Embodied AI

يمثل الذكاء الاصطناعي المتجسد تحولًا جذريًا من الخوارزميات السلبية إلى أنظمة ذكية قادرة على الإدراك والاستنتاج والتفاعل داخل بيئة مادية أو افتراضية ثلاثية الأبعاد. وخلافًا لنماذج التعلم الآلي التقليدية التي تعمل فقط على مجموعات بيانات ثابتة، تمتلك هذه الأنظمة "جسمًا" - سواء كان هيكلًا روبوتيًا ماديًا أو شخصية افتراضية - مما يسمح لها بتنفيذ الإجراءات والتعلم من التغذية الراجعة المستمرة للبيئة. ومن خلال الجمع بين مدخلات المستشعرات واتخاذ القرارات الذكية، تعمل الوكلاء المتجسدون على سد الفجوة بين الحوسبة الرقمية والتنفيذ في العالم الحقيقي.

Link to this sectionكيف تدرك الأنظمة المتجسدة العالم#

في صميم هذه الأنظمة الديناميكية يكمن الرؤية الحاسوبية المتقدمة، والتي تمكّن الوكيل من فهم محيطه مكانيًا. وللتنقل بأمان وفعالية، يعتمد الوكلاء المتجسدون بشكل كبير على اكتشاف الكائنات في الوقت الفعلي وتقدير الوضعية المستمر. وعندما يقوم المطورون ببناء المسارات العصبية لهؤلاء الوكلاء، فإنهم غالبًا ما يدمجون أطر عمل التعلم العميق من نظام PyTorch البيئي أو أدوات نشر TensorFlow للتعامل مع البيانات المكانية المعقدة.

لتحقيق الاستقلالية الحقيقية، تستخدم هذه الأنظمة بشكل متزايد نماذج الرؤية واللغة جنبًا إلى جنب مع محركات الاستنتاج في الوقت الفعلي القوية. وهذا يسمح للذكاء الاصطناعي ليس فقط بالتعرف على كوب، بل بفهم تعليمات معقدة مثل "التقط الكوب الأحمر الموجود بالقرب من حافة الطاولة". ولا تزال الأبحاث من مؤسسات مثل معهد ستانفورد للذكاء الاصطناعي المتمحور حول الإنسان (HAI) تدفع حدود كيفية دمج هؤلاء الوكلاء للبيانات متعددة الحواس.

Link to this sectionالتفريق بين مصطلحات الذكاء الاصطناعي ذات الصلة#

يتطلب فهم هذا المجال التمييز بينه وبين المفاهيم وثيقة الصلة:

• الروبوتات: تركز الروبوتات بشكل كبير على الأجهزة الميكانيكية والمشغلات والتحكم في المحركات. ويوفر الذكاء الاصطناعي المتجسد طبقة البرمجيات الإدراكية التي تجعل الأجهزة مستقلة، كما يظهر في مشاريع مثل روبوت Atlas من Boston Dynamics.
• الذكاء الاصطناعي المادي: على الرغم من أنه غالبًا ما يتم استخدامهما بالتبادل، إلا أن الذكاء الاصطناعي المادي يتطلب بدقة أجهزة ملموسة في العالم الحقيقي. بينما يعد الذكاء الاصطناعي المتجسد أوسع نطاقًا، حيث يشمل الوكلاء الافتراضيين الذين يتم تدريبهم في بيئات فيزيائية ثلاثية الأبعاد محاكاة مثل منصة NVIDIA Isaac للروبوتات.
• وكيل الذكاء الاصطناعي: تعمل وكلاء الذكاء الاصطناعي التقليدية في المساحات الرقمية (مثل تصفح الويب أو كتابة التعليمات البرمجية). بينما يتخصص الوكلاء المتجسدون في التعامل مع الأبعاد المكانية والقيود المادية وتدفقات الحواس المستمرة.

Link to this sectionتطبيقات العالم الحقيقي#

لقد أدى دمج الاستنتاج الإدراكي مع العمل المادي إلى تطبيقات تحويلية عبر صناعات متعددة، وهي موثقة بشكل كبير في مكتبة ACM الرقمية لأبحاث الذكاء الاصطناعي.

• المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على الذكاء المتجسد للتنقل في شوارع المدينة. فهي تعالج بيانات الليدار والكاميرا المستمرة لتفسير إشارات المرور وحركات المشاة، تمامًا مثل تكنولوجيا القيادة الذاتية من Waymo التي تتفاعل بأمان مع البيئات الحضرية الديناميكية.
• التصنيع الذكي: تقوم الأذرع الروبوتية المجهزة بنماذج Ultralytics YOLO26 بتنفيذ مهام خط تجميع معقدة. فهي تحدد وتلتقط وتفرز الأجزاء المعيبة ديناميكيًا، مما يوضح المبادئ التي تم استكشافها في أبحاث DeepMind الأخيرة في مجال الروبوتات.
• الطائرات بدون طيار الزراعية: تستخدم المركبات الجوية غير المأهولة الوعي المكاني لمراقبة صحة المحاصيل ورش الموارد بذكاء فقط عند الحاجة، مما يقلل الهدر ويزيد المحصول.

Link to this sectionبناء الإدراك للوكلاء المتجسدين#

غالبًا ما يستفيد المطورون الذين يبنون هذه الأنظمة المادية من منصة Ultralytics لتعليق بيانات التدريب الديناميكية ونشر نماذج الذكاء الاصطناعي الطرفي خفيفة الوزن بسلاسة مباشرة على الأجهزة ذات الطاقة المنخفضة.

فيما يلي مثال بلغة Python يوضح كيف يمكن لوكيل روبوتي استخدام نموذج رؤية لاكتشاف الكائنات التفاعلية في بيئته بشكل مستمر.

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.")

مع نضوج مجالات تصميم الأجهزة والنمذجة الإدراكية - بتوجيه من جهود المواءمة مثل أبحاث Anthropic حول سلامة الذكاء الاصطناعي وأحدث نماذج الاستنتاج من OpenAI - ستستمر الأنظمة المتجسدة في الانتقال من مختبرات الأبحاث إلى البيئات اليومية، كما يتم تسليط الضوء عليه بشكل متكرر في تغطية IEEE Spectrum لمجال الروبوتات.