معهد MIT يعلّم الروبوت تعميم محظورات الإنسان: تحديث القواعد يستغرق نحو 5 ثوانٍ

يحمل روبوت فنجان قهوة عبر الطاولة. تلاحظ حاسوبًا محمولًا في طريقه فتقول: «لا تسكبها على الحاسوب». لكن بجانبه هاتفًا أيضًا. وشرح أنه لا يجوز إغراقه هو الآخر أمر مرهق إلى حد ما. بالنسبة لمطوّر روبوت منزلي، هذه مشكلة منتج حقيقية: كم قاعدة يجب على المستخدم أن يعدّدها قبل أن يصبح استخدام المساعد مريحًا؟

اقترح باحثون من MIT وجامعة نيويورك نظام FLEX الذي يستخلص من هذه الملاحظة قاعدة أعمّ ويغيّر خطة الحركة. في مثال القهوة يمتد المنع ليشمل الإلكترونيات. وتستغرق دورة التحديث الكاملة نحو خمس ثوانٍ. حتى الآن جرى اختبار النهج على ذراع روبوتية افتراضية: النتائج تشير إلى اتجاه للتطوير، لكنها لا تثبت بعد الموثوقية داخل شقة.

كيف تتحول ملاحظة واحدة إلى قاعدة

يعمل FLEX في ثلاث خطوات. أولًا، يضيف النظام إلى قائمة السمات المهمة للمهمة ما أشار إليه الإنسان. فإذا كان الروبوت ينقل كرة بولينغ وتلقى الملاحظة «لا تُسقطها على كوبي»، يصبح الكوب عنصرًا يجب أخذه في الحسبان عند اختيار المسار.

هذه الخطوة بحد ذاتها مألوفة في الروبوتات. وعيبها أن قائمة المحظورات المنفصلة تتضخم تدريجيًا. فعلى المستخدم أن يشير إلى أشياء جديدة باستمرار، بينما يفقد جزء من القيود القديمة معناه بعد تغيّر المحيط.

في الخطوة الثانية يدخل النموذج اللغوي. استخدمت الدراسة GPT-4o. فهو يدرس الأشياء التي حدّدها الإنسان ويقترح تعميمًا، مثل: حماية الأشياء الهشة. عندها يستطيع الروبوت مراعاة أشياء أخرى من هذه الفئة وإن لم يسمّها المستخدم.

تتولى الخطوة الثالثة ضمان حداثة القائمة. تحدد الرؤية الحاسوبية الأشياء التي لم تعد موجودة في المحيط، ويستبعدها النظام من قائمة الأشياء المأخوذة في الحسبان. وهذا يساعد المخطِّط على العمل مع الوضع الراهن.

والمهم هنا هو بنية المنظومة كاملة. يساعد النموذج اللغوي على صياغة القيد، وتقيّم الرؤية المحيط، ويحسب المخطِّط الحركة. وما يهم المهندس هو بالضبط هذه الطريقة لربط تصحيح شفهي بتغيير محدد في السلوك.

ما الذي جرى اختباره وما لا نعرفه بعد

وصف المؤلفون ثلاث مهام في المحاكاة: نقل فنجان قهوة وشمعة وكرة بولينغ. أدخل متطوعون الأوامر نصيًا. وردًّا على ذلك راعى النظام المنع المحدد والفئة الأوسع معًا: الإلكترونيات أو المواد القابلة للاشتعال أو الأشياء الهشة.

توضح هذه الأمثلة الفكرة جيدًا، لكن حدود النتيجة جوهرية. فالمادة المتاحة لا تتضمن مؤشرات نجاح ولا مقارنة لمعدلات الخطأ ولا بيانات عن عمل روبوت فعلي. لذلك لا يمكن الاستنتاج أن FLEX يجعل الأذرع المنزلية أكثر أمانًا بمقدار قابل للقياس.

كما يجب فهم الثواني الخمس فهمًا صحيحًا: هذا هو الوقت الذي تستغرقه الدورة الموصوفة كلها بخطواتها الثلاث. وهو ليس زمن التأخير المعلن للإيقاف الطارئ. وإذا كان الفنجان يسقط بالفعل، فلا يمكن أن نستنتج من المنشور أن FLEX سيتمكن من منع الحادث.

وثمة سؤال يخص التعميمات نفسها. فقد يطلب الإنسان حماية كوب معين لقيمته الشخصية لا لهشاشته. هذا غموض محتمل في النهج؛ والنص المعروض لا يشرح كيف يتحقق النظام من هذه النوايا ويصحح الافتراضات الخاطئة.

ما الذي يأخذه المطوّر ومدير المنتج

الفكرة العملية في FLEX هي تقليل عدد الشروحات المتكررة عند ضبط الروبوت على شخص معيّن. فبدلًا من قائمة طويلة من الاستثناءات، يعطي المستخدم تصحيحًا قصيرًا يستخلص منه النظام قاعدة للحالات المشابهة. وهذا مثير للاهتمام خصوصًا للمساعدات المنزلية التي ستعمل بين أشياء متنوعة وتراعي تفضيلات مختلفة لأصحابها.

من المفيد في النموذج الأولي الفصل بين ثلاث مهام: استخلاص التفضيل من العبارة، والتحقق من انطباقه على المحيط، وتغيير المسار. وتتيح هذه البنية تحليل مصدر الخطأ كلًّا على حدة: هل أساء النموذج فهم الإنسان، أم خلطت الرؤية بين الأشياء، أم اختار المخطِّط مسارًا سيئًا.

والسؤال التالي في المنتج هو كيفية عرض القاعدة المستخلصة على الإنسان وإتاحة تعديلها. وهذا استنتاج من بنية FLEX، لا نتيجة تحقّقت منها الدراسة. لكن من هنا بالتحديد يمر الطريق من مثال القهوة المبهر إلى مساعد يستطيع المستخدم فهم سلوكه وضبطه.