Physical AI

يشير الذكاء الاصطناعي الفيزيائي إلى فرع الذكاء الاصطناعي الذي يصل بين النماذج الرقمية والعالم المادي، لتمكين الآلات من إدراك بيئتها والاستدلال بشأنها وتنفيذ أفعال ملموسة. وعلى خلاف الذكاء الاصطناعي المعتمد كليًا على البرمجيات، الذي يعالج البيانات لإنتاج النصوص أو الصور أو التوصيات، يتجسد الذكاء الاصطناعي الفيزيائي في أنظمة الأجهزة، مثل الروبوتات والطائرات المسيّرة والمركبات ذاتية القيادة، التي تتفاعل مباشرة مع الواقع. ويدمج هذا المجال الرؤية الحاسوبية المتقدمة ودمج المستشعرات ونظرية التحكم لإنشاء أنظمة قادرة على التنقل بأمان وكفاءة في بيئات معقدة وغير منظمة. ومن خلال الجمع بين المعالجة الإدراكية الشبيهة بالدماغ والقدرات الفيزيائية الشبيهة بالجسم، يقود الذكاء الاصطناعي الفيزيائي الموجة التالية من الأتمتة في قطاعات تمتد من التصنيع إلى الرعاية الصحية.

التقاء الروبوتات والذكاء الاصطناعي#

يكمن جوهر الذكاء الاصطناعي الفيزيائي في التكامل السلس بين ذكاء البرمجيات والأجهزة الميكانيكية. اعتمدت الروبوتات التقليدية على تعليمات جامدة ومبرمجة مسبقًا، ملائمة للمهام المتكررة في بيئات مضبوطة. وعلى النقيض من ذلك، تستفيد أنظمة الذكاء الاصطناعي الفيزيائي الحديثة من التعلّم الآلي والشبكات العصبية العميقة للتكيف مع المواقف الديناميكية.

تشمل المكونات الرئيسية التي تتيح هذا الالتقاء ما يلي:

• الإدراك: تستخدم الأنظمة الكاميرات وLiDAR لجمع البيانات المرئية، وتعالجها غالبًا باستخدام نماذج عالية السرعة مثل Ultralytics YOLO26 لتحديد الكائنات والعوائق والبشر في الوقت الفعلي.
• الاستدلال: يحلل الذكاء الاصطناعي المدخلات الحسية لاتخاذ القرارات، مثل تخطيط مسار لتجاوز عائق متحرك أو تحديد أفضل طريقة للإمساك بجسم هش. وغالبًا ما يتضمن ذلك التعلّم المعزّز، حيث يتعلّم الوكيل السلوكيات المثلى بالتجربة والخطأ.
• التشغيل: يحوّل النظام القرارات إلى حركة مادية، ويتحكم في المحركات والمشغّلات بدقة. ويغلق ذلك الحلقة بين الاستشعار والفعل، ما يتيح تحكمًا سريع الاستجابة ومناورة بارعة.

تطبيقات عملية#

يحوّل الذكاء الاصطناعي الفيزيائي قطاعات عديدة، إذ يمكّن الآلات من تنفيذ مهام كانت معقدة للغاية أو خطرة على الأتمتة.

الروبوتات المتنقلة ذاتية التشغيل (AMRs) في الخدمات اللوجستية#

في المستودعات الحديثة، يدير الذكاء الاصطناعي في الخدمات اللوجستية أساطيل الروبوتات المتنقلة ذاتية التشغيل. فعلى خلاف المركبات الموجهة الآلية التقليدية (AGVs) التي تتبع شريطًا مغناطيسيًا، تستخدم الروبوتات المتنقلة ذاتية التشغيل الذكاء الاصطناعي الفيزيائي للتنقل بحرية. وتستخدم هذه الروبوتات التحديد المتزامن للموقع ورسم الخرائط (SLAM) لبناء خرائط لبيئتها، وتعتمد على اكتشاف الكائنات لتجنب الرافعات الشوكية والعاملين. ويمكنها تغيير مساراتها ديناميكيًا استنادًا إلى الازدحام، وتحسين تدفق البضائع دون تدخل بشري.

