أطلقت Variance Robotics نموذجها العالمي التكراري التالي للقياس الأول، WALL-SS، بهدف حل مشكلة عدم اتساق السبب والنتيجة في نماذج عوالم الروبوتات. يعتمد هذا النموذج على آلية تنبؤ هرمية من عام إلى دقيق، مما يضمن أن كل إجراء يتوافق بدقة مع نتيجة محددة، ويوفر تنبؤًا متصلًا يصل إلى 60 ثانية. أظهرت الاختبارات أن درجة متابعة الإجراءات الخاصة بـ WALL-SS بلغت 0.29، وهي أعلى بكثير من 0.044 الخاصة بـ Cosmos3-Nano. أنجزت Variance 600 تجربة مزدوجة افتراضية-حقيقية، ووصل معامل الارتباط لنجاح المهمة إلى 0.926، مما يدل على أن نموذج العالم يمكنه مساعدة الروبوتات على التحقق من الاستراتيجيات مسبقًا في البيئات الافتراضية.

كاتب المقال، المصدر: جيتشي بارك

المعركة القادمة في نماذج عوالم الروبوتات قد لا تكون في جودة الصورة، بل في البنية.

المؤلف | Li Yuan

تحرير | تشينغ هوان

مقبض ذراع ميكانيكية لم يلمس الكوب، لكن الكوب ارتفع مع المقبض كما لو كان ممتصًا بمغناطيس. هذه المشكلة التي تبدو سخيفة تُشكل تحديًا لنماذج الروبوتات، بل وأطلق عليها الصناعيون اسم "الإمساك بالمغناطيس".

نموذج توليد الفيديو يكفي أن يبدو المشهد معقولًا ليُعتبر قد أكمل مهمته؛ لكن النموذج العالمي لا يمكنه فقط السعي وراء "الواقعية". فمعظم بيانات تدريب الروبوتات تأتي من عروض ناجحة، مما يجعل النموذج يلجأ إلى مسارات مختصرة: بدلاً من فهم الفروق الدقيقة في الحركات، يولد مباشرةً النتيجة الأكثر احتمالًا بناءً على الصورة.

في العالم الحقيقي، قد يؤدي انحراف موضع الممسك ببضعة ملليمترات إلى تغيير النتيجة من التقاط الكوب إلى إسقاطه أو الفشل في التقاطه تمامًا. ما يحتاجه نموذج العالم حقًا لفهمه هو العلاقة السببية بين الحركة والنتيجة.

في 27 أغسطس، أطلقت Self-Variable Robotics نموذج عالم تكراري جديد بمقاييس أكبر، WALL-SS، في محاولة لتحويل نماذج العالم من "قابلة للاستخدام" إلى "سهلة الاستخدام". لا يولد WALL-SS الصورة بأكملها دفعة واحدة، بل يرسم المستقبل بطريقة من خشنة إلى دقيقة، مما يضمن أن كل إجراء يتوافق بدقة مع نتيجة محددة؛ كما يدمج آلية الذاكرة الطويلة الأمد لتحقيق استنتاج متصل يصل إلى 60 ثانية.

أظهرت الاختبارات أنه بعد محاكاة مستمرة لمدة 60 ثانية، ظل إطار WALL-SS ومسار الحركة أقرب إلى الفيديو الحقيقي، مع تحقيق درجة متابعة الحركة قدرها 0.29، بينما كانت درجة Cosmos3-Nano 0.044، ووصلت نماذج الاختبار الأخرى إلى 0. يمكن القول إن WALL-SS من بين النماذج القليلة التي تتنبأ بالصور بحيث تتبع أوامر الحركة.

كما أعلنت Self-Variable في نفس الوقت عن إصدار WALL-SS. بالنسبة لنماذج عوالم الروبوتات التي لم تشكل بعد مسارًا تقنيًا موحدًا، فإن معنى الإصدار لا يقتصر على فتح نموذج واحد، بل يشمل أيضًا تمكين الصناعة من التحقق معًا: هل تُجري نماذج العوالم تنبؤات بناءً على الإجراءات؟ وهل يمكن للمحاكاة الافتراضية أن تخدم الروبوتات الحقيقية فعليًا؟

عندما لا تكون النماذج التقنية قد تركزت بعد، فإن الاستكشاف المستمر هو في حد ذاته تنافسية. الذكاء الجسدي لا يحتاج فقط إلى أجهزة يمكن تنفيذها بسرعة، بل يحتاج أيضًا إلى شركات تتحدى باستمرار المسارات الحالية وتوسع حدود التقنيات الأساسية.

