الروبوتات ثنائية الأرجل: التعلم الآلي انتصر لكنه اصطدم بحاجز الطاقة

حققت أنظمة الروبوتات ذات الحركة ثنائية الأرجل خلال عام 2026 نتائج لافتة في توليف أنماط المشي، بفضل استخدام أساليب reinforcement learning (التعلم الآلي المعزز). غير أن النجاحات داخل المختبرات تتناقض مع الإخفاقات في العروض التقديمية والاختبارات الميدانية، فجذر المشكلة يكمن في قابلية التوسع والقيود الفيزيائية للأنظمة الواقعية.

أين يتألق RL

تجاوزت بعض الروبوتات محطات مهمة: فقد ركض أحدها خلال عام 2026 نصف ماراثون بسرعة تفوق أفضل الأزمنة التي سجّلها البشر. وهي نتيجة لافتة تُظهر أن أنظمة التحكم القائمة على الشبكات العصبية قادرة على توليف حركات معقدة لامتصاص الصدمات أفضل من وحدات التحكم الكلاسيكية القائمة على الفيزياء.

وأصبح تطوير نماذج RL للمشي زهيد التكلفة: بطاقة رسوميات واحدة و20 دقيقة من التدريب تكفيان للحصول على مشية متكاملة الوظائف، مع تفادي العقبات والتكيف مع الانحدار وتغيّر الأسطح.

أين يتعثر RL

في المقابل، فشل الروبوت خلال عرض تقديمي صاخب لنظام باهظ الثمن في أداء مهمة بسيطة: السير على خط مستقيم تمامًا. وقد واجه الرئيس التنفيذي للشركة الواقع، فقطع ساق الروبوت بمقص على المسرح مباشرة وهو في حالة غضب.

جذر المشكلة قيود جوهرية في أنظمة RL الحالية:

• سقف السياق: تحتفظ نماذج RL في الذاكرة بتاريخ حالة النظام. وفي الروبوتات الحقيقية يمتلئ السياق، إذ لا تتسع خطوات الآلاف السابقة داخل متجه الحالة بأكمله.
• استهلاك الطاقة: تتطلب أنظمة التحكم العصبية حسابات متواصلة. وتنفد بطاريات الروبوت الحقيقي خلال بضع ساعات، في مقابل أيام من العمل مع وحدات التحكم الكلاسيكية.
• غياب التعلم المستمر: تُدرَّب نماذج RL على المحاكاة أو في بيئة خاضعة للتحكم. وعلى الروبوت الحقيقي الذي يتجول في الغرفة لساعات، لا يعيد النموذج التعلم، بل ينفّذ ببساطة أوزانًا مجمّدة.

لماذا يهمّ هذا الأمر

كانت الفجوة بين المختبر والإنتاج في الروبوتات قاسية دائمًا. يُظهر RL قوة الشبكات العصبية في توليف الحركة، لكنه يتطلب حل مسائل هندسية تتعلق بالتوسع: كيف تُوضع نماذج كبيرة داخل أنظمة متنقلة، وكيف يُخفَّض استهلاك الطاقة، وكيف تتحقق القدرة على التكيف الفوري. وهذه ليست مشكلة خوارزمية، بل تحدٍّ في تكامل الأنظمة.

ماذا يعني ذلك

تبقى الروبوتات من أكثر الاختبارات صدقًا للذكاء الاصطناعي: لا يمكن ادّعاء نتيجة إذا سقط الروبوت أو لم يتحرك من مكانه. لقد أظهر RL أن الشبكات العصبية قادرة على التحكم في ديناميكيات معقدة، لكن الموجة التالية هي التحسين للعتاد الحقيقي ولميزانيات الطاقة. ستمشي الروبوتات ثنائية الأرجل بصورة أفضل، لكن السنتين أو الثلاث المقبلة ستدور حول كيفية حشر هذا الذكاء في أطر فيزيائية ضيقة.