يقدم الذكاء الفيزيائي بنية MEM لتزويد الروبوتات بالذاكرة اللازمة لأداء مهام العالم الحقيقي.
في سطور
قام الباحثون بتطوير نظام الذاكرة المجسدة متعددة المقاييس، وهو نظام يمنح الروبوتات ذاكرة قصيرة وطويلة المدى حتى تتمكن من تتبع التقدم وإكمال المهام المعقدة بدلاً من مجرد تنفيذ إجراءات معزولة.
لسنوات، كان حلم الروبوت المنزلي المفيد حقًا قريبًا بشكلٍ خادع. تستطيع الروبوتات بالفعل تنفيذ أوامر مثل "اغسل المقلاة" و"اطوِ الغسيل" و"حضّر شطيرة". في بيئات المختبر، تُظهر هذه الأنظمة براعة ودقة مذهلتين. ومع ذلك، ورغم التطورات السريعة في النماذج الأساسية للروبوتات، لا يزال هناك شيء أساسي مفقود: الذاكرة.
إن الروبوت القادر على تنفيذ مهمة واحدة ليس كروبوت قادر على إنجاز عمل متكامل. فتنظيف مطبخ كامل، أو طهي وجبة، أو تحضير مكونات وصفة طعام، يتطلب أكثر من مجرد مهارات منفصلة. إنه يتطلب استمرارية - القدرة على تذكر ما تم إنجازه، وما لا يزال يتعين القيام به، ومكان كل شيء. وبدون هذا الترابط، حتى أكثر الروبوتات كفاءةً تصبح عاجزة بشكلٍ مفاجئ.
هذا هو التحدي الذي يحاول الباحثون في مجال الذكاء الفيزيائي حله الآن من خلال بنية جديدة تسمى الذاكرة المجسدة متعددة المقاييس (MEM) - وهو نظام مصمم لمنح الروبوتات ذاكرة قصيرة المدى وذاكرة طويلة المدى حتى تتمكن من أداء المهام التي تتكشف على مدى دقائق بدلاً من ثوانٍ.
تشير النتائج إلى شيء مهم: قد يعتمد مستقبل الروبوتات بشكل أقل على الأيدي الميكانيكية الأفضل وأكثر على بنية معرفية أفضل.
تمتلك النماذج الروبوتية الحديثة بالفعل مجموعة مذهلة من المهارات الحركية. فهي قادرة على الإمساك بالأشياء الهشة، واستخدام الأدوات، والتنقل في البيئات المزدحمة. ولكن إذا طلبت من روبوت تنظيف مطبخ كامل - مسح الأسطح، وترتيب البقالة، وغسل الأطباق، وتنظيم أدوات المطبخ - ستتضح لك القيود بسرعة.
المشكلة ليست في المهارات بحد ذاتها، بل في كيفية تنسيقها. تتطلب المهام المعقدة وعيًا مستمرًا. يجب على الروبوت أن يتذكر الخزائن التي فتحها، ومكان وضع غطاء القدر، وما إذا كان قد غسل طبقًا. كما يجب عليه تتبع الأشياء التي تختفي عن الأنظار، والحفاظ على خريطة ذهنية للبيئة المحيطة أثناء أداء مهام جديدة.
تُنجز القدرات الإدراكية البشرية هذا الأمر بسهولة تامة، بينما لم تكن الآلات قادرة على ذلك حتى وقت قريب. يُعدّ تخزين كل ملاحظة يراها الروبوت لدقائق أو ساعات أمرًا غير عملي من الناحية الحسابية. لكن التخلص من هذه المعلومات يؤدي إلى سلوك فوضوي - أخطاء متكررة، أو خطوات منسية، أو أفعال تتناقض مع قرارات سابقة. في أبحاث الروبوتات، يُوصف هذا التحدي أحيانًا بـ"التشويش السببي"، حيث تُسيء الأنظمة تفسير الأحداث الماضية وتُعزز السلوكيات الخاطئة.
والنتيجة: روبوتات تبدو مثيرة للإعجاب في العروض التوضيحية القصيرة ولكنها تكافح لإكمال المهام الواقعية.
