ليس للروبوت أول معلم هو مجموعة بيانات. بل هو البيئة.

يمكن تدريب الروبوت على ملايين من الأمثلة ومع ذلك يواجه حالة لم يرها من قبل.
سطح أكثر انزلاقًا مما كان متوقعًا، جسم أثقل قليلًا، الأرض غير مستوية، تفشل القبضة، وتحتاج حركة ما إلى تصحيح في منتصف التنفيذ؛ فالعالم لا يتبع تسلسلًا مُبرمجًا بدقة.
هنا يبدأ الذكاء الجسدي (embodied intelligence) في الانفصال عن الروتين التقليدي: ليس فقط #AI. A dataset can show a #robot ما تبدو عليه الأشياء أو كيفية تنفيذ فعل ما، بل إن البيئات الواقعية تُدخل متغيرات لا يمكن دائمًا توقعها مسبقًا. يجب على الروبوت أن يستجيب لما يحدث فعليًا.
ولهذا السبب تُعد 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 في العالم الحقيقي ذات قيمة كبيرة. يجلب المشغلون البشر القدرة على التعامل مع عدم اليقين والتكيّف مع ظروف لم تُبرمج صراحةً. تكشف أفعالهم العلاقة بين الحركة والنتيجة: ماذا يحدث عندما تكون القبضة ضعيفة جدًا، أو عندما يكون المسار خاطئًا قليلًا، أو عندما تغيّر عقبة غير متوقعة المهمة.
@InvLambda تُنشئ حول طبقة تتضمن الإنسان في الحلقة، باستخدام التحكم عن بعد (teleoperation) لإنتاج بيانات تفاعل أغنى عبر البيئات المُحاكاة والواقعية. يوفّر المشغلون البشر الذكاء التكيّفي؛ وتوفّر بيئة الروبوت النتائج؛ وتصبح البيانات الناتجة أساسًا لتطوير ذكاء جسدي (embodied AI) أكثر قدرة.
لا يمكن للروبوت أن يتعلم الذكاء الجسدي عبر دراسة ما حدث من قبل فقط؛ بل يجب أن يواجه العالم، وأن يستجيب له، ويتعلم من الذي يحدث بعد ذلك.
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach