VL-LN Bench: الروبوتات تتعلم السؤال عن الطريق وتكفّ أخيرًا عن التخبط

تخيّل أنك دخلت مركزًا تجاريًا ضخمًا لا تعرفه. ليست لديك خريطة، لكن لديك هدفًا: شراء ذلك المزهرية الزرقاء بالذات التي رأيتها في الإعلان. أنت لا تمضي إلى الأمام فحسب، بل تدير رأسك وتقرأ اللافتات، والأهم أنك تسأل المارّة: «أين قسم الديكور هنا؟». هذه العملية الطبيعية بالذات هي ما جمعه الباحثون في معيار جديد باسم VL-LN Bench (Vision-Language-Location Navigation). وهو ليس مجرد مجموعة بيانات أخرى، بل محاولة لتعليم الآلات البقاء في فوضى العالم الواقعي، حيث نادرًا ما تكون التعليمات كاملة والخرائط محدّثة.

لفترة طويلة، كانت ملاحة الروبوتات أشبه بالسير على قضبان. كان المطوّرون يغذّون الخوارزميات بنسخ رقمية مثالية للأماكن وبأوامر واضحة. ففي اختبارات Vision-Language Navigation (VLN) الكلاسيكية، كان النموذج يتلقى عادةً تعليمة من نوع «امشِ إلى الأمام خمسة أمتار، ثم انعطف يسارًا عند شجرة التين المطاطي». لكن الحياة متغيرة. فقد تُنقل الشجرة إلى زاوية أخرى، وقد يُغلق الباب بسبب أعمال الصيانة. وقد عجزت الأساليب القديمة أمام الواقع لأنها لا تجيد الاستكشاف النشط ولا توضيح السياق. كانت سلبية أكثر من اللازم: فإما أن ينفّذ الروبوت الأمر، وإما أن يتعطل.

يغيّر VL-LN Bench قواعد اللعبة. صار على وكيل الذكاء الاصطناعي الآن أن يحاكي سلوك إنسان «تائه لكنه مصمّم على بلوغ هدفه». فالروبوت لا يكتفي بالتنقل، بل عليه أن يطابق باستمرار بين ما يراه (Vision) والإشارات اللغوية (Language) وموقعه في الفضاء (Location). ويسمّي الباحثون ذلك «البحث النشط عن الهدف عبر الحوار مع البيئة». فالروبوت لا يمشي فحسب، بل يحلّل باستمرار: «هل ما أراه الآن يقرّبني من الهدف أم أنني انعطفت في الاتجاه الخطأ؟». وإذا غابت الثقة، يبادر النظام بطلب توضيح.

ما الفائدة العملية؟ أولًا، تزداد استقلالية الروبوتات في اتخاذ القرار. فلم تعد بحاجة إلى سيناريو مفصّل لكل خطوة. ثانيًا، يدفع هذا المعيار النماذج إلى فهم أفضل للعلاقات المكانية ودلالات الأشياء. فإذا قلتَ «ابحث عن الفنجان، إنه في مكان ما قرب الميكروويف»، يحدّد الروبوت أولًا المطبخ، ثم يعثر على الميكروويف، وبعد ذلك فقط يبدأ بمسح الأسطح المجاورة. يبدو ذلك بسيطًا بالنسبة إلينا، لكنه ظلّ بالنسبة إلى الشبكات العصبية قمة عصيّة على الفهم لوقت طويل، لأنه استنتاج متعدد المستويات.

ومن اللافت كيف تعامل المؤلفون مع مسألة التفاعل. فقد أُدرجت في VL-LN Bench إمكانية توضيح المعلومات. يستطيع الروبوت أن «يسأل» النظام أو يحلّل البيانات الوصفية النصية للأشياء لتضييق نطاق البحث. وهذا في الواقع نقل لآليات النماذج اللغوية الكبيرة (LLM) إلى العالم المادي. نرى كيف يكتسب الذكاء المحض أخيرًا «جسدًا» قادرًا على التوجّه في الفضاء بكفاءة لا تقل عن الإنسان، وربما تفوقه مستقبلًا. ويؤكد الباحثون أن الصعوبة الأساسية هنا هي تعدد الوسائط، أي القدرة على معالجة بث الفيديو والأوامر النصية والإحداثيات في آن واحد.

لماذا نحتاج إلى هذا الآن تحديدًا؟ لقد اصطدمت صناعة الروبوتات المنزلية وروبوتات المستودعات بسقف. علّمناها ألا تسقط من على الدرج وأن تتفادى القطط، لكننا لم نعلّمها أن عبارة «أحضر لي بيرة من الثلاجة» سلسلة معقدة للغاية من إيجاد الغرفة المطلوبة وتحديد الجهاز المنزلي والتعامل مع الأشياء في ظروف من عدم اليقين. يوفّر VL-LN Bench بيئة تجريبية يمكن فيها صقل هذه المهارات حتى الإتقان. ولولا اختبارات كهذه لبقينا مع مكانس تخاف فزعًا من الخطوط السوداء على السجاد.

بالطبع، ما زال الطريق إلى الانتشار الواسع طويلًا. فإحدى المشكلات الرئيسية تبقى القدرة الحاسوبية. إن معالجة بث فيديو ثقيل ومطابقته مع مجموعة ضخمة من البيانات النصية وبناء مسار مثالي في الزمن الحقيقي مهمة تتطلب موارد كبيرة. لكن الاتجاه صحيح: من اتباع التعليمات بشكل أعمى إلى الاستكشاف الواعي. وفي المستقبل ينبغي أن تختفي عبارة «لقد تهت» من قاموس الآلات إلى الأبد.

الخلاصة: ينقل VL-LN Bench ملاحة الروبوتات من نمط «اتباع جهاز الملاحة» إلى نمط «البحث الواعي». فهل سيتمكن خادمك الآلي في المستقبل من العثور على المفاتيح وسط كومة من الغسيل غير المكوي؟ على الأقل صرنا نعرف الآن كيف نختبر ذلك.