كشفت NRN Agents عن إطلاق دمج روبوتي جديد من خلال حزمة تطوير البرامج (SDK) الخاصة بها، والتي تتضمن إطار عمل Sim-to-Real كاملاً وتقديم الرياضات الروبوتية. تم تصميم هذه المبادرة لتكون وسيلة تنافسية لتسريع البحث في الذكاء الاصطناعي العام (AGI) من خلال التركيز على الذكاء الاصطناعي المتجسد. على عكس النماذج التي يتم تدريبها فقط على النصوص أو البيانات الثابتة، تتفاعل أنظمة الذكاء الاصطناعي المتجسد مع العالم المادي وتتعلم منه، مما يقدم مجموعة مميزة من التحديات والفرص.
الذكاء الاصطناعي المتجسد
على عكس نماذج اللغة الكبيرة، التي تعمل على مجموعات بيانات ثابتة تم جمعها من الإنترنت، تتطلب الروبوتات نموذجًا مختلفًا. يجب أن تتكيف أنظمة الذكاء الاصطناعي المتجسد في الوقت الفعلي، وتتفاعل مع بيئات غير متوقعة وتستجيب للمحفزات الفيزيائية المعقدة. هذه الأنظمة ديناميكية بطبيعتها، ولا يمكنها الاعتماد على جمع بيانات لمرة واحدة أو عملية تدريب واحدة غير متصلة بالإنترنت. تتطلب المتغيرات في العالم المادي مثل درجة الحرارة وظروف السطح والتآكل الميكانيكي من الروبوتات التعلم والتعديل باستمرار. تضع هذه الحاجة إلى التعلم في الوقت الفعلي الذكاء الاصطناعي المتجسد في طليعة الدفع نحو الذكاء الاصطناعي العام (AGI).
عملاء NRN يكشفون عن الرياضات الروبوتية لتطوير AGI
معالجة فجوات البيانات والتعلم في العالم الحقيقي
تتمثل إحدى العقبات الحاسمة في الروبوتات في ندرة البيانات المتنوعة والقابلة للتطوير. بينما يمكن للبيئات المحاكاة أن تساعد، إلا أنها لا تستطيع تكرار تعقيد العالم المادي بشكل كامل. لسد هذه الفجوة، تقوم NRN بتطوير خطوط أنابيب Sim-to-Real عالية الدقة تسمح للروبوتات المدربة في البيئات الافتراضية بالعمل بفعالية في ظروف العالم الحقيقي. يكمل جمع البيانات في العالم الحقيقي، بما في ذلك التقاط الفيديو وتتبع الحركة والتحكم عن بعد، التدريب القائم على المحاكاة من خلال تقديم سيناريوهات متنوعة تثري عملية التعلم.
بالإضافة إلى ذلك، تساعد الابتكارات المعمارية مثل التعلم التحويلي أنظمة الروبوتات على تطبيق المعرفة المكتسبة في مجال واحد على مجال آخر. وهذا يقلل من الحاجة إلى إعادة التدريب ويمكّن من التكيف بشكل أسرع. تتضمن منصة NRN أيضًا حلقات تعلم مستمرة، حيث يمكن للروبوتات التعلم تدريجيًا من تجارب العالم الحقيقي والاحتفاظ بالمعرفة المكتسبة مسبقًا. يساعد هذا النهج في تقليل متطلبات البيانات ويسمح بأنظمة روبوتية أكثر استجابة وقابلية للتطوير.
عملاء NRN يكشفون عن الرياضات الروبوتية لتطوير AGI
منصة مبنية لأبحاث الروبوتات القابلة للتطوير
قامت NRN Agents ببناء منصة تهدف إلى تحويل تعلم الروبوتات من عملية ثابتة إلى نظام يتطور باستمرار. تتضمن حزمة تطوير البرامج (SDK) الخاصة بـ NRN Agent العديد من المكونات الأساسية التي تساهم في تحقيق هذا الهدف. تتضمن حزمة تطوير البرامج تجربة قائمة على المتصفح تمكن المستخدمين من جمع بيانات الروبوتات من خلال واجهة تشبه اللعبة. لا يتطلب هذا النهج المعتمد على الألعاب أي تثبيت أو خبرة تقنية، مما يسمح للمستخدمين بالتحكم في الروبوتات المحاكاة بشكل بديهي من متصفحاتهم. يتم تغذية البيانات الناتجة عن هذا التفاعل مباشرة في خطوط أنابيب تدريب NRN، مما يجعلها متاحة لمشاركة أوسع في الأبحاث.
