نماذج التعاون بين عدة وكلاء: طُرق جديدة لتعزيز التعلم الذاتي في الروبوتات

في عالم الذكاء الاصطناعي، تتطور نماذج التعاون بين عدة وكلاء بسرعة وتنقل الروبوتات إلى آفاق جديدة. يستند هذا التطور إلى أساليب التعلم المعزز (Reinforcement Learning - RL) التي تعالج تحديات النماذج القائمة على رؤية اللغة والحركة (Vision-Language-Action - VLA).

أحد التحديات الكبرى التي تواجه هذه النماذج هو أن تم تدريبها مسبقاً على بيانات فردية، ما يجعلهن يفتقرن إلى مهارات التنسيق الدقيقة اللازمة للتعاون بين الروبوتات. ومن هنا، تأتي الحاجة إلى تحسينات ذكية لمواجهة هذا التحدي.

تتضمن المقاربة المقترحة تقنية جديدة تعرف باسم "التهيئة المعززة للتعديل" (Reinforced Fine Tuning - RFT)، والتي تتكون من ثلاث مراحل. في المرحلة الأولى، يتم جمع بيانات مهيأة توفر توجيهات للروبوتات فقط عندما تفشل النماذج المُدربة مسبقًا. الثاني، يتم تعديل الأداء بناءً على مسارات كل وكيل بشكل فردي، مما يضمن تطوير الكفاءة دون الحاجة لإعادة تدريب شامل. أما المرحلة الثالثة، فالتحسين يتم عن طريق طريقة جديدة تُعرف بالتعديل في الفضاء الكامن (Latent-space fine tuning)، التي تشتغل في مجال الضوضاء الكامن للنماذج.

أثبتت الدراسات أن هذه الطرق الجديدة ترفع نسبة النجاح إلى مستويات غير مسبوقة: +23.1% في RoboTwin، +16.4% في RoboFactory، و+44% في المهام الواقعية باستخدام روبوتات Franka. انطلاقة جديدة في عالم VLA المحسن تجعلنا نتساءل: كيف سيشكل ذلك مستقبل الذكاء الاصطناعي والروبوتات؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات!