الذكاء الاصطناعي الفيزيائي وموجات الدماغ: لماذا لم تعد مقاطع YouTube كافية لتدريب الروبوتات

وصفت TechCrunch في 26 يوليو 2026 حدًّا جديدًا في تدريب الذكاء الاصطناعي الفيزيائي (physical AI): فنماذج الروبوتات المتقدمة لم تعد تكتفي بمقاطع YouTube، بل تحتاج إلى تصوير من زوايا متعددة وتوصيف كثيف لكل إطار، ثم قراءة موجات دماغ الإنسان قريبًا.

لماذا لم تعد مقاطع YouTube كافية

تمنح مقاطع YouTube الروبوتَ صورة مسطّحة وفقيرة للفعل: زاوية واحدة، ولا عمق، ولا أي توصيف للجهد المبذول أو لنقاط التلامس. وبحسب TechCrunch، كان هذا المحتوى كافيًا للنماذج المبكرة التي اقتصر دورها على التعرف إلى الأجسام والإيماءات، لكنه لا يكفي أنظمة الذكاء الاصطناعي الفيزيائي المتقدمة التي تحتاج إلى التحكم في جسد حقيقي داخل فضاء ثلاثي الأبعاد.

الذكاء الاصطناعي الفيزيائي فئة من النماذج تتحكم في الروبوتات والأجهزة في العالم الحقيقي، ولا تكتفي بتوليد النصوص أو الصور. ولكي يتعلم هذا النوع من النماذج التقاط كوب أو فتح باب، لا يكفيه أن يفهم شكل الحركة من الخارج، بل عليه أن يعرف القوة والسرعة والزاوية التي تُنفَّذ بها. ولا يحمل المقطع العادي من الإنترنت هذه البيانات: فالكاميرا ترى النتيجة، لكنها لا ترى الفيزياء الكامنة وراءها.

اعتمدت الأساليب المبكرة في تدريب الروبوتات فعلًا على مجموعات ضخمة من الفيديو من مصادر مفتوحة: كان النموذج يشاهد الإنسان وهو ينفّذ مهمة ويحاول إعادة إنتاج الحركة. غير أن المشكلة تكمن في أن محاكاة الصورة الخارجية دون بيانات عن القوة والعمق والسياق لا تنتقل جيدًا إلى روبوت حقيقي في بيئة جديدة.

ما البيانات التي تحتاجها الروبوتات

يتضح من مادة TechCrunch أن نماذج الذكاء الاصطناعي الفيزيائي المتقدمة تحتاج إلى عدة أنواع من البيانات بدلًا من تدفق فيديو واحد. يُصوَّر الفعل بعدة كاميرات في وقت واحد، ويُوصَّف كل إطار يدويًا، وتصبح الإشارات الحيوية للإنسان المصدر التالي.

• نُشرت المادة في 26 يوليو 2026 على TechCrunch
• المشكلة: فيديو YouTube يوفّر زاوية واحدة فقط، دون عمق ودون توصيف
• الحل الأول: تصوير الفعل من زوايا كاميرات متعددة في وقت واحد
• الحل الثاني: توصيف كثيف (dense) لكل حركة، إطارًا بإطار
• الحدّ التالي: قراءة موجات الدماغ (brain wave readings) لدى الإنسان

تتيح الزوايا المتعددة في وقت واحد إعادة بناء الهندسة ثلاثية الأبعاد للمشهد: فما تحجبه اليد أو أحد الأجسام عن إحدى الكاميرات تراه كاميرا أخرى. وبهذا يحصل النموذج على حجم وعمق لا يتوفران في مقطع واحد.

التوصيف الكثيف هو الجزء الأكثر استنزافًا للجهد: إذ يصف المُوسِّم كل إطار (أي جسم، وأي فعل، وأي مرحلة من مراحل الإمساك)، ما يعني آلاف العناصر الموسومة في التسجيل الطويل. ولهذا السبب تفسح المقاطع المجانية المجال لتسجيلات استوديو مكلفة يُتحكَّم في المشهد فيها من البداية إلى النهاية.

لماذا تُقرأ موجات الدماغ

تُعدّ موجات الدماغ النوع الثالث والأغرب من البيانات في المجموعة الجديدة، والغرض منها التقاط نية الإنسان، لا الصورة الخارجية للحركة وحدها. وتُضيف قراءة إشارات الدماغ، وهي في جوهرها تخطيط كهربائية الدماغ (EEG)، إلى التسجيل طبقة لا تستطيع الكاميرا رؤيتها فيزيائيًا: ما الذي كان الشخص ينوي فعله، وكيف وزّع انتباهه لحظة تنفيذ المهمة.

«انسوا فيديو

YouTube — تحتاج نماذج الذكاء الاصطناعي الفيزيائي المتقدمة إلى زوايا كاميرا متعددة، وتوصيف كثيف، وقريبًا قراءة موجات الدماغ»، هكذا تصوغ TechCrunch المعيار الجديد للبيانات.

يعني ذلك بالنسبة إلى القطاع ارتفاعًا حادًّا في كلفة جمع البيانات وتعقيده. فبدلًا من المقاطع شبه المجانية من الإنترنت، تحلّ تسجيلات استوديو متعددة الكاميرات، وتوصيف يدوي، وواجهات عصبية، وبالتالي يصبح الوصول إلى بيانات عالية الجودة عائقًا لا يقل أهمية عن القدرات الحاسوبية.

ماذا يعني ذلك

يتحول سباق الروبوتات من الخوارزميات إلى البيانات: فالأفضلية ستكون لمن يجمع مجموعة بيانات أغنى وأدق توصيفًا للحركات والنوايا. ولم تعد مقاطع الفيديو الرخيصة من الإنترنت وقودًا للذكاء الاصطناعي الفيزيائي، إذ تحلّ محلها تسجيلات مكلفة متعددة الكاميرات وإشارات حيوية بشرية.