Embodied AI

الذكاء الاصطناعي المتجسّد هو مجال الذكاء الاصطناعي الذي يبني وكلاء لهم جسد، سواء أكان روبوتًا ماديًا أم شخصية افتراضية في محاكي ثلاثي الأبعاد، يدركون محيطهم عبر المستشعرات، ويؤثرون فيه عبر المحركات أو عناصر التحكم المُحاكاة، ويتعلمون من نتائج أفعالهم. ولأن كل فعل يغيّر ما يراه الوكيل لاحقًا، يجمع الوكيل المتجسّد خبرته بنفسه بدلًا من التعلم من مجموعة بيانات ثابتة من الصور أو النصوص فقط. وتشمل المهام المتجسّدة المعتادة التنقل في منزل غير مألوف للعثور على غرض، واستكشاف غرفة للإجابة عن سؤال يتعلق بها، واتباع توجيهات منطوقة، والتقاط الأغراض وإعادة ترتيبها؛ ويوفر هذا المجال أساليب التعلم التي تقوم عليها الروبوتات الحديثة.

نشأة الذكاء الاصطناعي المتجسّد#

نشأ الذكاء الاصطناعي المتجسّد ردًا على الذكاء الاصطناعي الرمزي البحت. ففي أواخر ثمانينيات القرن العشرين، بنى رودني بروكس في MIT روبوتات تمشي كالحشرات وتتحكم فيها طبقات من سلوكيات بسيطة تربط المستشعرات بالمحركات، وجادل في بحثه الصادر عام 1991 بعنوان "الذكاء بلا تمثيل" بأن الذكاء ينبغي أن ينبني على التفاعل المباشر للآلة مع العالم. وفي عام 1988، لاحظ هانز مورافيك أن الحواسيب باتت تضاهي البالغين في لعبة الداما واختبارات الذكاء، لكنها لا تضاهي قدرة طفل عمره عام واحد على الإدراك والحركة. ولا تزال هذه الفجوة، التي تُعرف اليوم بمفارقة مورافيك، الصعوبة المحورية في هذا المجال.

تبلور المجال الحديث بين عامي 2017 و2019، حين أتاحت المحاكيات ثلاثية الأبعاد السريعة تدريب الوكلاء على مليارات خطوات الخبرة عمليًا. ويوفر AI2-THOR، من معهد ألين للذكاء الاصطناعي، منازل تفاعلية يفتح فيها الوكلاء الأدراج ويحركون الأغراض، فيما يحمّل Habitat التابع لـ Meta مسوحات ثلاثية الأبعاد لمنازل حقيقية، ويعرض أكثر من 10,000 إطار في الثانية على وحدة GPU واحدة. وتشمل مهام المعايير القياسية التنقل نحو نقطة أو غرض، والإجابة المتجسّدة عن الأسئلة، والتنقل اعتمادًا على الرؤية واللغة. وفي عام 2019، درّب إريك ويجمانز وزملاؤه وكيلًا في Habitat باستخدام التعلم المعزز العميق على 2.5 مليار خطوة، أي ما يعادل 80 عامًا من الخبرة البشرية؛ فبلغ الأهداف في منازل لم يرها من قبل بدقة شبه تامة، مستخدمًا كاميرا RGB-D ومستشعر GPS وبوصلة فقط.

حلقة الإدراك والفعل#

يعمل الوكيل المتجسّد ضمن حلقة مغلقة: يقرأ بيانات مستشعراته، ويبني تصورًا للمشهد، ويختار فعلًا، وينفذه، ثم يلاحظ ما تغير.

يحوّل الإدراك بيانات المستشعرات الخام إلى مقادير تحتاج إليها عملية اتخاذ القرار. يعثر اكتشاف الكائنات وتجزئة الكائنات على العناصر التي يمكن للوكيل التفاعل معها، وتحدد تقديرات العمق ودمج المستشعرات مواضعها ثلاثية الأبعاد، وتتبع تقديرات الوضعية الأشخاص وحركاتهم، فيما تنشئ الموقع الجغرافي والتخطيط المتزامنان المرئيان خريطة بالتزامن مع تحديد موقع الوكيل فيها. ويشغّل دليل البدء السريع لـ Ultralytics ROS نموذج Ultralytics YOLO26 داخل عقدة ROS1 أو ROS2 تشترك في موضوعات كاميرا الروبوت؛ وفي مثال العمق، يحدد قناع التجزئة وحدات البكسل الخاصة بالكائن في صورة العمق المحاذاة، ثم تنشر العقدة متوسط بُعد الكائن عن الكاميرا.

