LoopWAM من جامعة تسينغهوا يتصدر RoboChallenge Table30 ويصبح مفتوح المصدر

احتل نموذج الأفعال العالمي LoopWAM المركز الأول في ترتيب RoboChallenge Table30. طوّره فريق مشترك من جامعة تسينغهوا وشركة 原力灵机 (Dexmal) وشركة 极寰时代. ونشر المطورون مع النتيجة صفحة للمشروع وورقة بحثية على arXiv (2610.18873) ومستودعًا على GitHub. ولا يقتبس تقرير Jiqizhixin الأصلي سوى جزء من الإعلان، ولذلك لا يتضمن الدرجات الدقيقة ولا الفارق عن المنافسين. نعرض فيما يلي ما هو معروف، وما يستحق التحقق منه في المصادر الأولية.

ما المعروف عن الإصدار

أُطلق RoboChallenge منصةً مفتوحة لمقارنة نماذج الروبوتات على أذرع آلية حقيقية. أما Table30 فهو مجموعة من 30 مهمة مكتبية. وهذا ليس محاكاة، فالتقييم يجري على روبوتات فيزيائية، ولذلك يكتسب المركز الأول هنا وزنًا أكبر من مجرد سطر في ترتيب قائم على بيئات افتراضية.

أبرز الحقائق الواردة في الإعلان:

• النموذج: LoopWAM، من فئة World Action Model (نموذج الأفعال العالمي)؛
• المطورون: جامعة تسينغهوا، 原力灵机، 极寰时代؛
• النتيجة: المركز الأول في RoboChallenge Table30؛
• الترخيص والإتاحة: الشيفرة مفتوحة، وتتوفر ورقة بحثية وصفحة للمشروع؛
• التوجه المعلن: قرب من مفهوم التطور الذاتي أثناء النشر الذي تطوره pi.

لماذا تحتاج الروبوتات إلى نموذج عالمي

تحوّل نماذج VLA المعتادة (vision-language-action) الصورة والأمر النصي مباشرة إلى أفعال. أما نماذج الأفعال العالمية فتضيف طبقة وسيطة، إذ تتعلم توقع كيف سيتغير المشهد بعد الحركة. فالروبوت لا يكتفي بالتفاعل مع الإطار الحالي، بل يحتفظ في داخله بصورة عن العواقب.

وهذا مهم في التعامل المكتبي. فصبّ السوائل، أو طي الأشياء، أو نقل غرض هش، كلها مهام تتراكم فيها كلفة الخطأ خطوة بعد خطوة. وإذا كان النموذج قادرًا على توقع الحالات المستقبلية، فإنه يقع أقل في أوضاع لا يمكن تصحيحها. ويلمّح اسم LoopWAM إلى حلقة مغلقة بين التوقع والفعل، لكن تفاصيل البنية غير مكشوفة في الجزء المتاح من الإعلان، ويجب البحث عنها في الورقة البحثية.

العلاقة بفكرة pi

المقارنة مع pi ليست عشوائية. فشركة Physical Intelligence تراهن على أن الروبوت ينبغي أن يواصل التعلم بعد التشغيل: يراكم الخبرة، ويتلقى تقييمات للنتائج، ويحدّث سياسته. وبذلك لا يعود النشر نقطة نهائية، بل يصبح مصدرًا للبيانات.

وهذا التشابه مناسب للفريق الصيني من حيث المعنى ومن حيث التسويق. لكن عبارة «لا يتعارض مع الفكرة» تختلف عن «ينفّذ الآلية نفسها». ويبقى السؤال: هل يتعلم LoopWAM من تجربته الخاصة في الزمن الفعلي، أم أن المبدأ مدمج في حلقة التدريب فحسب؟ ستجيب عن ذلك الورقة البحثية والشيفرة.

ما الذي ينبغي التحقق منه عمليًا

يستحسن لمن يعملون في الروبوتات أن يمروا على قائمة قصيرة:

1. فتح صفحة المشروع والبحث عن جدول النتائج لكل مهمة من المهام الثلاثين. فقد تخفي الدرجة الإجمالية الأولى إخفاقات في سيناريوهات منفردة. 2. مقارنة شروط التقييم: هل العتاد نفسه، وكم عدد المحاولات، وهل أُجري تدريب إضافي لمهام محددة. 3. التحقق من وجود الأوزان في المستودع، لا الشيفرة وحدها. فهذا أمر جوهري لإعادة إنتاج النتيجة. 4. الاطلاع على متطلبات الحوسبة أثناء الاستدلال. فالنماذج العالمية أثقل من السياسات المباشرة، وتردد التحكم حاسم بالنسبة للذراع الآلية. 5. معرفة كيف تعمل آلية التعلم الذاتي بعد النشر، إن وُجدت: ما إشارات المكافأة، ومن يحدد نجاح المهمة.

تجعل الشيفرة المفتوحة من LoopWAM نقطة مرجعية مناسبة للمختبرات التي تبني نماذجها العالمية الخاصة. وإذا تبيّن أن الأوزان وبروتوكول التقييم كاملان، فقد يصبح المشروع مرجعًا للأعمال اللاحقة على RoboChallenge. وإن لم يكونا كذلك، فسيكون نتيجة قوية أخرى يصعب التحقق منها. ومن المبكر الحكم الآن: فنحن بحاجة إلى الأرقام من الورقة البحثية.