Odyssey-3: كيف يعلّم نموذج الفيديو الروبوتات الفيزياء في عشرات الساعات

ما هو النموذج العالمي

يتنبأ النموذج العالمي بالحالة التالية للعالم الفيزيائي: يستقبل إطار فيديو وفعلًا (أمرًا، أو ضربة، أو دفعة)، ويُخرج كيف يبدو الأمر بعد ذلك. يمثّل Odyssey-3 محاولة لجعل هذا النوع من النماذج عامًا وفعّالًا بما يكفي للتحكم في أنظمة حقيقية.

تأسست شركة Odyssey في عام 2023 على يد أوليفر كاميرون وجيف هوك، اللذين عملا عشر سنوات على السيارات ذاتية القيادة. منطقهما مباشر: على الآلة أن تتنبأ بما يحيط بها. لاحظا أن الروبوتات تتقدّم عبر أنظمة ضيّقة — كل منها مصمم لمهمة واحدة، وكل منها يتطلب كمًا هائلًا من البيانات الخاصة به. أما الإنسان فيمكنه في سن الثامنة عشرة الجلوس أمام ماكينة خطيرة وتعلّم استخدامها، لأنه راقب طوال حياته كيف تتحرك الأشياء، وكيف تستجيب للقوة، ومدى خطورة الاصطدامات. تراهن Odyssey على نفس المبدأ: أساس عام واحد مبني على مشاهدة الفيديو، ثم عشرات الساعات من البيانات الخاصة بآلة معينة.

كيف يُبنى النموذج

تعتمد البنية على محوّل انتشاري تلقائي الانحدار. يجري التدريب على ثلاثة أنواع من البيانات:

• فيديوهات الإنترنت الموسومة بالأحداث زمنيًا والمُتحقَّق منها وفق مخطط — توفّر سعة في الفهم • تسجيلات اللعب مع ضغطات لوحة المفاتيح وحركات الفأرة المزامَنة — توفّر الصلة بين الفعل والنتيجة • محاكاة تفاعل الأجسام الصلبة مع تعليقات وبيانات وصفية — توفّر فيزياء دقيقة تكون النتيجة فيها معروفة بدقة

خلال التدريب، يصبح النموذج تلقائي الانحدار عبر تقنية teacher forcing: تُعرض عليه الإطارات السابقة الحقيقية ويُمنع من النظر إلى المستقبل. ثم يُطبَّق التقطير (مطابقة التوزيع والتقطير التنافسي) — وهو ما يحوّل عملية الانتشار البطيئة إلى عملية سريعة تعمل في خطوات قليلة. هذه النسخة المخفَّفة هي التي تعمل في المتصفح.

هناك نسختان من النموذج: Odyssey-3 بدقة 832×480، وOdyssey-3 Pro بدقة 1280×720. يتحرك المستخدم داخل العالم المُولَّد بصيغة الشخص الأول أو الثالث، ويحرّك الكاميرا بشكل مستقل، ويُدخل أحداثًا أثناء التوليد ليرى كيف يستجيب العالم.

نتائج قياسية لكنها مشروطة

على معيار Physics-IQ Verified (من Anates Labs وDeepMind)، حقق Odyssey-3 Pro نسبة 66.1% في نمط فيديو-إلى-فيديو، لكن ذلك في نمط أفضل-من-8 محاولات — حيث تُختار أفضل نتيجة من بين ثماني محاولات. القيم المعتادة أكثر تواضعًا: 63.4% مع موجّهات محسَّنة، و52.8–54.7% في نمط صورة-إلى-فيديو.

على معيار WorldMark (الذي يقيس الالتزام بالتحكم، وجودة المَشاهد، وذاكرة العالم)، احتلت Odyssey المرتبة الأولى في فئات الشخص الثالث (79.0 و76.3%)، لكنها جاءت ثالثة فقط في العوالم الحقيقية من منظور الشخص الأول (80.6 مقابل الرائدة Lyra 2.0 بـ84.4). الفارق في بعض الأحيان لا يتجاوز 0.2 نقطة. والمهم: أن الشركة نفسها هي التي أجرت تقييمات WorldMark، وليس جهة تحقق مستقلة.

