تقدم نيفيديا ASPIRE — إطار عمل روبوتات يتعلم ذاتيًا بمعدل نجاح 31% في وضع zero-shot على المهام المعقدة

قدمت NVIDIA AI في 3 يوليو 2026 إطار عمل ASPIRE — وهو إطار عمل للتحكم الروبوتي يولد تلقائياً برامج التحكم بالروبوتات، ويصحح الأخطاء بشكل متكرر، ويخزن الحلول المتحقق منها في مكتبة مهارات قابلة لإعادة الاستخدام. وفقاً لـ NVIDIA، على معيار LIBERO-Pro، حقق النظام مكاسب تصل إلى 77 نقطة وحقق نسبة نجاح 31% في المهام الجديدة ذات الأفق الطويل في وضع zero-shot — بدون تدريب إضافي على هذه السيناريوهات.

كيف يعمل دورة التحسن الذاتي في ASPIRE

جوهر ASPIRE هو دورة تكرارية من الإنشاء والتصحح الذاتي: يكتب الإطار برنامج التحكم بالروبوت في صيغة الكود، ويقوم بتنفيذه، ويكتشف الأخطاء وينفذ التصحيحات حتى اكتمال المهمة بنجاح. تطبيق توليد الأكواد كأداة للتحكم الروبوتي موجود فعلاً في الأبحاث، لكن ASPIRE يخطو خطوة أساسية إضافية: يتم "تحطير" الإصلاحات الناجحة في مكتبة مهارات منظمة لإعادة الاستخدام.

تعمل المكتبة كذاكرة طويلة الأجل للنظام. عندما يواجه ASPIRE مهمة مشابهة لمهمة تم حلها بالفعل، يدخل إلى كتل جاهزة وموثوقة — بدلاً من البدء من الصفر. هذا يقلل من عدد المحاولات حتى الإكمال الناجح ويسمح للنظام بنقل الخبرة المتراكمة إلى سيناريوهات غير معروفة. تنمو المكتبة المتراكمة: كل مهمة جديدة قد تضيف أنماطاً جديدة إليها أو تحسّن الموجودة.

• تاريخ نشر ASPIRE — 3 يوليو 2026
• المكسب على معيار LIBERO-Pro — حتى 77 نقطة
• دقة zero-shot على LIBERO-Pro Long Tasks — 31%
• نقل المهارات إلى المهام غير المدرجة في مجموعة التدريب

لماذا تعتبر LIBERO-Pro Long Tasks هدفاً معقداً؟

LIBERO-Pro هي معيار معترف به لتقييم الأنظمة الروبوتية على المهام ذات آفاق التخطيط الطويلة. بخلاف المهام البسيطة ذات الخطوة الواحدة، تتطلب مهام الأفق الطويل تنفيذاً متسلسلاً لسلسلة متعددة المراحل: البحث عن الكائن المطلوب، نقله إلى الهدف، فتح حاوية، وضع الكائن وإغلاقها. الخطأ في أي حلقة — فشل الحلقة كاملة.

LIBERO-Pro Long Tasks هو الجزء الأكثر تعقيداً من المعيار مع أطول السلاسل. مقياس zero-shot يعني أن النظام ينفذ المهمة للمرة الأولى: بدون عروض توضيحية، بدون تدريب إضافي على السيناريو المحدد. على هذه المهام، غالباً ما تعطي الطرق الأساسية نتائج قريبة من الصفر. نسبة نجاح 31% في وضع zero-shot هي مؤشر غير تافه لهذا الفئة من الأنظمة.

المكسب حتى 77 نقطة على LIBERO-Pro يوضح الفجوة بين ASPIRE والطرق الأساسية على المهام القياسية من نفس المعيار.

أين يندرج ASPIRE في الذكاء الاصطناعي الروبوتي

يعكس نهج ASPIRE اتجاهاً أوسع: استخدام نماذج اللغة للتحكم في الأنظمة الفيزيائية من خلال توليد الأكواد. بخلاف التعلم المعزز الكلاسيكي، الذي يتطلب ملايين المحاكاة، يعتمد ASPIRE على توليد الأكواد التكراري — وهو نهج اقتصادي من حيث تفاعلات البيئة.

الابتكار الرئيسي — مكتبة مهارات صريحة — يحل مشكلة طويلة الأمد للأنظمة الروبوتية: تراكم الخبرة دون فقدانها عند الانتقال إلى مهام جديدة. بخلاف أساليب الشبكات العصبية، حيث يتم تخزين المعرفة ضمنياً في أوزان النموذج، فإن مكتبة ASPIRE منظمة وقابلة للتوسع.

ماذا يعني هذا

يقدم ASPIRE نموذجاً يقوم فيه الوكيل الروبوتي بتراكم الخبرة تدريجياً على شكل كتل برمجيات قابلة لإعادة الاستخدام — بدلاً من حل المهام من الصفر في كل مرة. يندرج منشور NVIDIA AI في البحث عن طريق من الروبوتات التي تعمل بدقة ضمن توزيع التدريب إلى الأنظمة القادرة على تعميم الخبرة على سيناريوهات جديدة. إذا أثبت النهج قابليته للتوسع في ظروف حقيقية، فستتمكن الروبوتات الصناعية من تحسين قدراتها مباشرة أثناء التشغيل — دون إعادة تدريب يدوية مستمرة.