Nvidia GR00T 2 يعلّم الروبوتات من فيديوهات البشر: ارتفاع نسبة النجاح في 50 مهمة من 40% إلى 95%

تخيّل أنك تريد تعليم ذراع روبوتية تقطيع موزة. الطريقة المعتادة اليوم هي أن يحرّك المشغّل الذراع يدويًا لساعات بينما يسجّل النظام كل حركة. هذا هو التشغيل عن بُعد. إنه مكلف وبطيء ومرتبط بطراز روبوت محدد: إذا غيّرت العتاد فعليك جمع البيانات من جديد. في تقرير GR00T 2 تحاول Nvidia إزالة المشغّل البشري من هذه المعادلة، أو على الأقل تقليص دوره بشكل كبير.

نموذج يرسم مستقبله بنفسه

انتمت النسخة السابقة، GR00T 1، إلى فئة VLA (vision-language-action). كانت تتلقى صورة من الكاميرا وأمرًا نصيًا، وتُخرج إشارات للمحركات. أما GR00T 2 فبُنيت بشكل مختلف. تسميها Nvidia نموذج world-action model، أو WAM. فهي تحسب الحركة التالية وتولّد في الوقت نفسه، عبر الانتشار (diffusion)، فيديو قصيرًا للمستقبل القريب. فإذا كانت اليد تلتقط شيئًا، «ترسم» النموذج مسبقًا كيف سيتغير الإطار.

يعمل هذا التنبؤ المرئي كجسر بين الإنسان والروبوت. دُرّب النموذج على عنقود يضم أكثر من ألف شريحة GB300، بما في ذلك نحو 400 ألف ساعة من الفيديو لأشخاص يؤدون أعمالًا مختلفة وعلى رؤوسهم كاميرا. ولتعليم الروبوت شيئًا جديدًا يكفي أن يُظهر الإنسان الخطوات بقفاز حسّاس أو ماسك يدوي خاص أو هيكل خارجي للأصابع. تُمزج هذه التسجيلات أثناء التدريب مع بيانات عامة عن حركات الروبوت المستهدف. بعد ذلك يرسم النموذج في تنبؤه المرئي يدًا روبوتية بدل اليد البشرية، ويستخلص من الصورة أوامر التحكم المناسبة.

ببساطة: نظر إلى ما يفعله الإنسان، ووضع نفسه ذهنيًا مكانه، وحسب أي المحركات يجب أن تدور.

ماذا أظهرت الاختبارات

أشعل روبوت بأيدٍ خماسية الأصابع عود ثقاب، وقطّع موزة، ورمى طرودًا على سير ناقل. ولم يُجرَ تشغيل عن بُعد خصيصًا لهذه المهام. لكن نسبة النجاح تراوحت بين 10 و80% بحسب المهمة، و10% ما زالت عرضًا توضيحيًا لا منتجًا. وتعلّم النظام دق المسامير من فيديو واحد ليد إنسان، وذلك عبر المحاكاة الحاسوبية.

أقوى رقم يتعلق بالتدريب الإضافي. ففي 50 مهمة مختارة، كان النموذج فيها يؤدي أداءً جيدًا بعد بضعة أمثلة فقط، رفعت أقل من ثلاث دقائق من التدريب العادي نسبة النجاح من 40 إلى 95%. وثمة تحفظ مهم: اختيرت المهام من تلك التي كانت تسير جيدًا أصلًا، فلا يمكن تعميم الرقم على أي عمل.

وللعمليات التجميعية الطويلة تضع Nvidia نموذجًا لغويًا فوق GR00T 2، مثل GPT-6 Astra من OpenAI. يتولى GR00T الإمساك والحركات. أما النموذج اللغوي فيقسّم المهمة إلى خطوات، ويلوّن نقاط الإمساك على الصورة، ويطلق إجراءات مساعدة إذا سقطت قطعة. كانت قطع النماذج الألعاب مبعثرة على الطاولة، وجمعتها هذه المنظومة في 97% من المحاولات على الأقل. وبدون النموذج اللغوي المصحِّح والتدريب الإضافي نجح تجميع سيارة لعبة في 23 محاولة فقط من 100.

وللروبوتات ذات الساقين توجد نسخة مخففة هي GR00T 2 Turbo، تعالج تفاصيل أقل من الصورة. وتعمل مباشرة على الحاسوب المدمج Jetson Thor في الروبوت الشبيه بالبشر. وقد اغترف هذا الروبوت الفشار، ونظّف الطاولات، ومسح سائلًا بمنشفة تحت قدمه. وكان نجاح المهمة الأخيرة في أقل بقليل من نصف المحاولات.

أين لا يزال الأداء قاصرًا

يعدّد المؤلفون بأنفسهم العقبات أمام العمل الموثوق في العالم الحقيقي. فالنموذج لا يعالج بعد البيانات المباشرة من المستشعرات اللمسية، وأحيانًا يفوته أخطاء دقيقة مثل برغي لم يُشدّ بالكامل. كما أن المخطِّط القائم على النموذج اللغوي يبطّئ النظام كثيرًا. ففي فرز النفايات كان الروبوت متوقفًا نحو ثلث الوقت: إذ انتظر في المتوسط أكثر من سبع ثوانٍ للحصول على حساب المخطِّط التالي.

ما معنى ذلك للممارسين

التحول الرئيسي ليس في الأرقام القياسية بل في اقتصاد البيانات. فإذا حلّت فيديوهات البشر والقفازات الرخيصة محل جزء من التشغيل عن بُعد، فلن يعود أكبر بند إنفاق في الروبوتات مرتبطًا بعتاد محدد. وهذا سبب للمؤسسين لإعادة حساب تكلفة جمع العروض التوضيحية. وللمطورين سبب للنظر في نمط «نموذج الأفعال مع مخطِّط LLM منفصل» وإدراج تأخير المخطِّط في ميزانية السرعة منذ البداية. أما مديرو المنتجات فعليهم أن يتذكروا أن أرقام 10–80% و23% بدون المخطِّط هي أرقام مخبرية. والطريق إلى سيناريوهات موثوقة في المصنع أو المستودع لا يزال طويلًا، خاصة حيث يلزم الإحساس بالقوة واللمس.