الذكاء الفيزيائي يقدم بنية MEM لمنح الروبوتات الذاكرة اللازمة للمهام في العالم الحقيقي

باختصار

طور الباحثون ذاكرة مجسدة متعددة المقاييس، وهي نظام يمنح الروبوتات ذاكرة قصيرة وطويلة الأمد بحيث يمكنها تتبع التقدم وإكمال المهام المعقدة بدلاً من تنفيذ إجراءات منفصلة فقط

لسنوات، كان حلم وجود روبوت منزلي مفيد حقًا يقترب بشكل مخادع. فالروبوتات يمكنها بالفعل اتباع أوامر مثل “اغسل المقلاة”، “اطوِ الغسيل”، أو “اصنع ساندويتش”. وفي بيئات المختبر، تظهر هذه الأنظمة مهارة ودقة ملحوظة. ومع ذلك، على الرغم من التقدم السريع في نماذج الروبوتات الأساسية، إلا أن شيئًا أساسيًا كان مفقودًا: الذاكرة.

الروبوت الذي يمكنه تنفيذ مهمة واحدة ليس هو نفسه الروبوت الذي يمكنه إكمال وظيفة كاملة. تنظيف مطبخ كامل، طهي وجبة، أو إعداد مكونات لوصفة يتطلب أكثر من مهارات معزولة. إنه يتطلب استمرارية — القدرة على تذكر ما تم إنجازه بالفعل، وما لا يزال يتعين القيام به، وأين يوجد كل شيء. بدون ذلك الخيط السردي، حتى أكثر الروبوتات كفاءة تصبح غير فعالة بشكل مفاجئ.

وهذا هو التحدي الذي يحاول باحثو الذكاء الفيزيائي حله الآن من خلال بنية جديدة تسمى الذاكرة المجسدة متعددة المقاييس (MEM) — نظام مصمم لمنح الروبوتات ذاكرة قصيرة وطويلة الأمد بحيث يمكنها أداء مهام تتطور على مدى دقائق بدلاً من ثوانٍ.

تشير النتائج إلى شيء مهم: مستقبل الروبوتات قد يعتمد أقل على تحسين الأذرع الميكانيكية وأكثر على تحسين البنية المعرفية.

نماذج الروبوتات الحديثة تمتلك بالفعل مكتبة مذهلة من المهارات الحركية. فهي تستطيع الإمساك بالأشياء الهشة، والتعامل مع الأدوات، والتنقل في بيئات مزدحمة. لكن عندما يُطلب من روبوت تنظيف مطبخ كامل — مسح الأسطح، وضع البقالة بعيدًا، غسل الصحون، وتنظيم الأدوات — تتضح القيود بسرعة.

المشكلة ليست في المهارات نفسها. المشكلة في كيفية تنسيق تلك المهارات. المهام المعقدة تتطلب وعيًا مستمرًا. يجب على الروبوت أن يتذكر أي الخزائن فتحها بالفعل، وأين وضع غطاء القدر، أو ما إذا كان قد غسل طبقًا بالفعل. كما يجب أن يتابع الأشياء التي خرجت من نطاق الرؤية ويحافظ على خريطة ذهنية للبيئة أثناء أداء إجراءات جديدة.

القدرة الإدراكية البشرية تقوم بذلك بسهولة. أما الآلات، حتى وقت قريب، فلم تكن تستطيع ذلك. تخزين كل ملاحظة يراها الروبوت لعدة دقائق أو ساعات غير ممكن حسابيًا. لكن تجاهل تلك المعلومات يؤدي إلى سلوك فوضوي — أخطاء متكررة، نسيان خطوات، أو أفعال تتناقض مع القرارات السابقة. في أبحاث الروبوتات، يُوصف هذا التحدي أحيانًا بـ “الارتباك السببي”، حيث تفسر الأنظمة الأحداث الماضية بشكل خاطئ وتكرر السلوكيات غير الصحيحة.

النتيجة: روبوتات تبدو مثيرة للإعجاب في عروض قصيرة لكنها تكافح لإكمال المهام في العالم الحقيقي.

نظام ذاكرة للذكاء الفيزيائي

يعالج بنية MEM هذه المشكلة من خلال تقديم هيكل ذاكرة متعدد الطبقات. بدلاً من تخزين كل شيء بشكل متساوٍ، يفصل النظام الذاكرة إلى شكلين مكملين:

الذاكرة البصرية قصيرة الأمد تلتقط الملاحظات الأخيرة باستخدام بنية ترميز فيديو فعالة. هذا يسمح للروبوت بفهم الحركة، وتتبع الأشياء عبر الإطارات، وتذكر الأحداث التي حدثت قبل ثوانٍ — وهو أمر حاسم لإجراءات دقيقة مثل قلب شطيرة الجبن المشوي أو تنظيف طبق.

أما الذاكرة المفهومية طويلة الأمد، فهي تخزن تقدم المهمة باستخدام اللغة الطبيعية. بدلاً من تذكر البيانات البصرية الخام إلى أجل غير مسمى، يكتب الروبوت ملاحظات نصية موجزة تصف ما حدث — مثل “وضعت القدر في الحوض” أو “استرجعت الحليب من الثلاجة”.

