COCO Matrix تطلق CO01: روبوت يتعلم من العرض والخطأ والعبارة

قدّمت شركة COCO Matrix الصينية نموذج CO01 للروبوتات، وهو مبني على فكرة يعدّها مطورو نماذج LLM أمراً عادياً منذ زمن: التعلم في السياق. يُنطق الاسم /kuːl/، أي «cool». يريد المطورون أن يتقن الروبوت المهام كما يفعل الإنسان: يراقب أولاً، ثم يجرّب، ثم يصغي إلى الملاحظات. عرض واحد، أو إخفاق واحد، أو عبارة واحدة، أو صورة واحدة للهدف، وعندها يختار النموذج إجراءه التالي بشكل مختلف.

يسمّي الفريق أسلوبه «التلميحات التجريبية» (experience prompting). والتفصيل الأساسي هنا أن الخبرة تدخل مباشرة إلى سياق النموذج. فلا حاجة إلى تحويلها أولاً إلى مجموعة بيانات تدريب وتمريرها عبر دورة ضبط دقيق جديدة.

درس بدلاً من إعادة التدريب

في الروبوتات، تعني المهمة الجديدة عادةً دفعة جديدة من البيانات. فلا بد من جمع العروض التوضيحية، ووسمها، وإعادة تدريب السياسة، واختبارها على العتاد الفعلي، ثم تكرار الدورة. وبالنسبة إلى المُدمِج الذي ينشر الروبوتات في مواقع مختلفة، هذا هو البند الأكبر في التكاليف والسبب الرئيس لطول المشاريع التجريبية.

سبقت نماذج اللغة الروبوتات في تجاوز هذه المشكلة. فالمثال الوارد في الموجّه يغيّر سلوك النموذج دون تغيير أوزانه. ويُنقل CO01 هذا المنطق إلى العالم المادي. وإذا كان النهج يعمل كما تعلن الشركة، فبوسع المدرّب أن يعرض المهمة، ويشير إلى الخطأ، ويصحّح الحركة بكلمة، كما يُفعل مع موظف جديد في المستودع.

أربعة أنواع من التلميحات

مجموعة الإشارات التي يقبلها CO01 تقول الكثير. فالشركة تعدّد الأنواع التي يستطيع النموذج استقبالها:

• العرض التوضيحي. يكفي عرض واحد لتحديد نموذج الحركة.
• المحاولة الفاشلة. يتحول تسجيل الإخفاق إلى مادة للدرس: يرى النموذج ما الذي لم ينجح تحديداً.
• التذكير القصير. عبارة واحدة مثل «تحرّك ببطء أكثر» أو «افتح الغطاء أولاً» توجّه الخطوة التالية.
• صورة الهدف. صورة للحالة النهائية، مثل أشياء مرتبة في مواضعها، تغني عن وصف طويل للمهمة.

النقطة الثانية هي الأكثر إثارة للاهتمام. فمعظم الروبوتات تُدرَّب على مسارات ناجحة، وتُهمل حالات الفشل بوصفها ضجيجاً. أما هنا فيُعدّ الإخفاق مصدراً كاملاً للمعرفة، وهذا أقرب إلى الممارسة الفعلية للتعلم البشري. فالخطأ يقع في الورشة باستمرار، والنموذج القادر على استخلاص درس منه في موضعه أنفع من نموذج يكتفي بتكرار تسجيلات مثالية.

أين يصطدم النهج بالواقع

للتعلم في السياق قيود معروفة. فالسياق محدود: كلما زادت الأمثلة والتلميحات ارتفع الحِمل الحسابي، وصار أصعب الالتزام بزمن الاستجابة الذي يشترطه التحكم في الذراع الروبوتية. والخبرة الموجودة في السياق لا تتراكم من تلقاء نفسها. فإذا انتهت الجلسة، وجب نقل الدرس من جديد ما لم يُحفظ بشكل منفصل.

وهناك أيضاً مسألة الموثوقية. فقد تكون العبارة الواضحة للإنسان ملتبسة بالنسبة إلى النموذج. وصورة الهدف تحتمل أكثر من طريقة لبلوغه، وليست كلها آمنة للمعدات.

ما الذي ينبغي أن يتحقق منه المُدمِجون قبل المشروع التجريبي

إذا وصل CO01 إلى النشر التجاري، فمن الأفضل طرح أسئلة محددة على المورّد:

• كم تلميحاً يحتفظ به النموذج في السياق، وكيف تتراجع سرعة الاستجابة مع زيادة عدد الأمثلة؛
• هل يبقى الدرس محفوظاً بين الورديات، وكيف يمكن نقله من روبوت إلى آخر؛
• ما نسبة المهام التي تُتقَن من عرض واحد، وما نسبة تلك التي تتطلب عدة محاولات؛
• كيف يتصرف النظام حين تتعارض التلميحات، مثلاً بين العرض التوضيحي والأمر اللفظي؛
• ما قيود السلامة التي تسري بغض النظر عمّا يقوله المشغّل.

أما على صعيد السوق، فيمثل CO01 إشارة أخرى إلى أن النماذج التأسيسية (foundation models) للروبوتات تتجه نحو الواجهة نفسها التي أرستها نماذج LLM: لا إعادة تدريب، بل شرح. والفائز هو من يجعل الشرح رخيصاً وسريعاً ومقاوماً لأخطاء المشغّل. وعلى هذه المعايير الثلاثة تحديداً سيتعين مقارنة CO01 بمنافسيه.