النتيجة الكبيرة للذكاء الجسدي قادمة!!!
منذ نشر Generalist الأسبوع الماضي للدماغ الجسدي Gen 1.5 الذي يمكنه تعلم حركات تتراوح بين 3 إلى 12 ثانية～
للتو، أطلقت Skild AI، وهي شركة ناشئة أمريكية شمالية في مجال الروبوتات، نموذجًا أساسيًا جديدًا للروبوتات يُسمى S1، ورفعت طول مهام التعلم السياقي للروبوتات إلى أكثر من 10 دقائق.
يُركز S1 هذه المرة على التعلم في السياق (in-context learning، ICL):
لا حاجة لتعلم بيانات تشغيل جديدة خلال مرحلة ما بعد التدريب؛ فقط بمشاهدة فيديو توضيحي إنساني واحد، يمكنه "تقليد السلوك" وإكمال سلسلة كاملة من العمليات المعقدة التي لم يرها من قبل.
في العرض التوضيحي الرسمي، أكمل الروبوت مهامًا طويلة المدى مثل إعداد البانكيك، وتحضير القهوة، ونقل النباتات إلى أوعية جديدة، وتركيب المعدات. كما حقق معدل نجاح قدره 66% في مهام لم يسبق له رؤيتها، وهو ما يفوق بكثير VLA المعتمد على التلميحات اللغوية (9% فقط).
بالإضافة إلى ذلك، حتى لو اتبعت مسار التدريب الدقيق التقليدي، فإن محاولة مجاراة أداء S1 الذي يعتمد على عرض واحد فقط تتطلب تقريبًا إدخال 380 عرضًا للمهمة.
رائع جدًا!
يمكن القول إن الموجة الأخيرة من الأعمال التي ركزت على التعلم السياقي أعادت إشعال الأمل لدى العديدين في المجال الجسدي.
أشار مستخدم على تويتر إلى أن الروبوتات الشاملة قد تظهر بعد عامين، وليس بعد سبع سنوات.
كما أشار بعض المستخدمين إلى أن لحظة GPT الحقيقية للروبوتات تبدو على وشك الحدوث، بدءًا من Rhoda، ثم Generalist الأسبوع الماضي، وحتى مهام الـ10 دقائق الحالية لـ Skild S1.
لأنه بمجرد أن تصبح هذه القدرة معممة حقًا، قد يصبح تطوير مهارات الروبوتات في المستقبل مثل كتابة مُحفزات لـ ChatGPT.
هل هو فعلاً بهذا السحر؟ دعونا نلقي نظرة معًا.
من عصر BERT إلى عصر GPT
للفهم الحقيقي لكيفية تعلم S1 هذه المرة، يجب أن ننظر أولاً إلى كيفية تعلم الروبوتات التقليدية مهارة جديدة.
في الأنبوب التقليدي، فإن تعلم الروبوتات يشبه إلى حد كبير النماذج الكبيرة:
يتم التدريب المبدئي على كميات هائلة من البيانات لتعلم بعض القدرات الأساسية؛ ثم في السيناريوهات المحددة، يتم جمع بيانات مخصصة لمهام معينة من خلال التدريب اللاحق لتمكين الروبوت من اكتساب مهارات متخصصة.
لكن المشكلة تكمن في أن الروبوتات والنماذج الكبيرة، رغم تشابه العمليات، فإن تكاليف البيانات ليست على الإطلاق نفس الشيء.
بيانات التدريب المسبق للنماذج الكبيرة تأتي بشكل كبير من الإنترنت؛ حتى في السيناريوهات المتخصصة مثل البرمجة والوكلاء، يمكن الحصول على العديد من بيانات ما بعد التدريب بسرعة عبر الإنترنت، أو حتى توليدها تلقائيًا.
لكن الروبوتات تكون في موقف أسوأ. بيانات التدريب المسبق يجب جمعها من العالم الحقيقي، وبيانات التدريب اللاحق لا تزال تحتاج إلى جمعها من العالم الحقيقي.
