مراجعة تضم 200 دراسة تنظّم تعلّم الأفوردانس في الذكاء الاصطناعي المتجسّد

جمع باحثون في مراجعة واحدة نحو 200 دراسة حول تعلّم الأفوردانس (affordance) في الذكاء المتجسّد، بحسب ما أفاد به موقع Jiqizhixin. يقع الموضوع في الفجوة بين عبارة «النموذج يرى فنجانًا» وفعل «الذراع الروبوتية تمسكه من المقبض». ويجيب الأفوردانس عن ثلاثة أسئلة: ما الذي يمكن لمسه في المشهد، وفي أي موضع، وبأي طريقة.

الفجوة بين فهم المشهد والفعل

منحت السنوات الأخيرة الروبوتات عدة أدوات قوية دفعة واحدة: نماذج الرؤية واللغة والفعل (VLA)، والنماذج العالمية، والنماذج التأسيسية متعددة الوسائط، إضافة إلى مشاريع الروبوتات العامة. وصارت الآلات تحلّل تعليمات معقدة وتولّد مسارات حركة مستمرة في عدد متزايد من المهام.

لكن التعرّف على الجسم لا يحدد أي جزء منه ينبغي الإمساك به. فمقبض القدر وغطاؤها ينتميان إلى فئة «القدر» نفسها، غير أن الأفعال المتعلقة بكل منهما مختلفة. وللسكين جانب آمن وآخر قاطع. ويرى مؤلفو المراجعة، بحسب المقدمة، أن هذه هي المشكلة الأساسية التي لم تُحل بعد: فعلى الروبوت ألا يكتفي بمعرفة ما أمامه، بل أن يدرك أيضًا ما يمكن استخدامه عمليًا، وأين يطبّق القوة، وكيف.

ما هو الأفوردانس عمليًا

صاغ المصطلح عالم النفس جيمس غيبسون عام 1979: الأفوردانس هو إمكانية فعل تتيحها البيئة لوكيل محدد. وفي الروبوتات يُحوَّل إلى تمثيل يمكن تدريبه وتمريره إلى المخطِّط أو إلى السياسة (policy).

فيما يلي الأشكال المعتادة لهذا التمثيل في المجال. وهي صورة عامة عن الاتجاه، وليست عرضًا لتصنيف المراجعة، فهذا التصنيف غير موجود في المقتطف المتاح.

• المستوى الكائني: أي الأشياء صالحة لأي فعل (الإبريق للسكب، الباب للفتح).
• المستوى المكاني: نقطة أو قناع أو خريطة حرارية على الصورة، أو منطقة ثلاثية الأبعاد على سحابة النقاط.
• مستوى التفاعل: أوضاع الإمساك، واتجاه القوة، ومسار الحركة.
• المستوى الدلالي: ربط الأمر اللغوي بجزء من الجسم («افتح الدرج» يقود إلى المقبض).
• مصادر التعلّم: الوسم اليدوي، وفيديوهات أفعال البشر، والمحاكاة، وإرشادات من VLM وLLM.
• نطاق المراجعة: نحو 200 دراسة.

لماذا تصدّر الموضوع المشهد

ظهرت الأفوردانس في الروبوتات قبل الطفرة الحالية بوقت طويل. ففي SayCan (2022) كان النموذج اللغوي يقترح الخطوات، بينما تستبعد تقديرات قابلية تطبيق المهارات ما لا يستطيع الروبوت تنفيذه في الظروف الراهنة. أما نماذج VLA الشاملة (end-to-end) مثل RT-2 وOpenVLA وπ0 فتسلك طريقًا مختلفًا: فهي تتعلم مباشرة إخراج الأفعال انطلاقًا من الصورة والنص.

وللأفوردانس الصريح بوصفه طبقة وسيطة حجج واضحة. فيمكن تصويره والتحقق منه. ويرى كثيرون في المجال أنه يساعد على نقل المهارات بين أجسام مختلفة وتصميمات روبوتات مختلفة. كما يوفّر نقطة يمكن ربط الهندسة والفيزياء بها. أما هل يكفي ذلك في مواجهة التعلّم الشامل على أحجام كبيرة من العروض التوضيحية، فسؤال لا يزال مفتوحًا. والمراجعة الجيدة مفيدة تحديدًا لتبيّن أين تلتقي المقاربات وأين تتنافس.

كيف تستفيد من المراجعة

لا يتضمن المقتطف المتاح سوى طرح المشكلة، لذا من المبكر الحكم على التصنيف والاختبارات المعيارية (benchmarks) واستنتاجات المؤلفين. ينبغي قراءة النص الأصلي.

وعلى الفرق التي تبني أنظمة المناولة والتحكم بالأشياء أن تتحقق من ثلاثة أمور:

• أي تمثيل للأفوردانس يناسب مهمتكم: نقطة وقناع للمناولة على سطح الطاولة، أم وضع ومسار للعمليات الدقيقة.
• كيف تُقاس الجودة. فدقة تحديد موضع المنطقة والنجاح الفعلي للفعل على الروبوت يعطيان صورتين مختلفتين، ومن الخطر الاختيار بناءً على مقياس واحد.
• من أين تأتي البيانات. فنمو فيديوهات البشر منخفض التكلفة، لكن قابلية النقل إلى يد روبوت محددة والفجوة بين المحاكاة والواقع يجب فحصهما كلٌّ على حدة.

أما من يدخل المجال حديثًا، فتوفر له مثل هذه المراجعة أسابيع من البحث: فهي تبيّن المهام التي أُنجزت بالفعل، والمواضع التي لا تزال فيها فجوات بين الإدراك والفعل في الذكاء الاصطناعي المتجسّد.