Recursia تتفوق على Nvidia ASPIRE بـ10 نقاط في مهام الروبوتات الطويلة

تتفوق Recursia، وهي طريقة ضمن نموذج Embodied RSI، على Nvidia ASPIRE بـ10 نقاط في المهام الطويلة متعددة الخطوات للروبوتات. ذكر ذلك موقع Jiqizhixin الصيني. يسعى المطورون إلى تحقيق التعميم zero-shot، أي أن تتمكن الذراع الروبوتية من تنفيذ سلسلة من الإجراءات في مشاهد لم تَرَها أثناء التدريب. وهنا تحديدًا تتعثر الروبوتات الحديثة في أغلب الأحيان، حتى عندما تكون مهاراتها المنفردة متقنة.

المهمة T3: لماذا يصعب ترتيب طاولة بسيط

لتوضيح الفكرة، يعرض المؤلفون المهمة الطويلة T3 على ذراع روبوتية حقيقية. يضع الروبوت وعاءً على طبق، ثم يأخذ فنجانًا ويضعه داخل الوعاء الذي جرى نقله للتو. تستغرق هذه المهمة بضع ثوانٍ لدى الإنسان. أما الصعوبة لدى الروبوت فتكمن في أن الخطوة الثانية تُنفَّذ في مشهد غيّرته الخطوة الأولى. فالوعاء لم يعد في مكانه الأصلي، ومواضع الأجسام تختلف عما رآه النموذج عند البداية.

تتراكم أخطاء كهذه. فقد تعمل مهام التعرف والإمساك والوضع كلٌّ على حدة بموثوقية عالية، لكن في سلسلة من عدة خطوات تتضاعف الأخطاء الصغيرة، وتجد السياسة (policy) نفسها في حالات لم ترد في بيانات التدريب. لذلك أصبحت المهام الطويلة الاختبار الرئيسي للتعميم: فالعروض القصيرة تُخفي الكثير، أما الطويلة فتكشف أين ينهار النظام.

ما المعروف عن Recursia وRSI

يُفسَّر RSI في الروبوتات عادةً بأنه التحسين الذاتي التكراري: يستخدم النظام تجربته ونتائجه الخاصة ليصبح أفضل. وينقل Embodied RSI هذه الفكرة إلى الوكلاء المادّيين. ومع ذلك يتحلّى المؤلفون أنفسهم بالواقعية: فالمادة تنص صراحةً على أن «لحظة RSI» للروبوتات ما زالت بعيدة جدًا. ويقدّمون Recursia بوصفها خطوة في هذا الاتجاه، لا بوصفها بلوغًا لتلك اللحظة.

يمكن استخلاص ما يلي من الجزء المتاح من المنشور:

• الطريقة: Recursia، نموذج Embodied RSI؛
• الهدف: التعميم zero-shot لدى الروبوتات؛
• المقارنة: Nvidia ASPIRE؛
• النتيجة: تفوق بمقدار 10 نقاط في المهام الطويلة؛
• التحقق: روبوت حقيقي، ومثاله المهمة T3؛
• المصدر: Jiqizhixin، 14 أكتوبر 2026.

تترك المقالة أسئلة مهمة مفتوحة. فليس واضحًا بأي وحدة قيست «النقاط» (يُرجَّح أنها نسبة التنفيذ الناجح، لكن ذلك غير مؤكد). كما أن حجم العينة، وعدد المهام الطويلة، وطول السلاسل، والطريقة التي شُغّلت بها ASPIRE بوصفها خط أساس (baseline)، كلها غير معروفة. ولا توجد بيانات عن حجم المحاكاة والمحاولات الحقيقية التي احتاجها التحسين الذاتي.

كيف تُقرأ مثل هذه النتائج

بالنسبة إلى المهندسين والمستثمرين الذين يتابعون الأذرع الروبوتية، فإن الخلاصة العملية الرئيسية هي أن الأجدر الاعتماد على المهام الطويلة التي تتغير فيها حالة المشهد، لا على عروض المهارات المنفردة. فهناك يمكن رؤية التعميم الحقيقي. وقبل استخلاص أي استنتاجات عن تفوق Recursia، ينبغي انتظار ورقة بحثية أو نسخة أولية (preprint) والتحقق من ثلاثة أمور: المقياس، وعدد التشغيلات على العتاد الحقيقي، ونزاهة المقارنة مع ASPIRE في المهام نفسها وبالظروف نفسها.

عشر نقاط على اختبار مرجعي بعشرات التشغيلات القليلة، وعشر نقاط على مئات المحاولات في مشاهد مختلفة، ادعاءان مختلفان. وما دامت التفاصيل غير منشورة، فهذه إشارة إلى الاتجاه، لا اختراقًا مثبتًا.