لذلك، في مدونة تقنية، تحدثت Skild AI مباشرة:
إذا كان نموذج روبوت أساسي يتطلب ما لا يقل عن عشرات أو مئات الساعات من بيانات الروبوتات الحقيقية لكل مهمة جديدة، ثم إعادة التدريب، فأنا أتساءل: أين يكمن الأساس في هذا "النموذج الأساسي"؟
وحتى أنهم استشهدوا بدراسات سابقة تشير إلى أنه إذا كان هناك كمية كافية من البيانات لمهام جديدة، فقد تتمكن النماذج المدربة من الصفر من مجاراة النماذج الأساسية التي تم تدريبها مسبقًا ثم تحسينها.
إذًا، ما معنى التدريب المُجسَّد؟
الإجابة التي قدمها Skild هي: التعلم السياقي.
للحصول على مرجع مقارن، جلب سكيل مسار تطور النماذج الكبيرة كمرجع.
كان BERT المبكر قويًا بالفعل، لكنه غالبًا ما كان يتطلب إعداد بيانات جديد وضبط دقيق مرة أخرى عند مواجهة مهمة جديدة.
ما غيّر القواعد حقًا هو قدرة التعلم السياقي التي ظهرت تدريجيًا بعد GPT-3:
لا حاجة لتعديل أوزان النموذج، فقط قدم أمثلة قليلة في المطالبة، وسيتعلم النموذج مؤقتًا مهمة جديدة.
بناءً على ذلك، يعتقد سكيلد أن الروبوتات حاليًا لا تزال عالقة في عصر مشابه لـ BERT، وأن ما ترغب فيه حقًا هو تمكين الروبوتات من إجراء نفس التحول النموذجي.
بمعنى آخر، القيمة الحقيقية للتدريب المسبق لا ينبغي أن تكون مجرد تقليل كمية البيانات المطلوبة للتدريب اللاحق، بل تمكين الروبوت من اكتساب القدرة النهائية على "التعلم مباشرة من السياق".
التعلم السياقي
إذًا، ما الذي تعلمته S1 من السياق هذه المرة؟
يعتقد Skild أن هناك بُعدين فقط يمكنهما اختبار قدرة الروبوت على التعلم السياقي:
أحدهما هو能否学会在训练时从未见过的新技能؛ والآخر هو能否重新组合既有技能以完成一个漫长而复杂的全新任务.
على سبيل المثال، يمكن للروبوت تعلم كيفية صنع البيض المقلوب بمجرد مشاهدة فيديو واحد لقلب البيض—
حتى لو لم تكن هذه المهارة ظهرت من قبل في بيانات تدريبه.
في الوقت نفسه، مقارنةً بالفيديوهات التي تستغرق ثوانٍ التي أظهرتها Gen-1.5 الأسبوع الماضي، قدمت S1 هذه المرة تعلم السياق حتى أطول مدة وهي 10 دقائق.
في مهام مثل زراعة النباتات، تتطلب كل مهمة إكمال عشرات الخطوات المتتالية. في عروض هذه المهام الطويلة، لا يكفي أن يقوم الروبوت بمحاكاة الحركات، بل يجب أن يعرف:
أين أنا الآن، وماذا يجب أن أفعل بعد ذلك، كيف أدمج المهارات معًا، وكيف أستمر إذا أخطأت في منتصف الطريق.
بمعنى آخر، يجب على الروبوت فهم نية المهام والإجراءات في العرض المرئي حقًا، والتفاعل مع المواقف بشكل مرن وديناميكي، وليس فقط تقليد السلوك بشكل بسيط.
بالإضافة إلى ذلك، في مهمة إعادة زراعة النباتات، استغرق الأمر فقط 11 دقيقة من بدء تسجيل العرض التوضيحي حتى قيام الروبوت بالمهام بنفسه، مما يفوق مباشرةً الكفاءة التقليدية بعد التدريب.
