Action Intelligence تطلق Chorus: بيانات تدريب الروبوتات تزداد 40 ضعفًا

أعلنت Action Intelligence (行元智能) في 27 أكتوبر عن Chorus (باسمه الصيني «众行»)، وهو محرك بيانات عابر للتجسيدات المادية (cross-embodiment) يحوّل فيديو الأفعال البشرية إلى بيانات تدريب مسبق لروبوتات ذات تصاميم مختلفة. والأثر المعلن هو أن عينة التدريب تزداد 40 ضعفًا. وتُجمع مقاطع الفيديو من خمسة أنواع من الأجهزة القابلة للارتداء والمحمولة باليد، فيما يتمثل الهدف الرئيسي في رفع معامل إعادة استخدام البيانات البشرية.

لماذا أصبح فيديو البشر عملة الروبوتات؟

كان للنماذج اللغوية الإنترنت. أما الروبوتات فلا إنترنت لها. فكل ساعة من التعامل الفعلي مع الأشياء يجب إما تسجيلها عبر التشغيل عن بُعد (teleoperation)، حيث يتحكم مشغّل يرتدي خوذة أو يحمل وحدات تحكم بالذراع الروبوتية، وإما الحصول عليها من المحاكاة التي لا تنتقل جيدًا إلى العالم الفيزيائي. والطريق الأول مكلف وبطيء، إذ يحتاج إلى روبوتات ومواقع ومشغّلين مدرَّبين. أما الثاني فيعاني من الفجوة بين المحاكي والواقع.

يختلف فيديو البشر في طبيعته. فالناس يلتقطون الأكواب ويفتحون الأدراج ويطوون الملابس كل يوم على أي حال. وإذا صُوّر ذلك بكاميرات يمكن ارتداؤها وزهيدة الثمن، تتراكم البيانات أسرع بأضعاف مضاعفة. لكن هناك مشكلة: لدى الإنسان يد بخمسة أصابع وحركية محددة، أما الروبوت فقد يكون له ماسك بإصبعين أو كف شبيهة بالبشرية أو ذراع بعدد مختلف من درجات الحرية. وهذه هي الفجوة بين «الأجسام»، أو embodiment gap. ويعالجها Chorus على مستوى البيانات: إذ يُحوَّل الفيديو الأصلي إلى صيغة تناسب منصة بعينها.

خمسة أنواع من الأجهزة في قمع واحد

تكمن نقطة قوة الإعلان في أن Chorus غير مرتبط بطريقة تصوير واحدة. وتذكر الشركة المصادر التالية:

• النظارات الذكية. توفر منظورًا من وجهة نظر الشخص الأول، وهو الأقرب إلى ما «يراه» رأس الروبوت.
• الكاميرا الصدرية. تلتقط منطقة العمل أمام الجسم واليدين في الإطار، دون أن تعيق الحركة.
• الكاميرا المعصمية. تُظهر إمساك الجسم في لقطة قريبة، وهو أمر مفيد لتدريب الروبوت على أفعال التلامس الدقيقة.
• أجهزة UMI. ماسكات يدوية مزودة بكاميرا مستوحاة من Universal Manipulation Interface. تُسجَّل حركة الإنسان بطريقة تسهّل نقلها إلى الذراع الروبوتية.
• طوق الرأس الذكي. مستشعر خفيف قابل للارتداء يناسب نوبات التصوير الطويلة.

كل جهاز من هذه الأجهزة يشوّه الصورة بطريقته. فالنظارات ترى المشهد كاملًا، لكن اليدين قد تحجب إحداهما الأخرى. والكاميرا المعصمية تُظهر التلامس بدقة، لكنها تفقد السياق. ومحرك موحد يستقبل تدفقًا بهذا التنوع يعفي العميل من بناء خط معالجة (pipeline) منفصل لكل مستشعر.

ما الذي يعد به الارتفاع 40 ضعفًا؟

يشير الرقم 40 في عنوان الإصدار إلى حجم بيانات التدريب المتاحة للتدريب المسبق بعد تمرير فيديوهات البشر عبر Chorus. والمنطق بسيط: إذا أمكن استخدام التسجيل نفسه مع عدة أنواع من الروبوتات، وليس فقط مع المنصة التي صُوّر عليها، فإن الحجم المفيد الإجمالي يتضاعف مرات عدة. ويصطدم التدريب المسبق للنماذج التأسيسية (foundation models) في الروبوتات منذ زمن بحدود التنوع والحجم: فمن دون عشرات الآلاف من ساعات المهام والمشاهد والأجسام المختلفة، تعمّم النماذج بصورة ضعيفة.

ويستدعي الحذر السؤال الأهم: ما مدى جودة عمل البيانات المحوَّلة على روبوتات حقيقية. وهنا عادةً تُختبر مقاربات cross-embodiment: تُقارَن نسبة نجاح تنفيذ المهام لدى النماذج مع إضافة البيانات البشرية ومن دونها. ولا توجد حتى الآن قياسات مستقلة لـ Chorus، لذا سيتعين تقييمه من خلال العروض التوضيحية المقبلة والمعايير المفتوحة (benchmarks).

لمن سيفيد هذا عمليًا؟

بالنسبة لمطوّري الروبوتات البشرية والأذرع الروبوتية، يعد Chorus بتغيير بنية التكاليف: إذ يمكن تعويض جزء من ميزانية التشغيل عن بُعد بتصوير رخيص للأشخاص. أما الفرق التي تملك أصلًا أساطيل خاصة من الكاميرات القابلة للارتداء، فتحصل على فرصة لإعادة استخدام الأرشيفات المتراكمة. وتُتاح للمتكاملين والمصانع التي ينفذ فيها العاملون عمليات تركيب وتخزين نمطية إمكانية تسجيل العمل الفعلي للموظفين وتحويله إلى مواد تدريب.

وينبغي متابعة ثلاثة أمور: أي الروبوتات تحديدًا مدعومة، وبأي صيغة يسلّم المحرك البيانات، وهل ستنشر Action Intelligence مقارنات مع الطرق الأساسية. وتتوقف على الإجابات مسألة ما إذا كان Chorus سيصبح طبقة عمل في البنية التحتية، أم سيبقى مجرد عرض تقديمي جميل.