NVIDIA توضح الفرق بين VLA وWAM: نهجان لتحكم الروبوتات
نشرت NVIDIA استعراضًا لنهجين متنافسين في التحكم بالروبوتات. تنطلق نماذج VLA من هيكل لغوي أساسي، فهي تفهم التعليمات لكنها لا «تشعر» بالفيزياء. أما نماذج WAM فتُبنى على نماذج التنبؤ بالفيديو: فبدلًا من النصوص، تتعلم كيف تتحرك الأجسام وكيف تتفاعل مع بعضها. وتتواجد NVIDIA في المعسكرين معًا: فنموذج GR00T N1 من فئة VLA، ومنصة Cosmos نموذج عالمي (World Model).
معالج بواسطة الذكاء الاصطناعي من NVIDIA Developer Blog؛ بتحرير Hamidun News
نشرت NVIDIA استعراضًا موسّعًا لمعماريتين متنافستين في الذكاء الاصطناعي للروبوتات، هما VLA وWAM، وتشرح فيه لماذا قد يصبح النهج الثاني المعيار القادم في القطاع.
فئتان من نماذج الروبوتات
يوجد اليوم أسلوبان رئيسيان لبناء نموذج يتحكم بروبوت. الأول أن يؤخذ نموذج بصري-لغوي مدرَّب مسبقًا ويُعاد تدريبه ليولّد أوامر للذراع الروبوتية. تُسمّى هذه الأنظمة نماذج الرؤية واللغة والفعل (Vision-Language-Action)، أو VLA. وهناك أمثلة قيد الاستخدام بالفعل: Pi-0 من Physical Intelligence وGR00T N1 من NVIDIA. يبدأ كلاهما من هيكل VLM قوي اكتسب معرفته بالعالم عبر النصوص والصور، ثم يُكيَّف لأداء مهام حركية حقيقية. وتتمثل الميزة الأساسية في الدلالات اللغوية الغنية والقدرة على التعميم على تعليمات غير مألوفة.
المسار الثاني هو نماذج العالم والفعل (World-Action Models)، أو WAM. وهنا لا يكون الأساس نموذجًا لغويًا، بل نموذجًا «عالميًا»، أي نظامًا مدرَّبًا على التنبؤ بالإطارات المستقبلية للفيديو بناءً على الفعل المنفَّذ. وهذا الهيكل الأساسي لم «يقرأ الإنترنت»، لكنه رأى كيف تتحرك الأجسام وتتشوّه وتستجيب للتأثير الفيزيائي.
لماذا الخيال أهم من اللغة
الفكرة المحورية في WAM هي أن التنبؤ بما سيحدث إذا دفعتُ هذا الكوب أنفع للروبوت جوهريًا من القدرة على تفسير تعليمات معقدة. والنماذج العالمية التي نشأت من مهام توليد الفيديو تراكم هذا النوع بالذات من المعرفة. وعمليًا يظهر ذلك في الفروق التالية:
- هيكل VLM الأساسي يوفّر دلالات غنية وتعميمًا للأوامر اللغوية
- هيكل World-model الأساسي يدمج حدسًا فيزيائيًا دون برمجة صريحة للفيزياء
- تُدرَّب نماذج VLA في الغالب على مجموعات بيانات من التشغيل عن بُعد بواسطة البشر
- يمكن لنماذج WAM استخدام فيديوهات اصطناعية كمحاكٍ داخلي
- النهجان لا يستبعد أحدهما الآخر، فالباحثون يجرّبون بالفعل نماذج هجينة
NVIDIA في المعسكرين
من اللافت أن NVIDIA حاضرة في الاتجاهين معًا. فـ GR00T N1 هو نموذج VLA الرائد للروبوتات الشبيهة بالبشر. أما Cosmos فهي منصة نماذج عالمية يُحتمل أن تكون الهيكل الأساسي لـ WAM في الجيل القادم من الأنظمة.
