Universal Robots وScale AI تطلقان منصة UR AI Trainer لتدريب الروبوتات

قدمت يونيفرسال روبوتس بالتعاون مع سكيل إيه آي منصة UR AI Trainer — مجموعة من الأجهزة والبرمجيات لجمع بيانات التدريب مباشرة على الروبوتات المتعاونة الصناعية. يستهدف الإعلان في مؤتمر جي تي سي 2026 أحد أكثر التحديات الملحة في الذكاء الاصطناعي الفيزيائي: تُظهر النماذج أداءً لائقة في المختبر، لكنها غالباً ما تواجه صعوبات عند نشرها على خطوط الإنتاج الحقيقية، خاصة في التجميع والتعبئة والمهام الأخرى التي تتضمن تلامساً فيزيائياً.

كيف تعمل المنصة

تم بناء UR AI Trainer على نظام القائد والتابع. يوجه مشغل يدوياً الروبوت "القائد" من خلال مهمة معينة، على سبيل المثال تعبئة هاتف ذكي، بينما يعكس روبوت ثانٍ الحركات بشكل متزامن. لا يقتصر النظام على تسجيل المسار فحسب. بل يجمع البيانات متعددة الأنماط في نفس الدورة التي يتفاعل فيها الروبوت بالفعل مع الأجسام والأسطح. وهذا أمر حاسم لتدريب نماذج Vision-Language-Action، التي تحتاج إلى أكثر من رؤية صورة: فهي تحتاج إلى فهم كيفية ارتباط الحركة بالتلامس والمقاومة ودقة تنفيذ المهمة. أثناء العرض التوضيحي، يسجل النظام أربعة أنواع من الإشارات بشكل متزامن:

• مسارات الحركة والحركيات
• ردود الفعل للقوة والعزم
• البيانات البصرية من الكاميرا
• مزامنة جميع الأنماط في مجموعة بيانات واحدة

الفكرة الأساسية هي أن البيانات تُجمع على نفس روبوتات يونيفرسال روبوتس التي يمكنها لاحقاً العمل على أرضية المصنع. وهذا يسد الفجوة بين الخلية التجريبية والنشر الصناعي: إذا تم تدريب نموذج على UR3e أو UR7e في بيئة مضبوطة، يكون من الأسهل نقله إلى معدات متطابقة في الإنتاج دون إعادة بناء كاملة للخط الأنابيب. علاوة على ذلك، يقلل هذا من خطر انهيار سلوك النموذج عند الانتقال من إعداد بحثي إلى مهمة على خط الإنتاج.

لماذا يهم التلامس

تعتمد معظم مجموعات بيانات الروبوتات حتى الآن بشكل أساسي على الرؤية. بالنسبة لمهام مثل "الاقتراب والإمساك"، قد يكون هذا كافياً في بعض الأحيان، لكن في الإنتاج تتطلب العديد من العمليات أن يشعر الروبوت بلحظة التلامس والضغط ومقاومة المادة. البرغي والإدراج والضغط وتعبئة الأجسام الهشة والتجميع الدقيق — كل هذا ينتمي إلى فئة المناولة الغنية بالتلامس، وهذه السيناريوهات الأصعب لأتمتتها بشكل موثوق.

تراهن يونيفرسال روبوتس على التحكم المباشر في العزم وردود الفعل القوة. بكلمات بسيطة، يحصل النموذج ليس فقط على إجابة حول ما رآه الروبوت، بل أيضاً على ما "شعر به" عند تنفيذ الإجراء بشكل صحيح. لهذا السبب، يصبح التدريب أقرب إلى الفيزياء الحقيقية للعملية بدلاً من عرض توضيحي مجرد لمسارات في الهواء. بالنسبة للمصنعين، هذا حرج: الخطأ في التلامس مع الجسم لا يعني فقط تنبؤاً فاشلاً، بل عيوب وتوقفاً للإنتاج أو تضرراً للقطع.

"هذا أول حل في الصناعة ينقل تدريب نماذج الذكاء الاصطناعي مباشرة من

المختبر إلى الإنتاج"، يقول أندرس بيك من يونيفرسال روبوتس.

البيانات والنظام البيئي

تضيف الشراكة مع سكيل إيه آي إلى هذا النظام ليس فقط التعليقات التوضيحية، بل حلقة كاملة من معالجة البيانات. يتم دمج برمجيات سكيل في منصة UR AI Trainer وتساعد في التقاط وتنظيم وتخزين المظاهرات المجمعة. المنطق هنا مشابه لدولاب السباق: يسجل المشغلون الأمثلة، وتتدرب النماذج على هذه البيانات، وتحسن الروبوتات جودة تنفيذ المهام، وتعود حلقات العمل الجديدة إلى دورة إعادة التدريب التالية. تحول هذه الحلقة المغلقة الذكاء الاصطناعي الفيزيائي من تجربة لمرة واحدة إلى عملية إنتاجية قابلة للتكرار.

كما وعدت الشركات بإطلاق مجموعة بيانات صناعية كبيرة تم جمعها على روبوتات يونيفرسال روبوتس لاحقاً في عام 2026. يعرض جناح مؤتمر جي تي سي هذا المفهوم في صيغتين بشكل متزامن. في العرض الفيزيائي، يتحكم الزوار في زوج من روبوتات UR3e ينقلان الحركات إلى وحدتي UR7e لمهمة تعبئة هاتف ذكي. بشكل متوازٍ، يعمل نيفيديا أوميفرس وإسحق سيم على سيناريو افتراضي مع متحكمات حسية Haply Inverse3، بينما توضح Generalist AI كيف تؤدي وحدتا UR7e بالفعل المهمة ذاتها بشكل مستقل.

بالنسبة ليونيفرسال روبوتس، هذا أيضاً حجة التوسع: تمتلك الشركة بالفعل أكثر من 100 ألف روبوت متعاون في عمليات نشر في جميع أنحاء العالم.

ما يعنيه هذا

يتحرك سوق الروبوتات من سيناريوهات مبرمجة بصرامة نحو نماذج يمكن إعادة تدريبها على حلقات الإنتاج الحقيقية. إذا تمكنت يونيفرسال روبوتس وسكيل إيه آي بالفعل من تحويل جمع البيانات في المصانع إلى أداة معيارية، فستتمتع الشركات الصناعية بمسار أقصر من الاختبار إلى النشر، ولن تحتاج الشركات إلى بناء بنية تحتية بحثية منفصلة من الصفر — خاصة بالنسبة للمهام التي تعتمد على التلامس والدقة وقابلية التكرار.