في عصر يتسم بالتقدم السريع في تكنولوجيا الذكاء الاصطناعي، تظهر نماذج اللغة البصرية (Vision Language Action - VLA) كابتكار رائد يجمع بين الإدراك البصري وفهم اللغة الطبيعية وتوليد الأفعال في نموذج واحد متكامل. هذه النماذج تسمح للروبوتات بتنفيذ مهام مثل طي المناشف أو التحليق إلى مبنى أحمر باستخدام صور الكاميرا فقط.


إن نماذج VLA تستفيد من المعرفة العالمية التي تم اكتسابها من التدريب على نطاق الإنترنت، مما يجعلها الإطار السائد في عمليات التعلم القائمة على التجريب. تجد بعض التحديات الأكثر تطلباً في التنسيق بين ذراعي الروبوت، حيث يجب على كل ذراع بحركة حرة تصل إلى 7 درجات أن تعمل بتناغم لطي وتجميع وإعادة توجيه الأجسام.

تواجه الروبوتات الطائرة بدون طيار (Unmanned Aerial Robotics) تحديات مماثلة حيث يجب على الطائرة تنسيق الدفع، وزاوية الاتجاه، وأوامر القبضة المرتبطة بالرؤية، تحت قيود صارمة تتعلق بالتأخير وحمولة الوزن.

تتناول المراجعة الأخيرة 183 مساهمة بحثية تمتد من 2017 إلى 2026، ومرتبة عبر سبعة أبعاد رئيسية، تشمل معمارية VLA، وصفات التدريب، تمثيلات الأفعال، التنسيق بين الذراعين، التنقل والتحكم في الطائرات بدون طيار، أساس اللغة، والمشاكل المتقاطعة مثل الذاكرة ونماذج العالم.

تظهر النتائج أن استراتيجيات التنسيق، وصفات التدريب، وتمثيلات الأفعال التي تم تطويرها داخل نماذج VLA الثنائية اليدين قابلة للتحويل إلى الأنظمة الطائرة بدون طيار، مما يفتح آفاقاً جديدة للبحث في هذا المجال.


تعد دراسة مثل هذه خطوة مهمة نحو استخدام الذكاء الاصطناعي بفعالية في التطبيقات العملية، حيث يتزايد الاعتماد على الروبوتات والطائرات بدون طيار في مختلف الصناعات. على الرغم من التحديات، إلا أن المستقبل يبدو واعدًا وكأن الابتكارات الجديدة ستجلب المزيد من التحولات.