نموذج العالم، المسار الرئيسي للذكاء المتجسد

في عام 2026، تصبح نماذج العالم واحدة من أكثر الاتجاهات التقنية إثارةً في مجال الروبوتات.

تستمر NVIDIA في تطوير Cosmos وبدء استخدام نماذج الفيديو العالمية للتحكم في الروبوتات والتخطيط؛ بينما تحاول V-JEPA 2 من Meta تمكين الروبوتات من إكمال عمليات التقاط في بيئات غير مألوفة من خلال التنبؤ بتغيرات العالم الفيزيائي. وبدأت مزيد من الأبحاث في استكشاف استخدام نماذج العالم كبديل جزئي للاختبارات الفعلية، بحيث يمكن للروبوتات التنبؤ بنتائج استراتيجيات مختلفة في العالم الافتراضي قبل "القيام بالعمل".

ليس من الصعب فهم هذه الموجة. تتعلم النماذج اللغوية الكبيرة قواعد اللغة من خلال التنبؤ بالكلمة التالية، بينما تتنبأ نماذج العالم باللحظة التالية للعالم: هل سيُسكب الكوب عندما يتحرك الروبوت إلى اليسار؟ هل يمكن للمسامير أن تلتقط الجسم إذا ضغطت قليلاً أكثر؟ ماذا سيصبح المشهد في النهاية إذا استمرت الحركة لمدة عشر ثوانٍ؟

هذا مهم بشكل خاص للذكاء الجسدي. على مدار السنوات القليلة الماضية، ركزت الصناعة بشكل أساسي على حل مشكلة "كيف" تقوم بها الروبوتات، حيث يمكن للـ VLA إنتاج الحركات مباشرة بناءً على أوامر بصرية ولغوية. ولكن مع تحسن قدرات الروبوتات، أصبحت مشكلة جديدة أكثر وضوحًا: كيف نحدد ما إذا كانت استراتيجية ما جيدة أم لا؟

إذا اعتمد كل تكرار للنموذج على اختبارات على الأجهزة الحقيقية، فسيكون التكلفة مرتفعة والدورة طويلة، مما يجعله بسهولة عقبة أمام التدريب والتكرار. على الرغم من أن المحاكاة التقليدية يمكنها تحمل جزء من الاختبارات، إلا أنها تتطلب نمذجة يدوية لخصائص المواد، والاحتكاك، والتشوه، وعلاقات التلامس، مما يجعل من الصعب تغطية تعقيد العالم الحقيقي. أما نماذج العالم، فهي تحاول تعلم كيفية تغير العالم من خلال مقاطع الفيديو الحقيقية وبيانات التفاعل مع الروبوتات، مما يسمح للروبوتات بالتنبؤ والتحقق من الاستراتيجيات مرارًا وتكرارًا في بيئة افتراضية.

يمكنه حتى المشاركة بشكل أعمق في قرارات الروبوت. بعد رؤية الكوب، تقرر VLA مباشرةً "التمدد لالتقاطه"، بينما يمكن للنموذج العالمي أن يتوقع عواقب الحركات المختلفة أولاً، ثم يساعد الروبوت على اختيار استراتيجية أكثر ملاءمة — من "العمل المباشر" إلى "التخيل أولاً، ثم التصرف".

لكن لتصبح نموذجات العالم اليوم بنية تحتية حقيقية للذكاء المتجسد، لا تزال تواجه ثلاثة عتبات رئيسية.

أولاً، الاتساق السببي بين الحركة والنتيجة. لا يمكن للنموذج أن يولد فقط صورًا تتوافق مع التوقعات، بل يجب أن يعكس بدقة النتائج الناتجة عن الحركة، وإلا فقد يتم اعتبار استراتيجية لا تستطيع التقاط الكوب بنجاح في العالم الافتراضي.

ثانيًا: قدرة الاستدلال الطويلة المدى. غالبًا ما تستغرق مهام الروبوتات عشرات الثواني أو أكثر، ويجب على النموذج أن يُدخل تنبؤاته المستمرة كمدخلات للحظة التالية، حيث يمكن لأي خطأ صغير أن يتراكم أثناء الاستدلال المستمر.