الروبوتات الجراحية في الرعاية الصحية#

يُحدث الذكاء الاصطناعي الفيزيائي ثورة في الذكاء الاصطناعي في الرعاية الصحية من خلال المساعدين الجراحيين الأذكياء. وتوفر هذه الأنظمة للجراحين دقة وتحكمًا أكبر. وباستخدام الرؤية الحاسوبية لتتبّع الأدوات الجراحية والأعضاء الحيوية، يستطيع الذكاء الاصطناعي تثبيت حركات يد الجرّاح أو حتى أتمتة مهام خياطة محددة. ويقلل هذا التعاون بين الخبرة البشرية ودقة الآلة أوقات تعافي المرضى ويحدّ من الأخطاء الجراحية.

الذكاء الاصطناعي الفيزيائي مقابل الذكاء الاصطناعي التوليدي#

من المهم التمييز بين الذكاء الاصطناعي الفيزيائي والذكاء الاصطناعي التوليدي. فبينما يركز الذكاء الاصطناعي التوليدي على إنشاء محتوى رقمي جديد، مثل النصوص أو التعليمات البرمجية أو الصور، يركز الذكاء الاصطناعي الفيزيائي على التفاعل والمناولة في العالم الحقيقي.

• الذكاء الاصطناعي التوليدي: ينتج مخرجات رقمية (مثل كتابة ChatGPT رسالة بريد إلكتروني أو إنشاء Stable Diffusion عملًا فنيًا).
• الذكاء الاصطناعي الفيزيائي: ينتج أفعالًا مادية (مثل ذراع روبوتية تفرز المواد القابلة لإعادة التدوير أو طائرة مسيّرة تفحص جسرًا).

لكن هذين المجالين يتداخلان على نحو متزايد. وتتيح التطورات الحديثة في الذكاء الاصطناعي متعدد الوسائط للروبوتات فهم أوامر اللغة الطبيعية (قدرة توليدية) وتحويلها إلى مهام مادية، ما ينشئ واجهات أكثر سهولة بين الإنسان والآلة.

تنفيذ الإدراك في الذكاء الاصطناعي الفيزيائي#

تتمثل الخطوة الأولى الحاسمة في بناء نظام للذكاء الاصطناعي الفيزيائي في تمكينه من «الرؤية». وغالبًا ما يستخدم المطوّرون نماذج رؤية قوية لاكتشاف الكائنات قبل تمرير تلك المعلومات إلى نظام التحكم. وتبسّط منصة Ultralytics عملية تدريب هذه النماذج لنشرها على أجهزة محددة.

إليك مثالًا موجزًا على كيفية استخدام روبوت لـ Python لإدراك موضع كائن باستخدام نموذج مدرّب مسبقًا:

from ultralytics import YOLO

# Load the YOLO26 model (optimized for speed and accuracy)
model = YOLO("yolo26n.pt")

# Perform inference on a camera feed or image
results = model("robot_view.jpg")

# Extract bounding box coordinates for robot control
for result in results:
    for box in result.boxes:
        # Get coordinates (x1, y1, x2, y2) to guide the robotic arm
        coords = box.xyxy[0].tolist()
        print(f"Object detected at: {coords}")

التحديات والتطلعات المستقبلية#

ينطوي نشر الذكاء الاصطناعي الفيزيائي على تحديات فريدة مقارنة بالبرمجيات الرقمية البحتة. وتكتسب سلامة الذكاء الاصطناعي أهمية قصوى؛ فقد ينتج عن خطأ برمجي في روبوت محادثة أخطاء نصية، بينما قد يتسبب خطأ في سيارة ذاتية القيادة أو روبوت صناعي بأذى مادي. لذلك، يُعدّ اختبار النماذج والمحاكاة الدقيقان أمرين أساسيين.

يعمل الباحثون بنشاط على نقل التعلّم من المحاكاة إلى الواقع، لتمكين الروبوتات من التعلّم في محاكاة فيزيائية قبل نشرها في العالم الحقيقي، والحد من مخاطر التدريب. ومع تزايد قدرات الحوسبة الطرفية، نتوقع أن تصبح أجهزة الذكاء الاصطناعي الفيزيائي أكثر استقلالية، وأن تعالج البيانات المعقدة محليًا دون الاعتماد على زمن استجابة السحابة. كما تمهد الابتكارات في الهندسة العصبية الشكل الطريق أمام مستشعرات أكثر كفاءة في استهلاك الطاقة تحاكي العين البيولوجية، ما يعزز استجابة الوكلاء الفيزيائيين.