تصبح هذه الملخصات جزءًا من عملية تفكير الروبوت. في الواقع، يبني الآلة سردها الخاص للمهمة. ثم يقرر محرك التفكير الخاص بالنظام شيئًا واحدًا في الوقت ذاته: ما الإجراء التالي الذي يجب اتخاذه وما المعلومات التي تستحق التذكر. يتيح هذا الجمع للنموذج تتبع المهام التي تستمر حتى خمسة عشر دقيقة — أطول بكثير من معظم العروض الروبوتية السابقة.

واحدة من القدرات الأكثر إثارة التي يتيحها MEM هي التكيف في السياق. الروبوتات ترتكب أخطاء. وهذا أمر لا مفر منه. لكن معظم أنظمة الروبوتات تكرر تلك الأخطاء بلا نهاية لأنها لا تملك ذاكرة للفشل.

يظهر الفرق بوضوح في تجارب بسيطة. في أحد الاختبارات، يحاول روبوت التقاط عيدان تناول الطعام المسطحة. بدون ذاكرة، يحاول الآلة مرارًا نفس القبضة غير الناجحة. مع تفعيل الذاكرة، يتذكر الروبوت المحاولة الفاشلة ويحاول نهجًا مختلفًا — وفي النهاية ينجح.

مثال آخر هو فتح الثلاجة. من البيانات البصرية فقط، لا يستطيع الروبوت تحديد الاتجاه الذي يفتح به الباب على الفور. نظام بدون ذاكرة يكرر نفس الإجراء مرارًا وتكرارًا. أما الروبوت المزوّد بذاكرة، فيحاول جهة واحدة، ويتذكر الفشل، ثم يحاول الجانب المعاكس.

تمثل هذه التعديلات الصغيرة شيئًا عميقًا: القدرة على التعلم داخل المهمة نفسها. بدلاً من الاعتماد كليًا على بيانات التدريب، يتكيف الروبوت أثناء التنفيذ.

قيم الباحثون النظام المزوّد بالذاكرة على مهام أكثر تعقيدًا. بدأوا بتحدٍ بسيط نسبيًا: صنع ساندويتش جبن مشوي. تطلب ذلك ذاكرة قصيرة الأمد لإدارة التوقيت أثناء أداء خطوات دقيقة مثل قلب الخبز وتقديم الساندويتش.

ثم جاء تحدٍ لوجستي: استرجاع مكونات لوصفة. كان على الروبوت تذكر العناصر التي جمعها بالفعل، وأين كانت، وما إذا كانت الأدراج والخزائن مغلقة. وأخيرًا، جاء السيناريو الأكثر تطلبًا: تنظيف مطبخ كامل.

شمل ذلك وضع الأشياء بعيدًا، وغسل الصحون، ومسح الأسطح، وتتبع الأجزاء التي تم تنظيفها بالفعل.

تفوق النموذج المعزز بالذاكرة بشكل كبير على النسخ بدون ذاكرة منظمة، موضحًا زيادة الاعتمادية ومعدلات إكمال المهام.

ويُظهر هذا الفرق تحولًا رئيسيًا في مجال الروبوتات. بدلًا من تحسين الإجراءات المعزولة، يبني الباحثون الآن أنظمة قادرة على تدفقات عمل مستدامة.

لماذا تعتبر الذاكرة المجال التالي في الروبوتات

النتيجة الأوسع لـ MEM هي أن الروبوتات تدخل مرحلة جديدة. لعقود، كان التركيز على الإدراك والسيطرة: مساعدة الآلات على رؤية العالم والتعامل مع الأشياء. ومؤخرًا، حسّنت النماذج متعددة الوسائط الكبيرة بشكل كبير قدرة الروبوتات على تفسير التعليمات وتنفيذ سلوكيات حركية معقدة.

لكن مع نضوج تلك القدرات، تحركت العقبة. التحدي التالي هو الاستمرارية المعرفية — تمكين الروبوتات من العمل لفترات ممتدة دون فقدان تتبع أهدافها. توفر أنظمة الذاكرة مثل MEM الأساس لذلك الاستمرارية. بدلاً من رد الفعل اللحظي، يمكن للروبوتات أن تحافظ على سرد داخلي لأفعالها وقراراتها وبيئتها. هذا السرد هو ما يسمح بظهور سلوك معقد.

إذا استمر هذا النهج في التطور، فإن الآثار تتجاوز تنظيف المطابخ بكثير. قد تحتاج الروبوتات المستقبلية إلى اتباع تعليمات تتطور على مدى ساعات أو حتى أيام. تخيل أن تقول لمساعد منزلي:

“سأعود في الساعة 6 مساءً — يرجى إعداد العشاء وتنظيف المنزل يوم الأربعاء.”

تنفيذ مثل هذا الطلب يتطلب تحليل تعليمات طويلة، وتخطيط مهام فرعية، وتذكر التقدم، والتكيف عند حدوث أخطاء.

الحفاظ على سجل فيديو خام لكل إجراء طوال تلك الفترة سيكون مستحيلًا. بدلاً من ذلك، من المحتمل أن تعتمد الروبوتات على أنظمة ذاكرة هرمية، حيث يتم ضغط التجارب إلى تمثيلات أكثر تجريدًا تدريجيًا.

يعد MEM خطوة مبكرة نحو ذلك الهيكل. ويقترح أن المفتاح لروبوتات أكثر قدرة قد لا يكون محركات أقوى أو حساسات أكثر حدة، بل ذاكرة أفضل — والقدرة على التفكير فيها. إذا استطاعت الروبوتات أخيرًا تذكر ما تفعله، فربما تستطيع أيضًا أخيرًا إكمال المهمة.