Embodied AI

يمثّل الذكاء الاصطناعي المتجسّد تحولًا majorًا من الخوارزميات السلبية إلى أنظمة ذكية قادرة على الإدراك والاستدلال والتفاعل ضمن بيئة مادية أو مُحاكاة ثلاثية الأبعاد. وعلى خلاف نماذج التعلم الآلي التقليدية التي تعمل حصريًا على مجموعات بيانات ثابتة، تمتلك هذه الأنظمة «جسمًا»—سواء كان هيكلًا روبوتيًا ماديًا أو صورة رمزية افتراضية—يتيح لها تنفيذ الإجراءات والتعلم من التغذية الراجعة المستمرة من البيئة. ومن خلال الجمع بين مدخلات المستشعرات واتخاذ القرارات الذكية، تسد الوكلاء المتجسّدون الفجوة بين الحوسبة الرقمية والتنفيذ في العالم الحقيقي.

كيف تدرك الأنظمة المتجسّدة العالم#

في صميم هذه الأنظمة الديناميكية توجد الرؤية الحاسوبية المتقدمة، التي تمكّن الوكيل من فهم محيطه مكانيًا. وللتنقل بأمان وفعالية، يعتمد الوكلاء المتجسّدون اعتمادًا كبيرًا على اكتشاف الكائنات في الوقت الفعلي وتقدير الوضعية المستمر. وعندما يطوّر المهندسون المسارات العصبية لهذه الوكلاء، فإنهم غالبًا ما يدمجون أطر التعلم العميق من منظومة PyTorch أو أدوات نشر TensorFlow لمعالجة البيانات المكانية المعقدة.

لتحقيق الاستقلالية الحقيقية، تستخدم هذه الأنظمة على نحو متزايد نماذج الرؤية واللغة إلى جانب محركات الاستدلال في الوقت الفعلي القوية. ويتيح ذلك للذكاء الاصطناعي ليس فقط التعرّف على كوب، بل أيضًا فهم تعليمات معقدة مثل «التقط الكوب الأحمر القريب من حافة الطاولة». وتواصل الأبحاث التي تجريها مؤسسات مثل معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان (HAI) دفع حدود كيفية دمج هذه الوكلاء للبيانات متعددة الحواس.

التمييز بين مصطلحات الذكاء الاصطناعي ذات الصلة#

يتطلب فهم هذا المجال تمييزه عن المفاهيم الوثيقة الصلة:

• الروبوتات: تركز الروبوتات بدرجة كبيرة على العتاد الميكانيكي والمشغلات والتحكم في المحركات. ويوفّر الذكاء الاصطناعي المتجسّد طبقة البرمجيات المعرفية التي تجعل العتاد مستقلًا، كما يتضح في مشاريع مثل روبوت Atlas من Boston Dynamics.
• الذكاء الاصطناعي المادي: رغم استخدام المصطلحين غالبًا بالتبادل، يتطلب الذكاء الاصطناعي المادي عتادًا ملموسًا في العالم الحقيقي على نحو صارم. أما الذكاء الاصطناعي المتجسّد فهو أوسع نطاقًا، إذ يشمل الوكلاء الافتراضيين المدرّبين في بيئات فيزيائية ثلاثية الأبعاد مُحاكاة، مثل منصة Isaac للروبوتات من NVIDIA.
• وكيل الذكاء الاصطناعي: تعمل وكلاء الذكاء الاصطناعي التقليديون في فضاءات رقمية، مثل تصفح الويب أو كتابة التعليمات البرمجية. أما الوكلاء المتجسّدون فمتخصصون في التعامل مع الأبعاد المكانية والقيود المادية وتدفقات البيانات الحسية المستمرة.

التطبيقات الواقعية#

أدى دمج الاستدلال المعرفي مع الأفعال المادية إلى تطبيقات تحويلية في صناعات متعددة، وقد وُثّقت هذه التطبيقات على نطاق واسع في المكتبة الرقمية لـ ACM لأبحاث الذكاء الاصطناعي.

• المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على الذكاء المتجسّد للتنقل في شوارع المدن. وهي تعالج باستمرار بيانات الليدار والكاميرات لتفسير إشارات المرور وحركات المشاة، على غرار تقنية القيادة الذاتية من Waymo التي تتفاعل بأمان مع البيئات الحضرية الديناميكية.
• التصنيع الذكي: تنفّذ الأذرع الروبوتية المزوّدة بنماذج Ultralytics YOLO26 مهام معقدة على خطوط التجميع. إذ تحدد الأجزاء المعيبة وتلتقطها وتفرزها ديناميكيًا، مما يبرهن على المبادئ التي تناولتها أبحاث DeepMind في مجال الروبوتات الحديثة.
• الطائرات المسيّرة الزراعية: تستخدم المركبات الجوية غير المأهولة الوعي المكاني لمراقبة صحة المحاصيل ورش الموارد بذكاء حيثما تكون مطلوبة فقط، مما يقلل الهدر ويزيد الإنتاجية.

بناء الإدراك للوكلاء المتجسّدين#

غالبًا ما يستفيد المطوّرون الذين يبنون هذه الأنظمة المادية من منصة Ultralytics لوَسم بيانات التدريب الديناميكية ونشر نماذج الذكاء الاصطناعي الطرفي خفيفة الوزن مباشرةً على العتاد منخفض استهلاك الطاقة بسلاسة.

يوضح مثال Python أدناه كيف يمكن لوكيل روبوتي استخدام نموذج رؤية لاكتشاف الكائنات التفاعلية في بيئته باستمرار.

from ultralytics import YOLO

# Load the lightweight YOLO26 model designed for real-time edge hardware
model = YOLO("yolo26n.pt")

# Perform continuous object detection on a robotic camera feed
results = model.predict(source="camera_feed.mp4", stream=True)

# Process the spatial bounding boxes to guide robotic interaction
for r in results:
    print(f"Detected {len(r.boxes)} objects ready for physical interaction.")

ومع نضوج مجالي تصميم العتاد والنمذجة المعرفية—بتوجيه من جهود المواءمة مثل أبحاث Anthropic حول سلامة الذكاء الاصطناعي وأحدث نماذج الاستدلال من OpenAI—ستواصل الأنظمة المتجسّدة انتقالها من مختبرات الأبحاث إلى البيئات اليومية، كما يُسلّط الضوء عليها مرارًا في تغطية IEEE Spectrum لمجال الروبوتات.