gprisma يمكن للروبوت أن ينجز كل ما طُلب منه، ولا يزال يتركنا مع سؤال مهم حول ما سيحدث بعد ذلك. ذلك لأن العمل المادي مترابط. يُنهي الروبوت إجراءً واحدًا، ثم يتبعه إجراء آخر. قد يحتاج روبوت آخر إلى نفس المساحة. قد يحتاج شخص ما إلى الوصول إلى تلك المنطقة. قد يكون الكائن التالي جاهزًا بالفعل. إذًا، لا يقتصر دور الروبوت على إكمال مهامه الخاصة. طريقة انتهائه يمكن أن تؤثر أيضًا على المهمة التالية. هذه هي التفاصيل التي وجدتها مثيرة للاهتمام في هذه الحلقة (الحلقة #50981). تتحرك الأذرع في النهاية بعيدًا عن المنطقة التي كانت تعمل فيها، وهذا الانتهاء البسيط يفتح فكرة أكبر بكثير حول كيفية تقييم الذكاء الاصطناعي المادي. [] يمكن أن تُكمل المهمة وتخلق مشكلة مع ذلك تخيل أن روبوتًا يضع عينة بالضبط في المكان المطلوب، لكنه يترك ذراعه ممتدة عبر المنطقة التي يجب استخدامها في الخطوة التالية. نجحت المهمة الأولى. لكن المهمة الثانية الآن تواجه مشكلة. هذا فرق مهم بين الروبوتات التي تعمل من خلال عروض منفصلة، والروبوتات التي تعمل باستمرار في بيئات حقيقية. في مختبر حقيقي أو مصنع أو مستشفى أو أي مساحة مشتركة أخرى، نادرًا ما يكون هناك إعادة ضبط نظيفة بعد كل مهمة. ينهي الروبوت شيئًا ما داخل نفس البيئة التي يجب أن تحدث فيها أشياء أخرى. وهذا يعني أن النجاح لا يمكن أن يقتصر فقط على الموقع النهائي للكائن. علينا أيضًا أن نهتم بالحالة التي يتركها الروبوت خلفه. [] يمكن أن يؤثر الحركة الأخيرة على العشرات التالية يصبح هذا أكثر أهمية عندما تكون المهام متصلة. قد يعد إجراء واحد شيئًا لإجراء آخر. قد يحتاج روبوت آخر إلى الانتهاء قبل أن يتمكن روبوت ثانٍ من الدخول بأمان إلى نفس المنطقة. قد يحتاج شخص ما إلى الوصول فور انتهاء الآلة. إذا ترك الروبوت الأول المساحة بطريقة غير ملائمة، فقد تتطلب الخطوة التالية حركات إضافية أو وقتًا إضافيًا أو حتى تدخلًا بشريًا. يمكن أن تتكرر هذه عدم الكفاءة الصغيرة طوال سلسلة عمل طويلة. ثوانٍ غير ضرورية قليلة في نهاية مهمة واحدة قد لا تهم كثيرًا مرة واحدة. لكن عبر مئات أو آلاف المهام، يمكن أن تصبح مشكلة تشغيلية حقيقية. [] تغير المساحة المشتركة مظهر السلوك الجيد هذه واحدة من الفروق الكبيرة بين البرمجيات والذكاء الاصطناعي المادي. يمكن لعملية برمجية أن تنتهي وتختفي من الطريق. لكن الروبوت المادي لا يزال يشغل مساحة. لديه ذراع بوضعية معينة. لجسده وضعية معينة. للكائنات المحيطة به أيضًا وضعيات. لذلك، يجب على الذكاء الاصطناعي المادي أن يتعلم ليس فقط كيفية الوصول إلى الهدف، بل أيضًا كيفية العمل حول كل شيء آخر يشارك البيئة. لهذا السبب يمكن أن تحمل الوضعية النهائية للروبوت معلومات مفيدة. إنها تخبرنا ما إذا كان الروبوت يفهم أن وجوده نفسه جزء من بيئة العمل. [] لا ينبغي للمهمة التالية أن تضطر إلى تنظيف ما تركته المهمة السابقة هنا نقطة عملية أخرى. إذا كانت كل مهمة جديدة تتطلب من شخص أو روبوت آخر نقل الروبوت السابق أولًا، فهذا يعني أن جزءًا من العمل قد نُقل فقط إلى مكان آخر. قد لا يزال الروبوت الأصلي يحصل على تقييم ناجح لإكمال تعليمته. لكن النظام الأوسع يقوم بعمل إضافي بسبب طريقة انتهاء تلك المهمة. لهذا السبب، هذه الفروق مهمة للذكاء الاصطناعي المادي المستقبلي. نريد روبوتات تستطيع المساهمة في سير عمل مستمر، وليس روبوتات تكمل أفعالًا منعزلة وتترك شخصًا آخر ليجعل البيئة قابلة للاستخدام مرة أخرى. [] لهذا السبب يستحق الانتهاء أيضًا التحقق منه يوفر التحقق فرصة للنظر بعيدًا عن لحظة النجاح الواضحة. الدليل المفيد ليس فقط ما إذا كان الروبوت قد تعامل مع الكائن الصحيح أو وصل إلى المكان الصحيح. بل أيضًا ما حدث حول هذا الإجراء وما تركه الروبوت عندما انتهى. تصبح هذه المعلومات ذات قيمة عند تدريب الروبوتات على بيئات حيث تكون المهام متصلة، والمساحات مشتركة، ويمكن أن تؤثر الأخطاء أو التصنيفات السيئة على ما سيحدث بعد ذلك. 👇👇