في النهاية، خلال العملية بأكملها، لم يستخدم S1 التخصيص الدقيق أو التدريب بعد التدريب، وظلت أوزان النموذج غير متغيرة تمامًا، واستُخدمت نفس مجموعة الأوزان لإكمال جميع المهام المعروضة في المدونة.
تم تحقيق التوافق الأساسي بين الانتقال من نماذج كبيرة تتطلب ضبطًا مخصصًا لسياقات معينة مثل Bert، إلى GPT-3 الذي يمكنه إنجاز مهام خارج التوزيع (OOD) فقط من خلال العروض التوضيحية.
الفرق الوحيد هو أن المُحفّز المستخدم لم يعد لغة، بل استُخدمت مقاطع فيديو للإجراءات التي تتماشى بشكل أفضل مع المهام اللاحقة.
تجربة: هل ICL أكثر قدرة على التوسع حقًا؟
في الجزء التجريبي، قارن Skild بين مُحفزات الفيديو ICL والمُحفزات اللغوية التقليدية VLA على المهام التي رُئيت أثناء التدريب والمهمات غير المألوفة.
أظهرت نتائج الاختبار أن مُحفزات اللغة تعمل بشكل أفضل عندما يكون بيانات التدريب 1000 ساعة فقط، بينما مع زيادة حجم البيانات، يبدأ ICL في تجاوزها.
عند الوصول إلى 100,000 ساعة، كانت الأداء على المهام التي تم رؤيتها أثناء التدريب: ICL 96٪، وتعليمات اللغة 89٪.
وفي مهام OOD الحاسمة حقًا: ICL 66٪، بينما يبلغ مُحفز اللغة 9٪، مما يخلق فجوة تزيد عن سبعة أضعاف.
لاختبار قابلية التعميم لـ S1، أجرت Skild اختبارات إضافية تحت ظروف تجريبية مختلفة.
أظهرت النتائج أن انخفاض أداء Prompt VLA للغة يصل إلى ثلاثة أضعاف أداء ICL.
بمعنى آخر، ما تتعلمه ICL ليس تكرارًا ثابتًا للإجراءات في سيناريوهات محددة، بل إعادة تخطيط أفضل بناءً على البيئة الحالية.
أخيرًا، من حيث التعلم بعرض واحد.
حقق S1 نجاحًا بنسبة 66% في المهمة الجديدة دون أي تدريب ما بعد التدريب، وشاهد فقط مثالًا فيديو واحدًا.
على النقيض، يتطلب VLA التقليدي حوالي 380 جلسة تدريب بعد التدريب للوصول إلى نفس المستوى.
بالطبع، بعد الاستمرار في التراكم حتى 2000 عرض، يمكن للتدريب التقليدي بعد التدريب تحقيق 86%.
إذًا، الاستنتاج قد لا يكون "لم يعد هناك حاجة لتدريب الروبوتات في المستقبل"، بل:
في السابق، كان يتطلب تعلم مهارة جديدة أن تُدرّس مئات المرات، أما الآن، فبمجرد مشاهدتها مرة واحدة، يمكنك تنفيذها مباشرة بمستوى 60-70.
وهذا ما يسميه Skild قانون التوسع ICL:
كلما زادت البيانات، لا يكتسب النموذج فقط مهارات أكثر، بل يصبح أفضل في "تعلم المهارات من العروض التوضيحية".
من هو Skild AI؟
تأسست Skild في عام 2023، وخلفها اثنان من الوجوه المألوفة في دائرة الروبوتات بجامعة كارنيغي ميلون: ديباك باثاك وأبيناف غوبتا.
كلاهما أستاذ في معهد الروبوتات بجامعة كارنيغي ميلون، حيث يركز ديباك على تعلم الروبوتات، والتعلم المعزز، والرؤية الحاسوبية، بينما يُعد أبهيناف خبيرًا في مجال الرؤية الحاسوبية والتعلم الذاتي الإشرافي.