نظام ذاكرة للذكاء البدني
تعالج بنية MEM هذه المشكلة من خلال تقديم بنية ذاكرة متعددة الطبقات. فبدلاً من تخزين كل شيء بالتساوي، يفصل النظام الذاكرة إلى شكلين متكاملين:
تستخدم الذاكرة البصرية قصيرة المدى بنيةً فعّالة لترميز الفيديو لالتقاط المشاهدات الحديثة. وهذا يمكّن الروبوت من فهم الحركة، وتتبّع الأجسام عبر الإطارات، وتذكّر الأحداث التي وقعت قبل ثوانٍ - وهو أمر بالغ الأهمية للقيام بأفعال دقيقة مثل قلب شطيرة الجبن المشوي أو تنظيف طبق.
أما الذاكرة المفاهيمية طويلة الأمد، فتخزن تقدم المهمة بلغة طبيعية. بدلاً من تذكر البيانات البصرية الخام فيdefiيقوم الروبوت ليلاً بكتابة "ملاحظات" نصية موجزة تصف ما حدث - عبارات مثل "لقد وضعت الإناء في الحوض" أو "لقد أخرجت الحليب من الثلاجة".
تُصبح هذه الملخصات جزءًا من عملية التفكير لدى الروبوت. في الواقع، يبني الجهاز سردًا خاصًا به للمهمة. ثم يُقرر محرك التفكير في النظام أمرين في آنٍ واحد: ما الإجراء الذي يجب تنفيذه تاليًا، وما المعلومات التي تستحق التذكر. يُمكّن هذا الدمج النموذج من تتبع المهام التي تستغرق ما يصل إلى خمس عشرة دقيقة، وهي مدة أطول بكثير من معظم العروض التوضيحية الروبوتية السابقة.
إحدى أكثر القدرات إثارة للاهتمام التي توفرها تقنية MEMS هي التكيف مع السياق. الروبوتات ترتكب أخطاءً، وهذا أمر لا مفر منه. لكن معظم الأنظمة الروبوتية تكرر هذه الأخطاء بلا نهاية لأنها لا تتذكر الفشل.
يتضح الفرق جلياً في تجارب بسيطة. في إحدى التجارب، يحاول روبوت التقاط عود طعام مسطح. بدون ذاكرة، يحاول الجهاز مراراً وتكراراً الإمساك به بنفس الطريقة الفاشلة. أما مع تفعيل الذاكرة، فيتذكر الروبوت المحاولة الفاشلة ويجرب طريقة مختلفة، وينجح في النهاية.
مثال آخر يتعلق بفتح الثلاجة. بالاعتماد على البيانات المرئية فقط، لا يستطيع الروبوت تحديد اتجاه فتح الباب مباشرةً. النظام الذي لا يعتمد على الذاكرة يكرر نفس الفعل مرارًا وتكرارًا. أما الروبوت الذي يعتمد على الذاكرة، فيجرب اتجاهًا معينًا، ويتذكر فشله، ثم يحاول الجانب الآخر.
تمثل هذه التعديلات الصغيرة شيئاً عميقاً: القدرة على التعلم أثناء أداء المهمة نفسها. فبدلاً من الاعتماد كلياً على بيانات التدريب، يتكيف الروبوت بشكل فوري.
قام الباحثون بتقييم النظام المدعوم بالذاكرة في مهام متزايدة التعقيد. بدأ الأمر بتحدٍ بسيط نسبيًا: إعداد شطيرة جبن مشوية. تطلب هذا الأمر ذاكرة قصيرة المدى لإدارة التوقيت أثناء أداء خطوات جسدية دقيقة مثل قلب الخبز ووضع الشطيرة في الطبق.
ثم جاءت مهمة لوجستية: جلب مكونات وصفة طعام. كان على الروبوت أن يتذكر العناصر التي جمعها بالفعل، ومكان وجودها، وما إذا كانت الأدراج والخزائن مغلقة. وأخيراً جاء السيناريو الأكثر صعوبة: تنظيف مطبخ كامل.
وهذا يعني وضع الأشياء في أماكنها، وغسل الأطباق، ومسح أسطح العمل، وتتبع أجزاء الغرفة التي تم تنظيفها بالفعل.
لقد تفوق النموذج المعزز بالذاكرة بشكل كبير على الإصدارات التي لا تحتوي على ذاكرة منظمة، مما يدل على موثوقية أكبر ومعدلات إنجاز مهام أعلى.
يوضح هذا الاختلاف تحولاً رئيسياً في مجال الروبوتات. فبدلاً من تحسين الإجراءات المنفصلة، يقوم الباحثون الآن ببناء أنظمة قادرة على سير العمل المستدام.