الثالث هو الاتساق بين التنبؤ الافتراضي والتنفيذ الفعلي. حتى لو كان التوليد دقيقًا جدًا أو التنبؤ طويلًا جدًا، فهذا لا يعني أن النموذج قادر حقًا على تقييم استراتيجيات الروبوت. فقط عندما يكون الأداء في العالم الافتراضي قادرًا على إنشاء علاقة مستقرة مع النتائج الفعلية، يصبح نموذج العالم قادرًا حقًا على استبدال بعض التجارب والخطأ الحقيقية.

هذه الحواجز الثلاثة تصبح أيضًا محور المنافسة في المرحلة القادمة للنماذج العالمية.

WALL-SS، تحسين نموذج العالم من أسس البنية التحتية

WALL-SS هو محاولة جديدة موجهة لحل هذه المشكلات. وفقًا لوصف الورقة، فهو أول نموذج عالمي يستخدم بنية التنبؤ الذاتي على المقياس التالي.

سابقًا، اعتمد العديد من نماذج العالم فكرة تفريق الفيديو: إدخال المشاهد والإجراءات التاريخية، ثم توليد الفيديو المستقبلي من خلال تكرار إزالة الضوضاء. على الرغم من أن الإجراءات هي شرط للإنشاء، إلا أنها لم تُكتب صراحةً في سلسلة التوليد "الإجراء → النتيجة"، لذا فإن النموذج يعتمد بسهولة على المعرفة البصرية ويتنبأ مباشرة بمستقبل "ذو احتمال نجاح عالٍ" — حتى لو لم يُمسك المقبض الكأس فعليًا، فقد يُولد مشهدًا يُظهر رفع الكأس بنجاح.

يقوم WALL-SS بتنظيم الملاحظات والإجراءات في سلسلة سببية تُعرف بـ"ملاحظة—إجراء—ملاحظة جديدة"، مما يسمح للإجراءات بالمشاركة الفعلية في توليد الحالة المستقبلية. وببساطة، يتم أولاً تحديد كيفية تغير العالم، ثم تكميل التفاصيل تدريجيًا: حيث يُحدد المقياس الخشن الحالة التقريبية للذراع الآلية والجسم، ثم يُكمل المقياس الدقيق الحركة والاتصال. بالإضافة إلى ذلك، يتم دمج بيانات الفشل والاستلام والتصحيح لتمكين النموذج من تعلم أن "الإجراءات المختلفة تؤدي إلى نتائج مختلفة".

تم التحقق من هذه القدرة من خلال المؤشرات. حقق WALL-SS درجة متابعة الإجراءات 0.29 ودقة المسار 0.539؛ بالمقارنة، لم تتجاوز درجة متابعة الإجراءات لـ Cosmos3-Nano 0.044. حصلت النماذج الأخرى على درجة صفر.

مشكلة أخرى حاسمة هي ما إذا كان نموذج العالم قادرًا على "التذكر لفترة كافية". يحافظ WALL-SS على التفاصيل الحديثة من خلال ذاكرة طويلة المدى متعددة المقاييس، ويُضغط التاريخ البعيد، ويسمح للنموذج بالاستمرار في التنبؤ بحسب تنبؤاته الخاصة أثناء التدريب، مما يقلل من مشكلة تراكم الأخطاء. هذا يمكّن النموذج من الاستمرار في التنبؤ لمدة 60 ثانية، بينما يُعدّ 20-30 ثانية الحد الأقصى للنماذج الأخرى.

الأهم من ذلك، تم اختبار هذه القدرات أخيرًا على أجهزة فعلية. قام المتغير المستقل بتنفيذ نفس الاستراتيجية على WALL-SS والروبوتات الحقيقية، وأنهى 600 تجربة مزدوجة افتراضية-حقيقية. أظهرت النتائج أن معامل الارتباط بين نجاح المهام في كلا الحالتين بلغ 0.926، وبلغت دقة ترتيب قوة الاستراتيجيات المختلفة 89%.

هذا يعني أن نماذج العالم تبدأ في امتلاك قيمة أكثر أهمية: ليس فقط توليد مستقبل "يبدو حقيقيًا"، بل أيضًا القدرة على مساعدة الروبوتات على تقييم النتائج التي ستنتج عن حركات مختلفة، والتحقق من الاستراتيجيات مسبقًا في العالم الافتراضي.

بالطبع، لا تزال هناك حدود لـ WALL-SS. تشمل مدخلات الحركة بشكل رئيسي موضع واتجاه طرف الذراع الميكانيكية وفتح وإغلاق الممسك، ولا تشمل حالة المفاصل الكاملة أو القوى والعزوم، لذا فإن دعم التلامس الدقيق واليد الذكية متعددة الأصابع لا يزال بحاجة إلى مزيد من التحقق.

