[TL;DR اليومي] لقد رأيت ما يكفي من عروض البنية التحتية لأعرف الفرق بين عرض تجريبي مرجعي وبنية إنتاج حقيقية. هذه المقالة تجادل بأن الذكاء المتجسد قد لا يواجه عقبة في ذكاء النموذج القادم، بل في طبقة الهندسة الفوضوية التي تحول تنبؤات الرموز إلى أفعال فيزيائية مستقرة. وبصراحة؟ هذا هو الجزء الذي يُقلل الجميع من قيمته دائمًا. 📌 لماذا هذا مهم الآن • تُصوّر المقالة لحظة "ChatGPT" المحتملة للذكاء المتجسد على أنها اللحظة التي يستطيع فيها نموذج عام مثل GPT-6 Astra التحكم في الروبوتات عبر سطر واحد من واجهة برمجة التطبيقات. • خبر جيد: قدرة النماذج الأساسية لا تزال تتسارع. • خبر سيء: البنية التحتية المتجسدة تتخلف، مما يعني أن النماذج الأقوى تكشف فقط عن ضعف طبقة النشر بشكل أسرع. 📌 ما الذي تضيفه FluxVLA Engine v2 • تقييم محاكاة موسّع: 14 سياسة على معيار LIBERO مغلق الحلقة الموحّد، بالإضافة إلى دمج 8 سياسات عبر RoboCasa GR-1 وRoboTwin وRoboDojo. • تحسين الاستنتاج عبر 8 مجموعات من النموذج-الجهاز، حيث زادت الترددات من 2.31x إلى 9.64x. • نشر فعلي على أجهزة حقيقية، تم التحقق منه من نقطة التحقق إلى التنفيذ المغلق الحلقة على ALOHA وRebot وFranka ثنائي الذراع وLimX Oli الإنسانوي. 📌 التعلم المعزز عبر الإنترنت حقق فرقًا حقيقيًا • باستخدام SmolVLA كمثال، بعد الدقة الدقيقة عبر التعلم المعزز عبر الإنترنت: – ارتفع معدل النجاح في LIBERO-10 بمقدار 10.0 نقطة مئوية. – ارتفع أداء RoboTwin Clean بمقدار 15.4 نقطة مئوية. • بشكل أكثر تحديدًا، بعد 40 دورة خارجية: – انتقل LIBERO-10 من 66.2% إلى 76.2%. – انتقل RoboTwin Clean من 45.9% إلى 61.3%. • الترجمة: حتى النماذج الأصغر يمكنها تحقيق مكاسب مفاجئة بمجرد توقفها عن كونها متعلمة بالمحاكاة البحتة وبدء التفاعل مع البيئة. 📌 التوحيد هو القوة الخفية • الفرضية الأساسية للمقالة بسيطة: الذكاء المتجسد لا يزال مدعومًا بشكل كبير بمشاريع "منفردة". • تحاول FluxVLA توحيد تحويل البيانات، وواجهات النماذج، والتدريب، والتقييم، والنشر، بحيث تتوقف الفرق عن استهلاك المواهب في إعداد البيئات وإعادة كتابة الواجهات. • من المزعوم أنها تدعم Qwen-VL وGR00T وسلسلة π وDreamZero وحتى النهج القائمة على واجهات برمجة التطبيقات مثل GPT-6 Astra وMiniMax-M3.1-Flash. • في التكوينات المذكورة في التقرير، حققت 11 من أصل 13 استراتيجيات نقطة التحقق المحلية أكثر من 95% متوسط نجاح على LIBERO؛ ومن الأمثلة DiT4DiT بنسبة 98.65% وπ0.5 بنسبة 97.95%. 📌 الجزء الخاص بالروبوتات الواقعية هو حيث تصبح الهندسة جادة حقًا • تم تحقيق تسريعات الاستنتاج دون تغيير أوزان النموذج. • بالنسبة لرؤوس الإجراءات على نمط GR00T، حافظت المخرجات المُسرّعة على تشابه جيبي أعلى من 0.99999، مع خطأ مطلق أقصى حوالي 0.02. • تم تقديم آلية تنسيق قطع زمنية في الوقت الحقيقي بالإضافة إلى معالجة مسار لاحقة لتنعيم استمرارية الإجراءات وتحقيق القيود الفيزيائية. • على LimX Oli، أنجز π0.5 أول 3 مراحل من مهمة نقل صندوق في 61.67% من المرات، وكل المراحل الأربع في 33.33% من المرات — مفيد أقل كوسيلة للتفاخر وأكثر كخريطة عقد. 📌 التفاعل البشري قد يكون العجلة الدافعة، وليس الحاشية • يدعم النظام الاستيلاء البشري السلس أثناء تنفيذ الروبوت، مع جمع تلقائي للبيانات التصحيحية وتنقيح المكافآت. • في مهمة طي منشفة ذات 8 مراحل على ALOHA: – النموذج الأساسي للتقليد السلوكي: 62.1% – مع نمذجة المكافأة SARM: 78.5% – مع تقليد سلوكي موزون بميزة ARM: 99.4% • زادت الإنتاجية أيضًا من 18 حالة/ساعة إلى 32 حالة/ساعة. ما رأيي؟ أدق نقطة في هذه المقالة بأكملها ليست "مقياسنا أكبر". بل أن الذكاء المتجسد قد يصبح سباقًا بنائيًا قبل أن يصبح سباقًا نموذجيًا بحتًا. إذا كان كل سياسة جديدة تعني إعادة بناء البنية التحتية بالكامل، فستظل الصناعة تدفع ضريبة على التقدم. وإذا أصبحت البنية التحتية قابلة للتقسيم، وإعادة الاستخدام، ومملة — بأفضل معنى ممكن — فحينها فقط يبدأ الجزء المثير حقًا. وهنا السؤال الذي أتركه معلقًا: عندما تصبح النماذج المتقدمة قابلة للتبادل، أين تكمن الحماية حقًا — في النموذج، أو جسم الروبوت، أم عجلة البيانات والنشر التي تقف خلف كليهما؟