EinsiaAI تطلق EmbodiedEvo: وكيل ذاتي التطور يتصدر بنشمارك Robodojo

قدمت EinsiaAI نظام EmbodiedEvo، وهو Coding Agent لا يكتفي بكتابة برامج للتحكم في الروبوت، بل يتطور بنفسه استنادًا إلى نتائج محاولاته. ووفقًا لما نقله موقع Jiqizhixin، احتل النظام المركز الأول في بنشمارك Robodojo، الذي تسميه الصحافة الصينية «إيفرست» الذكاء المجسَّد. ولا يتضمن الجزء المتاح من المنشور أرقامًا تفصيلية، لذا فمن المبكر تقدير حجم التفوق.

وكيل يكتب الكود لجسدٍ مادي

المنطق الأساسي بسيط. يحصل الـ Coding Agent من الروبوت على واجهة تتيح له مراقبة المشهد، واستدعاء primitives التحكم، وتشغيل برامجه الخاصة، وقراءة النتيجة. بعد ذلك تبدأ دورة مألوفة لكل من عمل مع وكلاء التطوير: كتابة الكود، ثم تشغيله، ثم فحص الخطأ، ثم إعادة الكتابة.

ويورد المنشور ملاحظة مهمة: حتى دون تدريب إضافي على مهمة بعينها، تحقق وكلاء frontier في وضع zero-shot نسبة نجاح تضاهي أنظمة VLA وWAM التي دُرّبت على مشاهد مشابهة. وهذا ادعاء قوي. فنماذج الأفعال المتخصصة تحتاج إلى بيانات التشغيل عن بُعد، والمحاكاة، وتدريب منفصل لكل منصة. أما نموذج لغوي عام يملك وصولًا إلى API فيستغني عن ذلك كله.

لكن لهذا النهج سقفًا. فكما يرد في النص، zero-shot ليس سوى بداية الطريق: إذ يحل الوكيل المهمة من جديد في كل مرة، دون أن يراكم خبرة.

ما الذي تضيفه خاصية التطور الذاتي

هنا يأتي دور EmbodiedEvo. يشير الاسم والتموضع إلى آلية يحسّن فيها الوكيل استراتيجياته أو مهاراته أو كوده العملي بين التكرارات، وليس داخل حلقة واحدة فقط. أما كيف تعمل هذه الآلية بالتحديد، فلا يوضح المصدر ذلك في الجزء المتاح منه: فلا يُعرف ما الذي يتطور فعليًا (الـ prompts، أم مكتبة المهارات، أم الكود نفسه)، ولا حجم ميزانية الحوسبة اللازمة لكل دورة.

الحقائق المعروفة حتى الآن:

• المطوّر: EinsiaAI، وقد سُجّل الإصدار في 15 أكتوبر 2026؛
• نوع النظام: Coding Agent ذاتي التطور للذكاء الاصطناعي المجسَّد؛
• النتيجة: المركز الأول في Robodojo؛
• المقارنة الأساسية: أداء وكلاء frontier في zero-shot على مستوى VLA وWAM المدرَّبة على مشاهد مقاربة؛
• لم يُكشف عنه: النسب المطلقة للنجاح، وعدد المهام، والفارق عن صاحب المركز الثاني، والنموذج الأساسي المستخدم، وتكلفة التشغيل.

كيف نقرأ هذه النتيجة

بالنسبة لمهندسي الروبوتات، يكمن الاستنتاج الرئيسي في تغيّر السؤال المعماري. فقد كان الاختيار سابقًا بين شبكة عصبية شاملة (end-to-end) تُصدر الأفعال، وpipeline تقليدي يعتمد على مخطِّط (planner). ويقدّم الوكيل الذي يكتب الكود خيارًا ثالثًا: يبقى البرنامج مقروءًا، ويمكن تصحيحه وإدارة إصداراته واختباره باختبارات آلية. وبالنسبة للسيناريوهات الصناعية التي تتطلب قابلية التفسير، تُعد هذه ميزة جوهرية.

أسئلة عملية ينبغي طرحها قبل نقل هذا النهج إلى منتج:

• كيف ترتبط نتيجة Robodojo بالأداء على عتاد حقيقي، وليس في المحاكاة فقط؛
• كم محاولة وكم token يحتاج الوكيل للوصول إلى المستوى المعلن؛
• ما مدى أمان تشغيل كود كتبه الوكيل بنفسه على ذراع روبوتية فعلية دون طبقة قيود صارمة؛
• هل تنتقل المهارات المتراكمة بين روبوتات مختلفة.

إلى أن تنشر EinsiaAI تقريرًا تقنيًا ومقاييس قابلة لإعادة الإنتاج، ينبغي النظر إلى EmbodiedEvo على أنه إشارة لافتة إلى الاتجاه، وليس إجابة حاسمة. لكن الإشارة نفسها واضحة: بجانب نماذج VLA يتشكل خط منافس لا تتحكم فيه شبكة عصبية بالروبوت، بل وكيل مبرمج يتعلم من أخطائه.