تُتخذ القرارات بالاستعانة بالمخططات الكلاسيكية أو التحكم التنبؤي بالنموذج أو السياسات المتعلّمة التي تحول الملاحظات مباشرة إلى أوامر المحركات. وتتيح نماذج العالم، التي تتنبأ بكيفية تغير المشهد استجابةً لفعل ما، للوكيل اختبار خطة ذهنيًا قبل التحرك.

كيف يتعلم الوكلاء المتجسّدون التصرف#

يتيح التعلم المعزز في المحاكاة للوكلاء التعلم من المكافآت عبر ملايين التجارب، فيما يغيّر التوزيع العشوائي للمجال الأنسجة والإضاءة والفيزياء كي تنتقل السياسات المدرّبة في المحاكاة إلى الروبوتات الحقيقية؛ وقد استخدمته OpenAI في عام 2019 لتدريب يد روبوتية حلّت مكعب روبيك. ويدرّب التعلم بالتقليد السياسات على عروض التشغيل عن بُعد، بدءًا من استنساخ السلوك البسيط وصولًا إلى سياسات الانتشار وتجميع الأفعال، التي تتنبأ في آن واحد بتسلسلات قصيرة من الأفعال المستقبلية.

توفر النماذج الكبيرة المدربة مسبقًا الآن معرفة عامة بالأغراض واللغة. تعلّم RT-1 من Google (2022) أكثر من 700 مهمة من 130,000 عرض جُمعت باستخدام 13 روبوتًا على مدى 17 شهرًا، وضبط RT-2 (2023) نموذج رؤية ولغة بدقة لإخراج أفعال الروبوت على هيئة رموز نصية، مقدمًا مصطلح نموذج الرؤية واللغة والفعل (VLA). وجمّع تعاون Open X-Embodiment عروضًا توضيحية من 22 نوعًا من الروبوتات في 21 مؤسسة لتدريب نماذج تأسيسية على أجسام مختلفة. وأضافت π0 من Physical Intelligence (أكتوبر 2024) خبيرًا للأفعال قائمًا على مطابقة التدفق إلى نموذج رؤية ولغة ذي 3 مليارات معلمة للتحكم في الروبوتات بمعدل يصل إلى 50 Hz، فيما بنت نماذج Gemini Robotics من Google DeepMind، الصادرة في مارس 2025، نموذج VLA على Gemini 2.0.

تُستخدم هذه الأساليب في المركبات ذاتية القيادة، وروبوتات المستودعات المتنقلة، وأذرع الالتقاط والوضع الموجّهة بالرؤية، والروبوتات الزراعية، والطائرات المسيّرة؛ إذ يجب على جميعها التصرف بناءً على ما تراه في الزمن الحقيقي، وغالبًا باستخدام عتاد ذكاء اصطناعي طرفي محمول على متنها.

الذكاء الاصطناعي المتجسّد والمصطلحات ذات الصلة#

• الذكاء الاصطناعي المادي: مصطلح يكاد يكون مرادفًا، روّجت له NVIDIA، ويشير إلى الذكاء الاصطناعي الذي يدرك العالم الحقيقي ويتفاعل معه عبر الروبوتات والمركبات والآلات الأخرى. ويشمل الذكاء الاصطناعي المتجسّد أيضًا الوكلاء الموجودين في المحاكاة فقط.
• الروبوتات: تخصص هندسي لبناء الروبوتات، يشمل الآليات والمشغّلات والتحكم الكلاسيكي. ويوفر الذكاء الاصطناعي المتجسّد الإدراك وصنع القرار المتعلّمين اللذين يمكّنان الروبوت من التعامل مع مواقف لم يتوقعها مبرمجوه.
• وكلاء الذكاء الاصطناعي: وكلاء برمجية يتصرفون عبر واجهات API والمتصفحات والبرمجيات. ويتبعون حلقة الملاحظة واتخاذ القرار والفعل نفسها، لكن من دون فيزياء أو قوى تماس أو تدفقات مستشعرات مستمرة.
• الذكاء المكاني: القدرة على فهم الفضاء ثلاثي الأبعاد والاستدلال بشأنه انطلاقًا من الصور والمستشعرات الأخرى، وهي قدرة تحتاج إليها الوكلاء المتجسّدة للتنقل في محيطها والتعامل معه.