لماذا يستطيع الروبوت أن يرى كأسًا زجاجيًا لكنه ما يزال لا يعرف كيف يمسكه

يمكن للروبوت أن ينظر إلى كأس زجاجي ويحدده فورًا. إذ يستطيع التعرف على شكله وتقدير موضعه وتصنيف مادته وحساب المسافة بين يده والشيء، لكن أيًا من ذلك لا يوضح للروبوت بالضبط كيفية إمساكه.
كم مقدار القوة الكافية؟ ماذا يحدث إذا كان الكأس مبللًا؟ كيف ينبغي أن يتغير القبض إذا كان الكأس فارغًا مقارنةً بالكامل؟ ماذا لو بدأ الجسم بالانزلاق في منتصف الحركة؟
هنا تتضح الفروقات بين رؤية شيء وفهم كيفية التعامل معه.
يوفر البصر الوصف، بينما تحدد الذكاء الجسدي طريقة الاستجابة. لالتقاط كأس زجاجي بسيط بنجاح، يجب أن ينسق الروبوت بين قوة القبض والحركة والتوقيت والتوازن وردود الفعل اللمسية. كما يحتاج إلى اكتشاف متى تنتج أفعاله الأولية نتيجة غير صحيحة والتعديل قبل أن يسقط الكأس.
هذه السلوكيات صعبة التعلم من الصور والنصوص وحدها. إذ تنشأ عبر التفاعل مع العالم المادي.
وهذا ما يجعل 𝗛𝘂𝗺𝗮𝗻 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 بالغ الأهمية لتطوير الذكاء الاصطناعي المُتجسّد. إذ يملك المشغل البشري حاسة حدسية جسدية بالفعل للتعامل مع الأشياء في ظروف غير متوقعة. ومن خلال بنية 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 لدى @InvLambda، يمكن تحويل الأفعال البشرية إلى بيانات تدريب قيمة تلتقط كيف تترجم الحركة إلى عواقب مادية.
يعرف المشغل كيف يتكيف. ويسجل الروبوت التفاعل. عندها يمكن لأنظمة الذكاء الاصطناعي أن تتعلم من تلك العروض وأن تطور تدريجيًا سياسات قادرة على التعامل مع مواقف مماثلة بمساعدة بشرية أقل.
يمكن للكاميرا أن تقول للروبوت: «هذا كأس زجاجي»، لكن التجربة تعلمه: «هذه هي الطريقة التي تمسكه بها».
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach