NVIDIA تكشف عن ASPIRE: إطار روبوتات ذاتي التعلّم يحقق 31% في وضع zero-shot على المهام الطويلة

كشفت NVIDIA AI في 3 يوليو 2026 عن ASPIRE، وهو إطار للتحكم الروبوتي يولّد بنفسه برامج التحكم بالروبوت، ويصحّح الأخطاء بصورة تكرارية، ويحفظ الحلول المُتحقَّق منها في مكتبة مهارات قابلة لإعادة الاستخدام. ووفق بيانات NVIDIA، حقق النظام على اختبار LIBERO-Pro زيادة بلغت 77 نقطة، ووصل إلى 31% من حالات الإنجاز الناجح في المهام الطويلة الجديدة بوضع zero-shot، أي دون تدريب إضافي على هذه السيناريوهات.

كيف تعمل حلقة التحسين الذاتي في ASPIRE

تقوم نواة ASPIRE على حلقة تكرارية من التوليد والتصحيح الذاتي: يكتب الإطار برنامج التحكم بالروبوت على شكل شيفرة برمجية، ثم يشغّله ويرصد حالات الإخفاق ويُدخل التصحيحات حتى تُنجَز المهمة بنجاح. ويُستخدم توليد الشيفرة كأداة للتحكم بالروبوتات في الأبحاث بالفعل، لكن ASPIRE يخطو خطوة جوهرية أبعد: إذ تُقطَّر (distillation) عمليات الإصلاح الناجحة في مكتبة مهارات منظَّمة لإعادة استخدامها.

تعمل المكتبة بمثابة ذاكرة طويلة الأمد للنظام. وحين يواجه ASPIRE مهمة تشبه مهمة سبق حلّها، يلجأ إلى الكتل الجاهزة التي جرى تنقيحها بدلاً من البدء من الصفر. ويقلّص هذا عدد المحاولات اللازمة للوصول إلى إنجاز ناجح، ويتيح للنظام نقل خبرته المتراكمة إلى سيناريوهات غير مألوفة. وتنمو المكتبة المتراكمة باستمرار: فكل مهمة جديدة قد تضيف إليها قوالب جديدة أو تحسّن القوالب القائمة.

• تاريخ نشر ASPIRE: 3 يوليو 2026
• الزيادة على اختبار LIBERO-Pro: حتى 77 نقطة
• دقة zero-shot على LIBERO-Pro Long Tasks: 31%
• نقل المهارات إلى مهام لم تكن ضمن عيّنة التدريب

لماذا تمثّل LIBERO-Pro Long Tasks هدفاً صعباً؟

يُعدّ LIBERO-Pro اختباراً معتمداً لتقييم الأنظمة الروبوتية في المهام ذات آفاق التخطيط الطويلة. فخلافاً للمهام البسيطة ذات الخطوة الواحدة، تتطلب مهام الأفق الطويل (long-horizon) تنفيذ سلسلة متعددة المراحل بالتتابع: العثور على الجسم المطلوب، ونقله إلى الهدف، وفتح الحاوية، ووضع الجسم فيها، ثم إغلاقها. وأي خطأ في أي حلقة من السلسلة يعني فشل الحلقة التجريبية بأكملها.

تمثّل LIBERO-Pro Long Tasks الجزء الأصعب في الاختبار، بأطول التسلسلات. ويعني مقياس zero-shot أن النظام ينفّذ المهمة للمرة الأولى: بلا عروض توضيحية وبلا إعادة تدريب على السيناريو المحدد. وفي مثل هذه المهام كثيراً ما تحقق الطرق الأساسية نتائج قريبة من الصفر. ويُعدّ بلوغ 31% من حالات الإنجاز الناجح في وضع zero-shot رقماً لافتاً لهذه الفئة من الأنظمة.

وتُظهر الزيادة البالغة 77 نقطة على LIBERO-Pro الفجوة بين ASPIRE وطرق baseline الأصلية في المهام القياسية من الاختبار نفسه.

أين يقع ASPIRE في الذكاء الاصطناعي الروبوتي

يعكس نهج ASPIRE اتجاهاً أوسع: استخدام النماذج اللغوية للتحكم بالأنظمة المادية عبر توليد الشيفرة. وخلافاً للتعلّم المعزَّز الكلاسيكي الذي يتطلب ملايين المحاكاة، يعتمد ASPIRE على توليد الشيفرة التكراري، وهو نهج اقتصادي في عدد التفاعلات مع البيئة.

ويعالج الابتكار الرئيسي، وهو مكتبة المهارات الصريحة، مشكلة قديمة في الأنظمة الروبوتية: تراكم الخبرة دون فقدانها عند الانتقال إلى مهام جديدة. وخلافاً للنهج العصبية التي تُخزَّن فيها المعرفة ضمناً في أوزان النموذج، تتميّز مكتبة ASPIRE بأنها منظَّمة وقابلة للتوسعة.

ماذا يعني ذلك

يقترح ASPIRE نموذجاً يراكم فيه الوكيل الروبوتي خبرته تدريجياً في شكل كتل برمجية قابلة لإعادة الاستخدام، بدلاً من حل المهام من الصفر في كل مرة. وتندرج منشورة NVIDIA AI ضمن البحث عن طريق للانتقال من روبوتات تعمل ضمن حدود توزيع التدريب فقط إلى أنظمة قادرة على تعميم الخبرة على سيناريوهات جديدة. وإذا ثبتت قابلية هذا النهج للتوسّع في الظروف الواقعية، فقد تتمكن الروبوتات الصناعية من تحسين قدراتها أثناء التشغيل نفسه، دون الحاجة إلى إعادة تدريب يدوي متواصل.