من الفيديو إلى الأجهزة

لتطبيق النموذج على روبوت محدد، يبقى الأساس مجمّدًا، ويُضاف وحدة قابلة للتدريب صغيرة تترجم التمثيلات إلى أوامر. وفيما يلي ما تم عرضه:

• الأذرع الآلية: بعشرات الساعات من العروض التوضيحية، تنفّذ مهام مثل «سكب الحبوب في وعاء» و«إغلاق صندوق البراغي»، وتُظهر قدرة على الاستعادة دون تدريب صريح (إعادة توجيه القبضة بعد فشل المحاولة). بالتعاون مع Poke & Wiggle • الروبوتات الشبيهة بالبشر (Flexion): تعمّم السياسات بشكل أفضل عند تغيّر الإضاءة والبيئة مقارنة بنماذج VLA • السيارات: بعد 20 ساعة من القيادة المحاكاة، تسير على شوارع حقيقية في الهند متنبّئة بنقاط المسار. السياسات المدرَّبة بالكامل في المحاكاة تقطع 77% من المسافة التي تقطعها سياسات مدرَّبة على بيانات حقيقية • الطائرات المسيّرة: تنقّل بعد عشرات الساعات من المحاكاة، مع تجاوز ثابت للعوائق (داخل غرفة محاكاة) • الألعاب: تلعب السياسات لعبة GTA V، وتنتقل القدرة إلى ركوب الخيل في Red Dead Redemption 2 وقيادة الدراجات النارية في Sleeping Dogs دون إعادة تدريب • بيانات متعددة الكاميرات: بعد 100 خطوة تدريب، يُخرج النموذج فيديو من ثلاث كاميرات أمامية لسيارة

يعمل النموذج العالمي أيضًا كبيئة تدريب لعملاء آخرين. مشروع PROWL: عملاء يكتشفون نقاط ضعف النموذج، فيتحسّن النموذج، وعوالم أكثر موثوقية تدرّب العملاء بدورها. وبالتوازي هناك Agora-2 (عدة عملاء في عالم واحد) وStarchild-1 (تجاوز التعلّم المرئي فقط).

ما يستدعي الحذر

جاءت نسبة 66.1% القياسية من نمط أفضل-من-8 محاولات، وأجرت الشركة نفسها تقييمات WorldMark. هناك خطر الانتقائية في عرض النتائج: تُعرض اللقطات الناجحة بينما لا تظهر اللقطات الفاشلة. يقيس معيار Physics-IQ استمرارية تجربة ما، لا جودة التحكم الفعلي في روبوت. كثير من العروض التوضيحية يتم داخل محاكي، وما يُسمى «عشرات ساعات من البيانات» يظل حجمًا ليس قليلًا. لم تُكشف أسعار علنية ولا شروط ترخيص ولا وثائق واجهة برمجة تطبيقات؛ والوصول للمطوّرين يتم بناءً على طلب.

وفي المقابل، يُحسب للشركة أنها تكتب بصراحة أن النماذج العالمية متأخرة عن النماذج اللغوية الكبيرة بما يقارب رتبتين من الحجم، وتعترف بأن الصمود عبر روبوتات مختلفة لا يزال سؤالًا مفتوحًا.

يمثّل Odyssey-3 محاولة لتحقيق للعالم الفيزيائي ما حققته النماذج اللغوية الكبيرة للنص: أساس واحد مُدرَّب مسبقًا، ثم بضع ساعات من بيانات خاصة، وتصبح المهمة جاهزة. وفي الوقت الراهن، يبقى الأمر خليطًا من إنجازات حقيقية ووعود لا تزال قيد الاختبار. يمكن تجربة النسخة التجريبية مباشرة في المتصفح.