لماذا تُعدّ الذاكرة الأفق التالي في مجال الروبوتات؟
يُشير مفهوم MEM إلى دخول علم الروبوتات مرحلة جديدة. فعلى مدى عقود، ركز هذا المجال على الإدراك والتحكم، أي مساعدة الآلات على رؤية العالم والتعامل مع الأشياء. وفي الآونة الأخيرة، حسّنت النماذج متعددة الوسائط الكبيرة بشكلٍ كبير قدرة الروبوتات على فهم التعليمات وتنفيذ الحركات المعقدة.
لكن مع تطور هذه القدرات، انتقل التحدي الأكبر. يتمثل التحدي التالي في الاستمرارية المعرفية، أي تمكين الروبوتات من العمل لفترات طويلة دون فقدان التركيز على أهدافها. توفر أنظمة الذاكرة مثل MEM الأساس اللازم لهذه الاستمرارية. فبدلاً من الاستجابة لحظة بلحظة، تستطيع الروبوتات الاحتفاظ بسرد داخلي حول أفعالها وقراراتها وبيئتها. هذا السرد هو ما يسمح بظهور سلوكيات معقدة.
إذا استمر هذا النهج في التطور، فإن تداعياته ستتجاوز بكثير مجرد تنظيف المطابخ. قد تحتاج الروبوتات المستقبلية إلى اتباع تعليمات تستغرق ساعات أو حتى أيامًا. تخيل أن تخبر مساعدًا منزليًا:
"أصل إلى المنزل في الساعة السادسة مساءً - لذا يرجى تجهيز العشاء وتنظيف المنزل يوم الأربعاء."
إن تنفيذ مثل هذا الطلب سيتطلب تحليل التعليمات الطويلة، وتخطيط المهام الفرعية، وتذكر التقدم المحرز، والتكيف عندما تسوء الأمور.
إن الاحتفاظ بسجل فيديو خام لكل حركة طوال تلك المدة أمر مستحيل. بدلاً من ذلك، من المرجح أن تعتمد الروبوتات على أنظمة ذاكرة هرمية، حيث تُضغط التجارب في تمثيلات مجردة بشكل متزايد.
تُعدّ تقنية الذاكرة الميكروية (MEM) خطوةً مبكرةً نحو هذا التصميم. وتشير إلى أن مفتاح تطوير روبوتات أكثر كفاءةً قد لا يكمن في محركات أقوى أو مستشعرات أدق، بل في ذاكرة أفضل - والقدرة على تحليلها. فإذا استطاعت الروبوتات أخيرًا تذكّر ما تفعله، فقد تتمكن أيضًا من إنجاز المهمة بنجاح.
إخلاء مسؤولية
تتماشى مع المبادئ التوجيهية لمشروع الثقةيرجى ملاحظة أن المعلومات المقدمة في هذه الصفحة ليس المقصود منها ولا ينبغي تفسيرها على أنها نصيحة قانونية أو ضريبية أو استثمارية أو مالية أو أي شكل آخر من أشكال المشورة. من المهم أن تستثمر فقط ما يمكنك تحمل خسارته وأن تطلب مشورة مالية مستقلة إذا كانت لديك أي شكوك. لمزيد من المعلومات، نقترح الرجوع إلى الشروط والأحكام بالإضافة إلى صفحات المساعدة والدعم المقدمة من جهة الإصدار أو المعلن. MetaversePost تلتزم بتقارير دقيقة وغير متحيزة، ولكن ظروف السوق عرضة للتغيير دون إشعار.
نبذة عن الكاتب
أليسا، صحفية متخصصة في MPost، متخصص في العملات المشفرة والذكاء الاصطناعي والاستثمارات ومجال واسع من Web3. مع اهتمامها الشديد بالاتجاهات والتقنيات الناشئة، فإنها تقدم تغطية شاملة لإعلام القراء وإشراكهم في المشهد المتطور باستمرار للتمويل الرقمي.
المزيد من المقالات
أليسا، صحفية متخصصة في MPost، متخصص في العملات المشفرة والذكاء الاصطناعي والاستثمارات ومجال واسع من Web3. مع اهتمامها الشديد بالاتجاهات والتقنيات الناشئة، فإنها تقدم تغطية شاملة لإعلام القراء وإشراكهم في المشهد المتطور باستمرار للتمويل الرقمي.
