الروبوتات تتعلم من 20 854 ساعة فيديو: كيف تبني Sharpa المناولة الدقيقة

تغلو بيانات الروبوتات أسرع مما تنمو النماذج، والقطاع يبحث عن مخرج. فقد درّب فريق EgoScale، ومن بينه باحثون من NVIDIA، سياسة تحكم للروبوتات مسبقًا على 20 854 ساعة من الفيديو المصوَّر من منظور الشخص الأول، يظهر فيه بشر وهم يؤدون مهامهم. وسجّل الفريق علاقة لوغاريتمية-خطية: كلما زادت الساعات تحسّنت النتيجة، والنمو هنا يمكن التنبؤ به. وعلى هذه الخلفية، تستعرض مجلة Jiqizhixin الصينية نهج Sharpa، التي تطوّر المناولة الدقيقة بوصفها منظومة واحدة من ثلاث طبقات: العتاد والبيانات والنموذج.

تنبيه مهم: لا يتضمن الجزء المتاح من المادة أي اختبارات أداء (بنشمارك) خاصة بـ Sharpa، ولذلك نعرض أدناه السياق ومنطق النهج، لا أرقامًا جرى التحقق منها.

لماذا تبتعد البيانات عن التشغيل عن بُعد

قبل عام فقط كان التشغيل عن بُعد المصدر الرئيسي لمسارات التدريب الخاصة بالأذرع الروبوتية: يتحكم المشغّل بالروبوت عبر خوذة VR أو قفاز، بينما يسجّل النظام الحركات. تمنح هذه الطريقة بيانات نظيفة بصيغة «أصلية» للروبوت، لكن لها ثلاث نقاط ضعف. فهي مكلفة، لأنها تحتاج إلى مشغّل وأسطول روبوتات وموقع. وهي بطيئة: إذ تستغرق ساعة التسجيل ساعة كاملة من الوقت الفعلي. كما أنها ضعيفة التوسع جغرافيًا، لأن كل مشهد جديد يتطلب حضورًا فعليًا.

أما الفيديو البشري فمختلف. يستطيع شخص يضع كاميرا على رأسه تصوير الحياة اليومية والمطبخ والتجميع وأي حركة دقيقة، دون وجود روبوت بجانبه. ومن هنا جاء حجم EgoScale. وتذهب أعمال مثل HumanScale أبعد من ذلك، بحسب ما ورد في إعلان Jiqizhixin، إذ ترى أن الفيديو قد يحل محل المصدر الأساسي للبيانات.

أين يأتي دور العتاد

للفيديو ثمن: الفجوة بين جسم الإنسان وجسم الروبوت. فلليد البشرية عشرات درجات الحرية وحاسة اللمس. ولا يستطيع الإمساك بإصبعين أن يكرر ما يظهر في الفيديو. وكلما اقتربت حركية كفّ الروبوت من حركية الكف البشرية، قلّ الفاقد عند نقل الحركة من المقطع إلى سياسة التحكم.

ولهذا بالذات يصعب تقسيم المناولة الدقيقة إلى مهمتين مستقلتين: «صناعة اليد» و«تدريب النموذج». فاختيار تصميم الكف يحدد البيانات التي يمكن استخدامها. وصيغة البيانات تحدد بنية النموذج. والنموذج بدوره يفرض متطلبات على المستشعرات. ويشير عنوان مادة Jiqizhixin إلى أن Sharpa تحاول السير في هذه السلسلة كاملة، لا تحسين حلقة واحدة منها.

أبرز النقاط المرجعية

• حجم التدريب المسبق في EgoScale: 20 854 ساعة من فيديو egocentric للبشر.
• النمط الملحوظ: منحنى لوغاريتمي-خطي بين حجم البيانات وجودة السياسة.
• عنق الزجاجة في التشغيل عن بُعد: التكلفة وسرعة التسجيل وصعوبة التوسع.
• نهج Sharpa: ربط «العتاد – البيانات – النموذج» لتحقيق المناولة الدقيقة.
• سؤال مفتوح: لا توجد في الجزء المتاح من المادة مقاييس عامة قابلة للمقارنة خاصة بـ Sharpa.

ما الذي ينبغي متابعته لاحقًا

يعني المنحنى اللوغاريتمي-الخطي عوائد متناقصة: كل مضاعفة للبيانات تعطي زيادة متقاربة في الأداء. وهذه إشارة عملية للمطورين، إذ تساعد على تخطيط ميزانية البيانات مسبقًا. أما الفرق التي تبني أيديها وأذرعها الروبوتية الخاصة، فالاستنتاج لديها مختلف: توافق الحركية مع الحركية البشرية يصبح ميزة تنافسية، لأنه يفتح الوصول إلى كميات هائلة من الفيديو.

وعند تقييم أنظمة كهذه ينبغي التحقق من ثلاثة أمور. الأول: على أي مهام يُقاس النجاح، وهل بينها عمليات طويلة تتعامل مع أشياء صغيرة. الثاني: ما حصة الفيديو من البيانات، وما حصة التشغيل عن بُعد المستخدمة في الضبط الإضافي. الثالث: هل تتكرر النتائج على منصات أخرى، لا على «اليد الأصلية» للمؤلفين وحدها. وما دامت هذه الأسئلة بلا إجابات علنية، تبقى تصريحات النهج المنهجي مجرد طرح، لا نتيجة مثبتة.