تدريب المحاكاة يعفي الروبوتات من البيانات الميدانية: سياسة «ZAP» تضاهي «أسترا» وتخفض التكلفة 17 ضعفًا
تعتمد كفاءة أي نظام روبوتي ذكي على ركنين أساسيين: إدراك ما تطلبه المهمة داخل المشهد، ومعرفة الكيفية الحركية لتنفيذها بدقة. وقد ظل جمع البيانات الحركية من العالم الحقيقي العقبة الأكثر كلفة وإبطاء لتدريب الروبوتات، قبل أن يقدم فريق بحثي يضم بنيامين بيكوس ودانيال سوندرز وميرسيا ميرونينكو وزملاءهم عبر منصة «أركايف» وصفة تدريب جديدة باسم سياسة الوكيل الخالي من الواقع «ZAP»، تثبت إمكانية الوصول إلى دقة تشغيلية عالية دون تغذية النموذج بأي بيانات حركية ملتقطة من الميدان الواقعي.
تقوم الفكرة الهندسية للورقة على مبدأ الفصل الواضح بين وظيفتين: مرحلة ما قبل التدريب تفهم «ماذا» يجري، بينما تتكفل بيئة المحاكاة بتعليم الروبوت «كيف» يتحرك. استعان الباحثون بنموذج بصري لغوي جاهز يضم 27 مليار معامل لترسيخ الفهم الأولي للعالم والقدرة على الاستدلال المنطقي، ثم أتبعوا ذلك بضبط دقيق خاضع للإشراف وتطبيق خوارزمية تحسين السياسة النسبية الجماعية «GRPO» على مهام بسيطة داخل المحاكاة الرقمية لتوجيه الذراع عبر حزام أدوات بسيط. والنتيجة هي تدريب سياسة التحكم بالكامل داخل بيئة اصطناعية، دون الحاجة إلى تشغيل الروبوتات في بيئة فعلية لجمع بيانات التدريب.
أثبتت النتائج الميدانية أن الاعتماد الحصري على المحاكاة لم ينعكس سلبًا على كفاءة التنفيذ الواقعي، إذ حققت السياسة نسبة نجاح بلغت 96.7 بالمئة في المهام الواقعية، لتتطابق تمامًا مع أداء نموذج «جي بي تي 6 أسترا» داخل بيئة الاختبار ذاتها. لكن الفارق الجوهري ظهر في كفاءة التشغيل، حيث عملت السياسة بسرعة تفوق «أسترا» بثلاثة أضعاف، وبتكلفة استدلال تقل بمقدار 17 ضعفًا، متفوقة في الوقت نفسه بفارق واسع على نموذج «مولمو أكت 2» الذي لم تتجاوز نسبة نجاحه 33.3 بالمئة.
ولم يتوقف هذا المسار عند إتقان المهام المحددة سلفًا، بل أظهر النموذج قدرة لافتة على التعميم التركيبي أمام أهداف وأدوات واستراتيجيات ولغات جديدة كليًا لم يشهدها خلال مرحلة التدريب. شملت التجارب الناجحة تثبيت أنبوب اختبار داخل حامل مخصص واختيار فتحة مختلفة بمجرد توجيهه بالأمر اللغوي، ونقل أنبوب الاختبار بين ذراعين في الهواء، ورسم علامة في لعبة إكس أو، وحتى تحريك القطع في لعبة الشطرنج. كما امتدت المرونة التشغيلية إلى هياكل ميكانيكية مختلفة، فعند اختبار السياسة على ذراع «فرانكا» أحادية لم يسبق للنموذج التعامل معها، سجل دقة بلغت 55.9 بالمئة في معيار «روبو لاب 120»، متفوقًا بنحو 4.9 نقطة مئوية على أفضل النماذج المرجعية السابقة.
يحمل هذا التحول التقني دلالات مباشرة على ميزانيات الأتمتة المتقدمة في الخليج ومصر والشام، حيث تمثل كلفة جمع البيانات الميدانية وبناء مختبرات الروبوتات عبئًا ماليًا ثقيلًا أمام الشركات الناشئة والمصانع ومراكز الأبحاث الإقليمية. إن التحول نحو نماذج تضم 27 مليار معامل وتتدرب بالكامل داخل المحاكاة مع خفض تكلفة التشغيل بنحو 17 ضعفًا يفتح الباب أمام فرق التطوير لبناء أنظمة روبوتية مخصصة للمستودعات اللوجستية والمختبرات الطبية المحلية دون استنزاف الموارد في شراء منصات البيانات الواقعية المكلفة. كما يفرض هذا المسار إعادة توجيه المهارات المطلوبة في أسواق العمل الهندسية نحو هندسة المحاكاة الافتراضية وخوارزميات التعلم المعزز بدل الاكتفاء بجمع البيانات اليدوية من أرض الواقع.
تؤكد هذه التجربة أن الذكاء الاصطناعي المجسد لا يشترط استنساخ كل حركة بشرية في الواقع لبناء وكيل يعتمد عليه، بل يمكن الاستناد إلى الفهم العام الذي تكتسبه النماذج البصرية الكبيرة ثم صقل الحركة عبر المحاكاة المنضبطة، لتقديم بديل اقتصادي وعملي يكسر احتكار البنى التشغيلية المكلفة.