اختبار «ليبيرو بيرم» للروبوتات المنزلية: إتمام المهام لا يضمن تلبية تفضيلات المستخدمين

لا يكفي أن ينجح الروبوت في التقاط الكوب أو تنظيف الطاولة لكي يصبح جاهزًا للعيش داخل المنازل، فالفارق بين إتمام المهمة المجردة وتنفيذها وفق رغبة صاحب البيت ظل غائبًا عن القياس العلمي المنضبط. هذا التحدي التقني دفع فريقًا بحثيًا إلى تقديم معيار «ليبيرو بيرم» (LIBERO-PeRM) ضمن أبحاث مؤتمر «نوريبس 2026»، بهدف فك الارتباط بين قياس إنجاز المهمة وتلبية تفضيل المستخدم، وهو ما فتح الباب أمام أول تقييم منهجي لقدرة الوكلاء المجسدين على استيعاب التخصيص السلوكي.

بنى الباحثون معيارهم على بيئة المحاكاة «ليبيرو»، مطورين خط إنتاج إجرائي يولد عروضًا توضيحية مقترنة بالمهام مع تفضيلات محددة ودونها، ووصل مجموع ما أنتجه الفريق إلى 312 مهمة موزعة على خمس حزم اختبارية متكاملة. وصنف الباحثون التفضيلات الملاحظة ضمن ثلاث فئات واضحة: خيارات الحركة، واختيارات المهارة، وتفضيلات الملف الشخصي للمستخدم، مع حصرها في التفضيلات القابلة للتعبير اللغوي التي يمكن تطبيقها دون تبديل الهدف النهائي للمهمة، مما يسمح بقياس دقيق ومؤتمت لمدى رضا المستخدم وإمكانية إعادة استخدام التفضيل عبر مهام متعددة.

تتبعنا في تفاصيل الاختبار خمسة أسئلة بحثية حاسمة وضعتها الورقة: كيف تنفذ السياسات التفضيلات في بيئة التجربة الأولى دون تدريب مسبق، وكيف تتعلم تفضيلًا واحدًا من العروض التوضيحية، وكيف ترتفع كفاءتها مع زيادة تلك العروض، وما مدى تعميم ما تعلمته عبر بيئات ومهام جديدة، وأخيرًا كيف تجمع بين تفضيلات متعددة وتتصرف عند حدوث تعارض بينها. وكشفت النتائج التجريبية أن سياسات الرؤية واللغة والعمل (VLA) الحالية تعاني عجزًا ملحوظًا في التخصيص دون تدريب مسبق، حيث تفشل في تلبية رغبات المستخدم لمجرد تلقيها أمرًا لغويًا، مما يحسم أن التخصيص لا يتأتى تلقائيًا عبر النماذج التأسيسية.

أثبتت التجارب أن الضبط الدقيق الخاضع للإشراف يجعل تفضيلات المستخدمين قابلة للتعلم الفعلي داخل النماذج، غير أن أسلوب التدريب يفرض مقايضات تقنية دقيقة؛ فقد حقق التدريب المختلط، الذي يدمج البيانات الخالية من التفضيلات مع البيانات المخصصة، قدرة أعلى على الاحتفاظ بالمهام الأساسية مقارنة بأسلوب التكيف المتتابع الذي يفقد الأداء الأصلي. وعلاوة على ذلك، أظهر التدريب المختلط تفوقًا مع الأوامر السياقية مقارنة بالتدريب المقتصر على التفضيلات وحدها، لكن هذا التفوق قابله تراجع حقيقي في دقة تعلم تفضيلات الحركة ذاتها، بينما بقيت معضلات تعميم التفضيلات وفك تركيبها وحل التعارضات بينها مستعصية على الحلول الراهنة.

هذا التمييز بين إنجاز المهمة والامتثال لتفضيل المشغل يعيد رسم أولويات المهندسين وفرق التطوير في الخليج ومصر، لا سيما مع تسارع مشاريع الضيافة والأتمتة المنزلية والمستودعات الذكية في المنطقة. إن شراء روبوت أو نموذج مجسد يتقن تحريك الأذرع الميكانيكية لم يعد كافيًا لبناء خدمة مقبولة للمستخدم النهائي؛ فالفارق يكمن في مهارة بناء أزواج العروض التوضيحية وتدريب النماذج تدريبًا مختلطًا يحفظ مهارات الأجهزة الأساسية دون تدمير استجابتها لخصوصية البيئة المحلية. ويعني هذا التحول أن التكلفة الفعلية للمشاريع ستنتقل من شراء العتاد إلى موازنة حزم البيانات والضبط الدقيق لتجنب تشتت سلوك الروبوت عند تضارب التفضيلات التشغيلية.

تكشف أبحاث «نوريبس 2026» أن الذكاء المجسد لا يواجه أزمة في فهم ما يجب فعله بقدر ما يواجه أزمة في فهم كيف يريد الإنسان إنجازه. وأمام هذه الحدود التقنية، تصبح خطوتك العملية كمهندس أو قائد تقني في مشاريع الأتمتة الإقليمية هي التحقق من آليات الضبط الدقيق المقترنة وسلوك النموذج عند تضارب التعليمات، بدل افتراض أن النماذج الكبيرة ستلتقط نمط العمل المنزلي أو الميداني تلقائيًا بمجرد إعطائها التوجيه اللفظي.