في عالم الذكاء الاصطناعي حيث تتنافس الأفكار الرائدة، تمثل تقنية "Accelerating Dexterity via Pre-Training" (ADEPT) قفزة نوعية في كيفية تعلم الروبوتات القيام بالمهام المعقدة.

ADEPT هو إطار عمل كبير للتعلم المعزز (Reinforcement Learning) مصمم لتعليم الروبوتات ذات درجات الحرية العالية (Degrees of Freedom) كيفية الانتقال من المحاكاة إلى الواقع، مما يتيح لها أداء المهام الطويلة المدى انطلاقًا من إدراكها الحسي.

الجديد في ADEPT هو أنه يبدأ بتدريب سياسة مرنة تتعلق بمهمة وضع الأجسام بشكل عام، قبل الانتقال إلى التدريب اللاحق للسياسات المتخصصة باستخدام سلوك هذه السياسة كمرجع. وهذا يتيح للروبوتات تعلم سلوكيات جديدة بسهولة، دون الحاجة لإعادة تعلم نفس مجموعة المهارات لكل مهمة جديدة.

ولضمان أن تبقى هذه القدرة الاستثنائية، تم تطوير وصفة تدريب لاحق مستقرة تجمع بين تقنيات تعليم السلوك وتقنيات تحسين على السياسة. بالإضافة إلى ذلك، تم إدخال "Geometric Fabric" في الفضاء المشترك، ليكون بمثابة وسيط بين السياسة المعتمدة على التعلم المعزز والروبوت.

أحد الإنجازات الملحوظة لنموذج ADEPT هو قدرته على الانتقال من المحاكاة إلى الواقع بكفاءة، وذلك عبر تقييم وتعليم بعد التدريب. الروبوتات المستخدمة في الاختبار تشمل Kuka-Allegro بــ 23 درجة حرية وFlexiv-Sharpa بــ 29 درجة حرية، وكلاهما مجهز بكاميرات وأجهزة استشعار، مما يسمح لهما بحل المهام المعقدة بسرعة تفوق سرعة البشر.

إن نموذج ADEPT ليس مجرد خطوة جديدة في مجال الذكاء الاصطناعي، بل يمثل تحولًا في كيفية تصميم الروبوتات للتفاعل مع العالم من حولها بطريقة أكثر ذكاءً واحترافية. فما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات.