تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارتحليل · على الرادارX: @NVIDIARobotics→ المصدر

NVIDIA تتيح 100 ألف ساعة من العروض البشرية لتدريب الروبوتات

تواجه الروبوتات صعوبة في تعلّم الأفعال التي تُنجَز باليدين، فالبيانات التي توثّق كيف يؤدّيها البشر شحيحة إلى حدّ كبير. وقد جمعت NVIDIA مليون ساعة من العروض المصوّرة من منظور الشخص الأول، وتشمل فيديو من كاميرا مثبّتة على الرأس، وتتبّعًا للرأس واليدين، ووصفًا نصيًا للأفعال. ونُشرت 100 ألف ساعة منها للعموم على Hugging Face. وتمثّل هذه المجموعة لمطوّري الروبوتات أساسًا مجانيًا للتدريب المسبق دون الحاجة إلى تصوير مكلف.

معالج بواسطة الذكاء الاصطناعي من X: @NVIDIARobotics؛ بتحرير Hamidun News
NVIDIA تتيح 100 ألف ساعة من العروض البشرية لتدريب الروبوتات
المصدر: X: @NVIDIARobotics. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @NVIDIARobotics ↗
رئيس التحرير
حقيقة رئيسية #1أتاحت NVIDIA للعموم 100 ألف ساعة من أصل مليون ساعة جمعتها
تتضمّن التسجيلاتفيديو من منظور الشخص الأول، وتتبّع الرأس واليدين، وتعليقات لغوية
حقيقة رئيسية #3نُشرت مجموعة البيانات على Hugging Face وهي متاحة للمجتمع بأكمله

نمت النماذج اللغوية على تريليونات الكلمات المتاحة على الإنترنت. أما الروبوتات فلا تملك محيطًا كهذا من البيانات: لم يرفع أحد إلى الشبكة ملايين الساعات التي تفتح فيها الأيدي الأدراج، أو تنقل القطع من مكان إلى آخر، أو تصبّ الماء. وهذه هي الفجوة التي تحاول NVIDIA سدّها بمجموعة البيانات الجديدة: فقد جمعت الشركة مليون ساعة من العروض البشرية، وأتاحت للمجتمع 100 ألف ساعة منها.

ما الذي تحتويه مجموعة البيانات

وفق وصف NVIDIA Robotics، سُجّلت المقاطع من منظور الشخص الأول (egocentric video): فالكاميرا ترى العالم بعيني الإنسان لا من الخارج. ويرافق الفيديو بيانات عن وضع الرأس واليدين، أي إلى أين ينظر الشخص وكيف يحرّك أصابعه ومعصميه بالضبط. أما الطبقة الثالثة فهي التعليقات اللغوية: أوصاف قصيرة لما يجري في الإطار.

يمكن تقريب الفكرة بمثال من الحياة اليومية. شخص يغسل كوبًا. في التسجيل صورة لما يراه، ومسار حركة يديه، وتعليق من نوع «يأخذ الكوب ويضعه تحت الصنبور». من هذه الثلاثية يتعلّم النموذج الربط بين الكلمات والصورة والحركة. وهذا بالضبط ما يحتاجه الروبوت الذي يُقال له «اغسل الأطباق» وينتظر منه المستخدم حركات ذراع ميكانيكية ذات معنى.

نُشرت المجموعة على Hugging Face، فيمكن لأي فريق تنزيلها وتجربتها، لا للمختبرات الكبرى وحدها.

لماذا يهمّ هذا مطوّري الروبوتات

الطريقة الرئيسية لجمع بيانات الروبوتات اليوم هي التحكّم عن بُعد: يقود مشغّل يرتدي بدلة خاصة أو يستخدم وحدات تحكم الروبوت، ويسجّل النظام الحركات. وهذا مكلف وبطيء، ويصعب توسيعه إلى ملايين الساعات. أما تسجيلات البشر فأقل كلفة: يؤدي الشخص عمله المعتاد، وتكون عليه كاميرا وحسّاسات.

ولهذا النهج ميزة واضحة هي التنوّع الهائل. فالناس يمسكون الأشياء بطرق مختلفة، ويعملون في مطابخ وورش ومكاتب متباينة. وبالنسبة للتدريب المسبق للنماذج التي يُعاد تدريبها لاحقًا على كمية صغيرة من بيانات الروبوت الحقيقي، فهذا أساس مفيد.

وبالنسبة للشركات الناشئة والفرق البحثية، تعني الساعات المفتوحة البالغة 100 ألف ساعة إمكانية البدء بالتدريب المسبق أو بتجارب نقل المهارات من الإنسان إلى الروبوت دون بناء مدوّنة بيانات خاصة من الصفر. أما للشركات التي تصنّع الروبوتات الشبيهة بالبشر والأذرع الميكانيكية، فهي كذلك مؤشّر على اتجاه السوق: إذ تتحوّل بيانات الخبرة البشرية إلى مورد أساسي، كما أصبحت نصوص الويب بالنسبة إلى LLM.

القيود وما ينبغي التحقق منه

رؤية يدي الإنسان لا تعني القدرة على تكرار الحركة. فجسم الروبوت مختلف: عدد أصابع آخر، وقوة قبضة أخرى، وقيود مختلفة على المفاصل. لذلك تبقى فجوة بين تسجيل الإنسان وفعل الآلة، ولا بدّ من سدّها على نحو منفصل: بإعادة حساب الحركات وفق الحركية الخاصة بروبوت بعينه، وبإعادة التدريب على بيانات الروبوت نفسه.

ونقطة أخرى: لم يُفتح سوى عُشر الحجم المجموع. فالـ 900 ألف ساعة المتبقية تبقى لدى NVIDIA، ما يمنح الشركة أفضلية في تدريب نماذجها الخاصة.

قبل بناء منتج على هذه المجموعة، يستحق الأمر الاطلاع على صفحتها في Hugging Face والتحقق من شروط الترخيص وصيغة الوسم والسيناريوهات والبيئات التي تغطيها. فإذا كانت مهمتك هي اللوجستيات في المستودعات، بينما تتركّز البيانات في الأعمال المنزلية، فستكون الفائدة أقل.

الخلاصة العملية: إذا كنت تعمل في الروبوتات أو في نماذج المهام الفيزيائية، فقد حان الوقت لإدراج فيديوهات البشر من منظور الشخص الأول في خطتك للبيانات. وتمثّل الساعات المجانية البالغة 100 ألف ساعة سببًا وجيهًا لاختبار هذا المسار في تجربة صغيرة منذ الآن.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي تحتويه مجموعة البيانات؟

وفق وصف NVIDIA Robotics، سُجّلت المقاطع من منظور الشخص الأول (egocentric video): فالكاميرا ترى العالم بعيني الإنسان لا من الخارج. ويرافق الفيديو بيانات عن وضع الرأس واليدين، أي إلى أين ينظر الشخص وكيف يحرّك أصابعه ومعصميه بالضبط. أما الطبقة الثالثة فهي التعليقات اللغوية: أوصاف قصيرة لما يجري في الإطار. يمكن تقريب الفكرة بمثال من الحياة اليومية. شخص يغسل كوبًا. في التسجيل صورة لما يراه، ومسار حركة يديه، وتعليق من نوع «يأخذ الكوب ويضعه تحت الصنبور». من هذه الثلاثية يتعلّم النموذج الربط بين الكلمات والصورة والحركة.

ما أبرز التفاصيل حول لماذا يهمّ هذا مطوّري الروبوتات؟

الطريقة الرئيسية لجمع بيانات الروبوتات اليوم هي التحكّم عن بُعد: يقود مشغّل يرتدي بدلة خاصة أو يستخدم وحدات تحكم الروبوت، ويسجّل النظام الحركات. وهذا مكلف وبطيء، ويصعب توسيعه إلى ملايين الساعات. أما تسجيلات البشر فأقل كلفة: يؤدي الشخص عمله المعتاد، وتكون عليه كاميرا وحسّاسات. ولهذا النهج ميزة واضحة هي التنوّع الهائل. فالناس يمسكون الأشياء بطرق مختلفة، ويعملون في مطابخ وورش ومكاتب متباينة. وبالنسبة للتدريب المسبق للنماذج التي يُعاد تدريبها لاحقًا على كمية صغيرة من بيانات الروبوت الحقيقي، فهذا أساس مفيد.

ما أبرز التفاصيل حول القيود وما ينبغي التحقق منه؟

رؤية يدي الإنسان لا تعني القدرة على تكرار الحركة. فجسم الروبوت مختلف: عدد أصابع آخر، وقوة قبضة أخرى، وقيود مختلفة على المفاصل. لذلك تبقى فجوة بين تسجيل الإنسان وفعل الآلة، ولا بدّ من سدّها على نحو منفصل: بإعادة حساب الحركات وفق الحركية الخاصة بروبوت بعينه، وبإعادة التدريب على بيانات الروبوت نفسه. ونقطة أخرى: لم يُفتح سوى عُشر الحجم المجموع. فالـ 900 ألف ساعة المتبقية تبقى لدى NVIDIA، ما يمنح الشركة أفضلية في تدريب نماذجها الخاصة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…