Физический ИИ и мозговые волны: почему видео с YouTube уже мало для обучения роботов

ذكرت TechCrunch في 26 يوليو 2026 حدودًا جديدة في تدريب الذكاء الاصطناعي الفيزيائي (physical AI): لم تعد النماذج المتقدمة للروبوتات تكتفي بفيديوهات يوتيوب — فهي تحتاج إلى تصوير من زوايا متعددة، وتوصيف كثيف لكل إطار، وقريبًا إلى قراءة موجات الدماغ البشري.

لماذا لم تعد فيديوهات يوتيوب كافية

تمنح فيديوهات يوتيوب الروبوت صورة مسطحة وفقيرة للحركة: زاوية واحدة، وانعدام العمق، وغياب أي توصيف للجهد ونقاط التلامس. وكما تكتب TechCrunch، كانت هذه المادة كافية للنماذج المبكرة التي كانت تكتفي بالتعرف على الأجسام والإيماءات، لكنها غير كافية لأنظمة الذكاء الاصطناعي الفيزيائي المتقدمة التي تحتاج إلى التحكم في جسم حقيقي في فضاء ثلاثي الأبعاد.

الذكاء الاصطناعي الفيزيائي هو فئة من النماذج التي تتحكم في الروبوتات والأجهزة في العالم الحقيقي، وليس فقط توليد النصوص أو الصور. ولكي يتعلم مثل هذا النموذج كيفية إمساك كوب أو فتح باب، عليه أن يفهم ليس فقط شكل الحركة من الخارج، بل أيضًا بأي قوة وسرعة وتحت أي زاوية تتم. الفيديو العادي من الإنترنت لا يحمل هذه البيانات: الكاميرا ترى النتيجة، لكن لا ترى الفيزياء الكامنة خلفها.

اعتمدت المقاربات المبكرة لتدريب الروبوتات فعلًا على كميات ضخمة من الفيديوهات من مصادر مفتوحة: كان النموذج يراقب شخصًا ينفذ مهمة ويحاول إعادة إنتاج الحركة. المشكلة أن تقليد الصورة الخارجية دون بيانات عن القوة والعمق والسياق ينتقل بشكل سيئ إلى روبوت حقيقي في بيئة جديدة.

ما البيانات التي تحتاجها الروبوتات

تحتاج النماذج المتقدمة للذكاء الاصطناعي الفيزيائي إلى عدة أنواع من البيانات في آن واحد بدلًا من مصدر فيديو واحد، وفق ما ورد في مادة TechCrunch. يُصوَّر الفعل في آن واحد من عدة كاميرات، ويُوصَّف كل إطار يدويًا، ويصبح المصدر التالي هو الإشارات الحيوية للإنسان.

• نُشرت المادة في 26 يوليو 2026 على TechCrunch
• المشكلة: يمنح فيديو يوتيوب زاوية واحدة فقط دون عمق أو توصيف
• الحل الأول — تصوير الفعل من عدة زوايا كاميرا في آن واحد
• الحل الثاني — توصيف كثيف (dense) لكل حركة إطارًا بإطار
• الحد التالي — قراءة موجات الدماغ (brainwave readings) البشرية

تتيح الزوايا المتعددة المتزامنة إعادة بناء الهندسة ثلاثية الأبعاد للمشهد: فما تخفيه إحدى الكاميرات بسبب يد أو جسم يظهر في كاميرا أخرى. وهكذا يحصل النموذج على حجم وعمق غير متاحين في فيديو واحد.

التوصيف الكثيف هو الجزء الأكثر استهلاكًا للجهد: يصف المُوصِّف كل إطار (أي جسم، أي فعل، أي مرحلة من مراحل الإمساك)، وفي تسجيل طويل يبلغ ذلك آلاف العناصر الموصَّفة. ولهذا السبب بالتحديد تفسح الفيديوهات المجانية المجال لتصوير استوديو باهظ الثمن، حيث يُتحكَّم في المشهد من البداية إلى النهاية.

لماذا تُقرأ موجات الدماغ

موجات الدماغ — النوع الثالث والأكثر غرابة من البيانات في المجموعة الجديدة — ضرورية لالتقاط نية الإنسان، وليس فقط الصورة الخارجية للحركة. وقراءة إشارات الدماغ — وهي في جوهرها تخطيط كهربية الدماغ (EEG) — تضيف إلى التسجيل طبقة لا تستطيع الكاميرا رؤيتها فيزيائيًا: ما كان الشخص يخطط لفعله وكيف كان يوزع انتباهه في لحظة تنفيذ المهمة.

«انسوا فيديوهات يوتيوب — النماذج المتقدمة للذكاء الاصطناعي الفيزيائي تحتاج إلى زوايا كاميرا متعددة، وتوصيف كثيف، وقريبًا، قراءة موجات الدماغ» — هكذا تصوغ

TechCrunch المعيار الجديد للبيانات.

بالنسبة للصناعة، يعني هذا ارتفاعًا حادًا في التكلفة وتعقيدًا أكبر في جمع البيانات. فبدلًا من فيديوهات شبه مجانية من الشبكة، تأتي تسجيلات استوديو متعددة الكاميرات، وتوصيف يدوي، وواجهات عصبية — ما يعني أن الوصول إلى بيانات عالية الجودة يصبح عائقًا لا يقل أهمية عن القدرة الحاسوبية.

ماذا يعني هذا

يتحول سباق الروبوتات من الخوارزميات إلى البيانات: ستكون الأفضلية لمن يجمع مجموعة البيانات الأكثر ثراءً وتوصيفًا للحركات والنوايا. لم تعد الفيديوهات الرخيصة من الإنترنت وقودًا للذكاء الاصطناعي الفيزيائي — ويحل محلها تسجيلات باهظة الثمن متعددة الكاميرات وإشارات حيوية بشرية.