هذه الثلاثين سنة، انتقل من استرجاع الصور الضخمة إلى الفهم البصري العام، وسعى دائمًا لفهم كل مشكلة بشكل شامل وتحقيق أفضل نتيجة ممكنة، حتى عاد مرة أخرى إلى اتجاه "بناء نموذج عالمي للروبوتات". تمامًا كما قال جوبز: "ربط النقاط" — كل شيء قمت به بجدية لن يكون مضياعًا.
في نهاية عام 2025، سافر تشانغ بو البالغ من العمر 90 عامًا إلى شنتشن لإلقاء محاضرات. بعد إتمام المحاضرة صباحًا، توجه بعد الظهر مباشرة إلى مكتب ShiQi Weilai. اجتمع حوله سبعة أو ثمانية شباب، وألقى لهم محاضرة كاملة بعد الظهر، ثم تناولوا العشاء معًا في المساء، وتحدث عن تجاربه أثناء دراسته وعن تقييماته لهذا المجال. كانت أفكاره واضحة ومنطقه دقيقًا، ولم يُضاهِه أي شاب في ذلك. كما حدّثه تشانغ لي أيضًا عن الأشياء التي يقوم بها حاليًا.
البروفيسور تشانغ بو في "رؤية المستقبل"، تشانغ لي يشرح لأساتذته تقدم البحث
قبل ثلاثين عامًا، في حرم تشينغهوا، جلس المعلم بجانب الطالب وقال: "قم بتعديل هذا، وانظر كيف سيكون."
بعد ثلاثين عامًا، في مكتب شنتشن، يشرح الطالب للمربي البالغ من العمر 90 عامًا النموذج العالمي الذي يعمل عليه.
هذا مشهد إعادة إنتاج مُؤثِّر للغاية.
البشر يشيخون، والمد ينحسر، والمواضيع الساخنة تبرد، لكن إصرار العلماء الصينيين على "فهم" كل مشكلة عالمية بشكل شامل لم يتغير أبدًا. Leifeng.com