استمر في الابتكار المعماري حتى لا يتقارب المسار

WALL-SS ليس نتيجة مفاجئة لمسارعة الذاتية نحو موجة نماذج العالم. على مدار العام الماضي، كانت الذاتية تستكشف نفس المشكلة: كيف يمكن ربط فهم الروبوت للعالم وتوقعاته للإجراءات بالتنفيذ الفعلي.

يُدمج WALL-OSS من خلال التدريب المسبق متعدد النماذج على نطاق واسع، الرؤية واللغة وأفعال الروبوتات في نموذج أساسي متجسد واحد؛ ويُعزز WALL-OSS-0.5 قدرات التدريب المسبق نحو النقل إلى الروبوتات الحقيقية؛ ثم يبدأ WALL-WM في النمذجة المشتركة لتغيرات العالم وأفعال الروبوتات، بينما يستكشف X-Tokenizer كيفية دمج أنواع مختلفة من الروبوتات وأفعال مختلفة داخل نموذج موحد. وفي WALL-SS، تتجه هذه المسار نحو مسألة جوهرية أخرى: ما الذي سيحدث للعالم بعد تنفيذ فعل معين؟

مُرورًا عبر هذه السلسلة من الاستكشافات، هناك استثمار طويل الأمد في النمذجة الموحدة للعلاقة بين "العالم-الحركة". يجب أن يكون الروبوت قادرًا ليس فقط على التنقل، بل أيضًا على توقع عواقب أفعاله وتصحيح سلوكه باستمرار بناءً على النتائج. مع تراكم النماذج والبيانات والكائنات والخبرات العملية، تتشكل هذه الاستكشافات تدريجيًا في حلقة تغذية راجعة تقنية.

أما البنية التحتية للذكاء الجسدي، فهي بعيدة كل البعد عن التقارب. في هذه المرحلة، ما يهم حقًا ليس أن تُصِيب الإجابة النهائية في كل محاولة، بل القدرة على طرح افتراضات جديدة للبنية باستمرار، واختبارها باستخدام البيانات والآلات الحقيقية، ثم تعديل المسار بناءً على النتائج.

يُعد إعلان هذا الإصدار لـ WALL-SS استمرارًا لهذا المنظور. فما يتم إصداره ليس نموذجًا واحدًا فحسب، بل مجموعة من خطوات التقنية التي يمكن للصناعة التحقق منها معًا: هل يكون النموذج التكراري على المقياس التالي أكثر ملاءمة للروبوتات؟ هل يمكن تحقيق تطابق حقيقي بين الحركات والنتائج؟ وهل يمكن للاختبارات الافتراضية أن تعكس أداء الروبوتات الحقيقية؟ يمكن للباحثين الاستمرار في الاستكشاف بناءً على هذا الأساس، كما يمكن للشركات الروبوتية التحقق مباشرة من إمكانية دمجه في أنظمة التدريب والتقييم الخاصة بها.

هذا أيضًا يمثل أهمية أكبر لإطلاق هذا في صناعة الذكاء الجسدي المبكر: تقليل تكاليف استكشاف الصناعة، وتمكين مسارات مختلفة من الخضوع للاختبار في التطبيقات الواقعية.

على مدار السنوات القليلة الماضية، ركز التنافس في الذكاء الجسدي المحلي بشكل أكبر على الجسم، والبيانات، وتنفيذ المنتجات. لكن صناعة لم تُحدد بعد لا يمكنها الانتظار حتى ظهور هياكل ناضجة ثم تحاول اللحاق بالركب، بل تحتاج أيضًا إلى أشخاص يدخلون مجالات أكثر جوهرية مثل نماذج العالم، وتمثيل الحركة، وأنماط التعلم، للبحث المستمر عن الاحتمال التالي.

WALL-SS ليس بالطبع الإجابة النهائية، لكنه يمثل تغييرًا: بدءًا من الشركات المحلية في عدم مجرد متابعة المسارات القائمة، بل في طرح افتراضات هندسية خاصة بها وفتحها أمام تقييم الصناعة.

عندما يحدث التحول الحقيقي في المسار التقني، ما يحدد نجاح الشركة ليس ما إذا كانت قد تابعت الجيل السابق، بل ما إذا كانت قد حافظت دائمًا على قدرتها على استكشاف الجيل التالي.