الروبوتات الشبيهة بالبشر تتألق في العروض التجريبية وتفشل في اختبار التعميم: الحل في البيانات

لا تزال الروبوتات الشبيهة بالبشر في عام 2026 تبدو في مقاطع الفيديو أفضل مما هي عليه في المنشآت الفعلية. وتعزو The Robot Report ذلك إلى الفشل في اختبار التعميم: فالآلة التي تؤدي مهمتها بإتقان في مشهد مألوف تضطرب عندما يتغير الجسم المستهدف أو الإضاءة أو صياغة المهمة. وترى المطبوعة أن الحل في بيانات أعلى جودة وفي الحكم البشري. والمنشور الأصلي قصير ولا يورد أرقامًا، لذا نستعرض أدناه آلية المشكلة استنادًا إلى بيانات مفتوحة من القطاع.

لماذا تضلّل العروض التجريبية؟

يجري العرض التجريبي في بيئة مغلقة. فالإضاءة مضبوطة، والأجسام معروفة، والمسار جرى التدرب عليه مرات عديدة، وأحيانًا يقف خلف الروبوت مشغّل يتحكم به عن بُعد. ويوضح ذلك عرض Optimus في فعالية Tesla في أكتوبر 2024: فبحسب تقارير وسائل الإعلام، كان جزء من الروبوتات يُدار عن بُعد. وهذه ممارسة اعتيادية في جمع بيانات التدريب، لكن مقاطع الفيديو التي تعتمد على التحكم عن بُعد لا يمكن اعتبارها دليلًا على الاستقلالية.

أما سياسة التحكم المدرَّبة على توزيع ضيق من المواقف، فلا تكون واثقة إحصائيًا إلا داخل هذا التوزيع. وما إن تخرج عن حدوده حتى تنهار الثقة فجأة ولا تتراجع تدريجيًا. فالروبوت يمسك بكوب لم يره من قبل ويخطئ بمقدار سنتيمترين، وهذا يكفي لانهيار السيناريو بأكمله.

مم يتكوّن اختبار التعميم؟

يُختبر التعميم على عدة محاور، وكل محور منها يكشف ضعف العرض التجريبي بطريقته:

• أجسام جديدة: شكل أو كتلة أو مادة مختلفة، وانعكاسات ضوئية على السطح؛
• مشهد جديد: مطبخ أو مستودع أو رف مختلف، وإضاءة وخلفية مغايرتان؛
• صياغة جديدة: المهمة نفسها لكن بكلمات أخرى؛
• جسم جديد: نقل المهارة بين روبوتات تختلف في الحركيات وأدوات الإمساك؛
• أفق طويل: تراكم الأخطاء في سلسلة من عشرات الخطوات.

ويسهل حساب النقطة الأخيرة. فإذا نجح الروبوت في خطوة واحدة بنسبة 95%، فإن سلسلة من عشر خطوات ستكتمل دون إخفاق بنسبة 60% تقريبًا (0.95 مرفوعًا إلى القوة العاشرة). وعند عشرين خطوة تنخفض النسبة إلى نحو 36%. لذلك لا يقول مقطع من حلقة واحدة شيئًا عن الموثوقية على مدار نوبة عمل كاملة.

ولا يزال حجم البيانات في الروبوتات غير قابل للمقارنة بنماذج اللغة. فقد جمعت مجموعة Open X-Embodiment المفتوحة بيانات 22 نوعًا من الروبوتات من 21 مؤسسة، بأكثر من مليون مسار. وهذا رقم قياسي في مجال الروبوتات، لكن مجموعات LLM المستمدة من الإنترنت أكبر بعدة مراتب. كما أن البيانات الفيزيائية أغلى ثمنًا: فكل حلقة تتطلب آلة حقيقية ومشغّلًا ووقتًا.

البيانات والحكم البشري

تتلخص أطروحة The Robot Report في أن زيادة الحجم وحدها لا تحل المشكلة. فالمهم هو نوع البيانات المجموعة ومن يقرر ما يُعدّ نجاحًا. وعمليًا يتجسد ذلك في عدة مهام.

الأولى: انتقاء العروض التوضيحية. فقد ينفّذ المشغّل المهمة بصورة غير مثلى، بحركات زائدة أو بنجاح عرضي. وهذه الحلقات تضر بالتدريب، ويجب أن يصفّيها إنسان يفهم الهدف.

الثانية: تصنيف النجاح والنجاح الجزئي. فالثنائية «نجح أو لم ينجح» تخفي ما الذي حدث بالضبط. والإنسان يميّز بين جسم سقط وجسم وُضع بإهمال، وهما في سياق السلامة الصناعية فئتان مختلفتان من الأخطاء.

الثالثة: التصحيحات أثناء العمل الفعلي. فعندما يتعثر الروبوت يتدخل المشغّل، ويصبح هذا التصحيح أثمن مثال تدريبي، لأنه يُظهر الإصلاح في الموقف الذي تكون فيه السياسة ضعيفة تحديدًا.

كيف نقرأ العرض التجريبي القادم؟

يترتب على ذلك للمهندس أو المستثمر مجموعة أسئلة ينبغي طرحها على أي عرض لروبوت شبيه بالبشر:

• هل يعمل الروبوت باستقلالية كاملة أم يوجد تحكم عن بُعد وسيناريوهات مبرمجة؟
• كم عدد مرات التشغيل المعروضة على التوالي، وكم منها انتهى بالفشل؟
• هل تغيرت الأجسام والبيئة مقارنة بما جرى التدريب عليه؟
• ما طول المهمة بعدد الخطوات، وما نسبة النجاح في كل خطوة؟
• من يصنّف البيانات، وكيف تُنتقى العروض التوضيحية؟

ومقياس النضج المعقول هنا ليس عدد المقاطع المبهرة، بل نسبة عمليات التشغيل الناجحة في بيئة جديدة دون تدخل بشري. وما دامت الشركات لا تنشر مثل هذه الأرقام، يبقى العرض التجريبي تسويقًا لا قياسًا.