في عام 2022، سبق أن تعاون الشخصان على مشروع WHIRL، حيث جعلا الروبوتات تتعلم تقليدًا واحدًا من خلال مشاهدة مقاطع فيديو بشرية، ويمكن القول إن مسار S1 هذا لم يظهر فجأة من بين الصخور.
كشركة نجمة في مجتمع التمثيل في أمريكا الشمالية، حصلت Skild في عام 2024، بعد خروجها من وضع التخفي، على جولة تمويل من الفئة A بقيمة 300 مليون دولار وبقيمة سوقية قدرها 1.5 مليار دولار؛
بحلول يناير من هذا العام، تم إكمال جولة تمويل من الفئة C بقيمة 1.4 مليار دولار أمريكي، وارتفع التقييم إلى أكثر من 14 مليار دولار أمريكي، بقيادة SoftBank، مع استمرار NVIDIA وبيزوس في المشاركة. خلال أكثر من عامين، ارتفع التقييم تقريبًا عشر مرات.
من منظور مقارنة أفقية، فإن موقع Skild في دائرة الجسم في أمريكا الشمالية أيضًا فريد جدًا.
بالمقارنة مع PI، يبدو أن Generalist تركز أكثر على "روبوتات GPT"، حيث شددت مؤخرًا على كونها متعلمة بواحدة فقط، بالإضافة إلى الزخم الكامل لـ Genesis AI و Sunday، بينما ركزت Skild دائمًا على جملة واحدة: أي روبوت، أي مهمة، عقل واحد.
إنها تركز أكثر على التعددية الجسدية، وترغب في أن يكون نفس Skild Brain قادرًا على التشغيل على أذرع ميكانيكية، وذوات أربع أرجل، وإنسانoids، وغيرها من الأجسام المختلفة.
ببساطة، الهدف هو أن تصبح "أندرويد" عصر الروبوتات: طبقة ذكية يمكن إدخالها في أجسام مختلفة.
وهذا يحدد استراتيجية بيانات Skild: كل شيء.
يُنظر Skild إلى بيانات الروبوتات من خلال ثلاثة أبعاد: proximity للعتاد، والتنوع، والقابلية للتوسع:
التحكم عن بُعد عبر جهاز حقيقي هو الأقرب إلى العتاد، لكنه مكلف؛ الفيديوهات البشرية من منظور أولي سهلة التوسع بشكل كبير، لكنها تختلف كثيرًا عن جسم الروبوت؛ المحاكاة رخيصة ويمكن إنتاجها بكميات كبيرة، لكنها تعاني من فجوة المحاكاة إلى الواقع.
لذلك فإنهم يعتمدون استراتيجية استخدام الجميع بالنسبة لـ Robot Teleop و UMI و Egocentric Video و Simulation.
أما ICL الخاص بـ S1، فهو أيضًا امتداد طبيعي لهذا المسار:
سبتمبر 2025: LocoFormer → فبراير 2026: أول ICL داخل المجال → مايو: أول قلب رغيف → أغسطس: إصدار S1، والذي دفع التعلم السياقي مباشرةً إلى مهام طويلة المدى خارج المجال تصل إلى 10 دقائق.
إذًا، السؤال الحقيقي الذي يستحق الاهتمام الآن، ربما لم يعد هو ما إذا كان الروبوتات لا تزال تستطيع تعلم مهارات أكثر، بل:
هل يمكن تقليل تكلفة تعلم الروبوت لمهارة جديدة من "تعليمها مئات المرات" إلى "أنت تفعلها مرة واحدة، وهو يشاهد"?
إذا استمرت قانون التوسع هذا في التطبيق، فقد لا يكون ما يُسمى بـ "لحظة GPT للروبوتات" مجرد مزحة تسويقية أخرى.
رابط المرجع: [1]https://www.skild.ai/blogs/s1
هذا المقال من حساب WeChat "Quantum Bit"، الكاتب: henry