«نحن في بداية عصر الذكاء الاصطناعي الفيزيائي»، وهذه بالضبط الرواية
التي ترسّخها NVIDIA عبر نشر هذا المسرد والاستعراض المفاهيمي.
بتوحيد المصطلحات قبل أن ينقسم السوق نهائيًا إلى معسكرات، تتخذ الشركة موقع مهندس الخطاب. وهذه ليست مجرد تدوينة، بل مسعى لفرض طريقة تفكير القطاع في الجيل القادم من الروبوتات.
ماذا يعني ذلك
الاختيار بين VLA وWAM قرار استراتيجي لكل من يبني الروبوتات اليوم. فنماذج VLA أسرع في الإطلاق عند توفر بيانات التشغيل عن بُعد، بينما يُحتمل أن تتوسع WAM بصورة أفضل دون وسم يدوي مكلف. ومع تراجع كلفة نماذج توليد الفيديو وتحسّنها، ستزداد جاذبية نماذج World-Action Models، وتعتزم NVIDIA الحصول على مواقع الصدارة في المعسكرين في آن واحد.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول فئتان من نماذج الروبوتات؟
يوجد اليوم أسلوبان رئيسيان لبناء نموذج يتحكم بروبوت. الأول أن يؤخذ نموذج بصري-لغوي مدرَّب مسبقًا ويُعاد تدريبه ليولّد أوامر للذراع الروبوتية. تُسمّى هذه الأنظمة نماذج الرؤية واللغة والفعل (Vision-Language-Action)، أو VLA. وهناك أمثلة قيد الاستخدام بالفعل: Pi-0 من Physical Intelligence وGR00T N1 من NVIDIA. يبدأ كلاهما من هيكل VLM قوي اكتسب معرفته بالعالم عبر النصوص والصور، ثم يُكيَّف لأداء مهام حركية حقيقية. وتتمثل الميزة الأساسية في الدلالات اللغوية الغنية والقدرة على التعميم على تعليمات غير مألوفة. المسار الثاني هو نماذج العالم والفعل (World-Action Models)، أو WAM. وهنا لا
ما أبرز التفاصيل حول لماذا الخيال أهم من اللغة؟
الفكرة المحورية في WAM هي أن التنبؤ بما سيحدث إذا دفعتُ هذا الكوب أنفع للروبوت جوهريًا من القدرة على تفسير تعليمات معقدة. والنماذج العالمية التي نشأت من مهام توليد الفيديو تراكم هذا النوع بالذات من المعرفة. وعمليًا يظهر ذلك في الفروق التالية: هيكل VLM الأساسي يوفّر دلالات غنية وتعميمًا للأوامر اللغوية هيكل World-model الأساسي يدمج حدسًا فيزيائيًا دون برمجة صريحة للفيزياء تُدرَّب نماذج VLA في الغالب على مجموعات بيانات من التشغيل عن بُعد بواسطة البشر يمكن لنماذج WAM استخدام فيديوهات اصطناعية كمحاكٍ داخلي النهجان لا يستبعد أحدهما الآخر، فالباحثون يجرّبون بالفعل نماذج هجينة
ما أبرز التفاصيل حول NVIDIA في المعسكرين؟
من اللافت أن NVIDIA حاضرة في الاتجاهين معًا. فـ GR00T N1 هو نموذج VLA الرائد للروبوتات الشبيهة بالبشر. أما Cosmos فهي منصة نماذج عالمية يُحتمل أن تكون الهيكل الأساسي لـ WAM في الجيل القادم من الأنظمة. «نحن في بداية عصر الذكاء الاصطناعي الفيزيائي»، وهذه بالضبط الرواية التي ترسّخها NVIDIA عبر نشر هذا المسرد والاستعراض المفاهيمي. بتوحيد المصطلحات قبل أن ينقسم السوق نهائيًا إلى معسكرات، تتخذ الشركة موقع مهندس الخطاب. وهذه ليست مجرد تدوينة، بل مسعى لفرض طريقة تفكير القطاع في الجيل القادم من الروبوتات.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.