طورت Johns Hopkins نظام AI قائمًا على الوكلاء لتنسيق فرق الروبوتات

قدم مختبر Johns Hopkins للفيزياء التطبيقية (APL) معمارية ذكاء اصطناعي قائمة على الوكلاء، مصممة خصيصاً لتنسيق فرق الروبوتات. يتم بناء النظام على نماذج لغة كبيرة ويسمح للروبوتات غير المتجانسة — المتنوعة من حيث الأنواع والقدرات — بالعمل معاً كعضوية موحدة، وتنسيق ذاتي والتكيف مع الحالات غير المتوقعة في الوقت الفعلي.

مشكلة فرق الروبوتات غير المتجانسة

يكمن التحدي في أن الروبوتات في فرق العالم الحقيقي نادراً ما تكون متطابقة. أحدها معالج بكماشة، والآخر منصة متنقلة على أرجل بمجموعة مستشعرات، والثالث وحدة متخصصة بأداة محددة. كيف يمكن جعلهم يعملون بتناغم عندما يتحدث كل واحد "لغته الخاصة"؟ طورت جامعة Johns Hopkins معمارية قابلة للتطوير تسمح لوكلاء نموذج اللغة الكبير بإدارة جميع هذه الأنظمة كوحدة واحدة. هذا ليس مجرد مجموعة من المتحكمات المنفصلة، بل طبقة معرفية حقيقية تفهم حالة كل روبوت وتتخذ قرارات للفريق.

الأعمدة الثلاثة للنظام

تعالج المعمارية ثلاث مهام رئيسية في نفس الوقت. الاستقلالية. يتلقى كل روبوت ذكاء كافٍ لاتخاذ القرارات بشكل مستقل، دون انتظار الأوامر من المركز. هذا حاسم للأنظمة التي قد يكون فيها تأخر الشبكة بمقدار 100 ميلي ثانية فقط هو الفارق بين النجاح والفشل. التنسيق. يتبادل الوكلاء المعلومات حول الحالة والأهداف والعقبات في الوقت الفعلي. عندما يحتاج روبوتان إلى نفس المورد، يتوسط النظام في النزاع ويختار أفضل مسار للفريق ككل. التكيفية. عندما يفشل المعدات أو تتغير الظروف، يعيد النظام تعيين المهام على الفور، ويعيد هيكلة الخطة ويستمر في التشغيل. هذا ليس سيناريو جامد، بل استجابة حية لعالم متغير.

ما الذي يمكن لوكيل الذكاء الاصطناعي أن يفعله لفريق

برهن الباحثون على أن وكيل نموذج اللغة الكبير في هذه المعمارية قادر على:

• التخطيط لكل روبوت — تقسيم هدف مشترك إلى مهام محددة، مع الأخذ في الاعتبار قدرات كل واحد
• حل النزاعات — عندما يتنافس روبوتان على نفس المورد، يختار الوكيل التوزيع الأمثل
• تفسير بيانات المستشعرات — فهم بالضبط ما حدث وسبب احتياج الخطة إلى التعديل
• إعادة تعيين المهام عند الأعطال — إذا تعطل معالج، يعيد الوكيل توجيه العمل إلى طريقة بديلة
• التعلم من الأخطاء — يتذكر النظام ما ينجح وما لا ينجح، ويضبط التكتيك وفقاً لذلك

هذا أبعد بكثير من مجرد أتمتة تسلسل الأوامر. هذا تنسيق على مستوى صنع القرار من مستوى عالٍ. لا يقتصر الروبوت على تنفيذ سيناريو ثابت، بل يفكر في السياق، ويزن الخيارات، ويختار المسار الأمثل لتحقيق الهدف.

من النظرية إلى الأجهزة

لم تتوقف جامعة Johns Hopkins عند المحاكاة والنماذج النظرية على طريقة العديد من المختبرات الأكاديمية. نشرت الفريق معماريتها فعلياً على روبوتات حقيقية وأظهرت كيف يعمل النظام في "ظروف القتال". هذه خطوة حاسمة للغاية، لأنه في مختبرات الذكاء الاصطناعي، غالباً ما "تعمل الأشياء بشكل مثالي"، وعندما تلتقي النظرية بالواقع — تظهر مشاكل غير متوقعة. شارك الباحثون الدروس العملية المستفادة من هذه التجربة في عرضهم. تتعلق بمشاكل تقنية — تأخر الشبكة، عدم التزامن بين المكونات، أخطاء تفسير الحالة — وكذلك أسئلة أكثر استراتيجية حول كيفية تحليل مهمة معقدة بشكل صحيح لوكيل.

ما يعنيه هذا

هذه خطوة مهمة نحو أنظمة متعددة الروبوتات شبه ذاتية التشغيل يمكنها العمل في ظروف العالم الحقيقي بإشراف بشري ضئيل. بالطبع، لا نتحدث بعد عن R2-D2 من المستقبل، بل عن فرق روبوتات هندسية يمكنها العمل في مواقع البناء والمصانع وعمليات الإنقاذ وفي أماكن خطرة أو يصعب الوصول إليها. إذا ثبت أن هذه المعمارية قابلة للتطوير حقاً (و Johns Hopkins تعطي إشارات واثقة عن إيمانها بالنهج)، فخلال السنتين أو الثلاث سنوات القادمة، سنرى على الأرجح أولى النماذج الأولية الصناعية والمشاريع التجريبية بناءً عليها.