الروبوتات في فخ البيانات: لماذا مقاطع القفزات الخلفية ليست سوى البداية

# الروبوتات المحاصرة في فخ البيانات: لماذا مقاطع الفيديو الدورانية ليست سوى البداية

في السنة الماضية، غمرت الإنترنت مقاطع فيديو تعرض حيل انطباعية للروبوتات: روبوتات تقفز وترقص وتلكم وتحطم البطيخ بأرجلها. الاستثمارات تتزايد، وسائل الإعلام تموج بالعناوين المتفائلة، والجمهور مقتنع بأن عصر الروبوتات المساعدة المنزلية على وشك أن يبدأ. لكن إذا نظرت خلف الكواليس في هذا المسرح التكنولوجي، يتضح أن الصورة أكثر تعقيداً وحزناً.

الآن، في مراكز إعداد بيانات هادئة في جميع أنحاء الصين، يتحكم المشغلون البشريون الذين يرتدون القفازات ببطء، بل وبشكل مؤلم تقريباً، بأذرع الروبوت — يعلمون الآلات كيفية رفع الأجزاء وطي الأدوات وإغلاق أغطية الصناديق. هذا المشهد يفتقد كل الجودة السينمائية لمقاطع الفيديو الفيروسية، لكن هذا بالذات هو ما يحدد التقدم الحقيقي في مجال الروبوتات. المشكلة هي أن الطريق من حركة انطباعية إلى مساعد منزلي مفيد تحجبه مشكلة أساسية واحدة: نقص كارثي في البيانات عالية الجودة.

نماذج اللغة مثل ChatGPT و DeepSeek مبنية على انتصار منطق بسيط — آلاف المليارات من أمثلة النصوص من الإنترنت سمحت للذكاء الاصطناعي بفهم اللغة والبدء في توليد محتوى ذي معنى. لكن الروبوتات واجهت واقعاً مختلفاً تماماً. إذا كانت بيانات النصوص تعيش في مساحة رقمية ثنائية الأبعاد، يسهل نسخها ونشرها، فإن العالم المادي هو تدفق متعدد الأبعاد ومستمر من المعلومات.

يجب أن يدرك الروبوت العالم من خلال قنوات متعددة في نفس الوقت: فيديو من عدة كاميرات، وحساسات القوة، وحساسات اللمس، ومعلومات حول مواضع المفاصل. كل عملية يقوم بها الذراع الميكانيكية تولد بيانات منظمة — 57 قياساً في بعض الأنظمة. وجميع هذه التدفقات يجب أن تكون متزامنة بشكل مثالي حتى الميلي ثانية الواحدة، وإلا فإن النموذج سيتعلم هلوسة خالصة بدلاً من علاقات السبب والنتيجة.

في الصين، يعمل أكثر من خمسين مركزاً لجمع ومعالجة بيانات الروبوتات بالفعل. في بيكين وحدها، ينتج أحد هذه المراكز حوالي ستة آلاف تسجيل لأمثلة التدريب يومياً. إذا قمنا باستقراء تقريبي، يمكن أن تصل الإنتاجية السنوية إلى عشرات المليارات من الأمثلة.

هذا يبدو مثيراً للإعجاب، لكنه في الواقع قطرة في محيط من الاحتياجات. أجرى خبراء من شركة PowerTech حساباً محافظاً: لتعليم الروبوت حركة واحدة، تحتاج إلى حوالي ألف إلى خمسة آلاف مثال. مهمة بسيطة تتكون من عدة حركات — عشرة آلاف إلى عشرين ألف.

لكن إذا كنا نتحدث عن روبوت عام يمكنه التعامل مع ثمانين بالمائة من الأعمال البشرية في صناعة واحدة، فستكون هناك حاجة إلى مجموعة بيانات بمئات الملايين. وإذا امتدت الطموحات إلى آلاف الصناعات — نحن نتحدث عن تريليونات الأمثلة. النقص هو أربع إلى خمس رتب من حيث الحجم.

لكن هذه ليست حتى المشكلة الأكثر خطورة. تبين أن عدم التوافق بين المعدات أكثر غدراً. ينتج المصنعون المختلفون روبوتات بتكوينات حساسات مختلفة وبروتوكولات تحكم مختلفة وخصائص فيزيائية مختلفة. البيانات المجمعة على نموذج ذراع واحد غالباً ببساطة لا تعمل على نموذج آخر — لغة جهاز واحد تبقى غريبة تماماً عن جهاز آخر. هذا يعني أن المعرفة لا تتراكم ولا تتجمع في أصل واحد للصناعة. كل مصنع مضطر إلى جمع مجموعة بيانات خاصة به من الصفر، مكرراً نفس العمل المكلف مراراً وتكراراً.

يتعامل بعض المراكز مع هذه المعضلة بالتركيز على النماذج الشعبية — بشكل أساسي تجاهل التنوع. يتخذ آخرون مساراً أكثر طموحاً: جمع البيانات من روبوتات مصنعين مختلفين في مساحة موحدة، محاولة تعليم النموذج تعميم المعرفة على المعدات غير المتجانسة. لم يثبت أي نهج عالميته بعد.

كل هذا يذكرنا بالأيام الأولى للقيادة الآلية — عصراً بدا فيه أن المشكلة تكمن في الخوارزميات وليس البيانات. مرت ما يقرب من عشرين سنة، مليارات الاستثمارات، واتضح أن الحقيقة في مكان ما قريب، لكن ليس بالضبط حيث نبحث عنها. قبل أن تدخل الروبوتات فعلاً منازلنا، سيكون هناك عمل طويل وممل في مراكز البيانات، حيث سيعلم الأشخاص الذين يرتدون القفازات الآلات بصبر كيفية فهم العالم المادي. مقاطع الفيديو الفيروسية هي تسويق. التقدم الحقيقي قصة مختلفة تماماً.