تتضمن المنصة أيضًا نظامًا للتمويل الجماعي لجمع بيانات سلوكية بشرية منظمة. باستخدام نموذج حوافز قائم على Web3، يمكن للمساهمين تقديم عروض سلوكية، والتي يتم تقييمها بعد ذلك بناءً على القيمة والتفرد. لا يزيد هذا النظام من تنوع مجموعة البيانات فحسب، بل يضمن أيضًا جودة البيانات من خلال الإسناد الخوارزمي.
يدعم إطار التعلم المستمر في NRN SDK أيضًا القدرة على التكيف. يمكن للروبوتات تحديث سلوكها من خلال حلقات التغذية الراجعة من sim-to-real-to-sim، والاستجابة للتغيرات في بيئاتها مع الحفاظ على الأداء. تساعد المعالجة الخفيفة على الحافة وآليات التحديث الفعالة على ضمان بقاء السلوكيات متوافقة مع الحقائق الفيزيائية، حتى عندما تختلف ظروف الأجهزة.
عملاء NRN يكشفون عن الرياضات الروبوتية لتطوير AGI
من AI Arena إلى الرياضات الروبوتية
بدأت أسس NRN Agents في تطوير الذكاء الاصطناعي مع AI Arena، وهي منصة تنافسية حيث تعلم وكلاء الذكاء الاصطناعي الافتراضيون من خلال التقليد والتعلم المعزز. يمثل الانتقال من AI Arena إلى الرياضات الروبوتية تطورًا منطقيًا، حيث يجلب مبادئ التعلم التكيفي القائم على الألعاب إلى المجال المادي. في هذا السياق الجديد، تعمل الرياضات الروبوتية كبيئات اختبار في العالم الحقيقي للذكاء الاصطناعي المتجسد، مما يدفع الأنظمة للتعامل مع عدم القدرة على التنبؤ، والقيود المادية، والحالات القصوى التي يصعب تكرارها في المحاكاة الافتراضية.
يمكن أن تشمل هذه السيناريوهات التنافسية سباقات الروبوتات، وألعاب القوى، والقتال، مع التركيز على التعلم في الوقت الفعلي والقدرة على التكيف. الرياضات الروبوتية ليست مجرد عروض أداء؛ إنها بيئات بحث حيث يمكن اختبار أنظمة الذكاء الاصطناعي المتجسد وتحسينها ومقارنتها بالتحديات الواقعية.
عملاء NRN يكشفون عن الرياضات الروبوتية لتطوير AGI
تأثير الروبوتات على أبحاث AGI
تضع NRN الرياضات الروبوتية كعنصر حاسم في السعي الأوسع للذكاء الاصطناعي العام (AGI). تعمل المنصة على تطوير الأبحاث من خلال بنى الذكاء الاصطناعي المعيارية التي تتوسع عبر منصات الأجهزة، وبيانات السلوك المستمدة من مجموعة واسعة من المستخدمين البشريين، وأنظمة التعلم التحويلي التي تقلل من وقت التدريب، وحلقات التعلم المستمر التي تعزز القدرة على التكيف على المدى الطويل. تخلق هذه العناصر مجتمعة بيئة يمكن للذكاء الاصطناعي أن يتطور فيها استجابة للمدخلات الفيزيائية، مما يحقق تقدمًا نحو أنظمة ذكية وقادرة على التفاعل الفيزيائي.
خارطة طريق NRN والتطوير المستقبلي
تطرح NRN Agents خارطة طريقها على مرحلتين رئيسيتين. تركز المرحلة الأولى على التحقق من المفاهيم الأساسية باستخدام نظام ذراع روبوتي يشار إليه باسم RME-1. تشمل العروض الأولية التلاعب بالأشياء، والتحكم الحركي الدقيق، والتحديات الفيزيائية البسيطة. تم تصميم هذه التطبيقات المبكرة لتأكيد قوة أنظمة جمع البيانات والتعلم المستمر لـ NRN.
تهدف المرحلة الثانية إلى توسيع قدرات النظام لتشمل الرياضات الروبوتية على نطاق واسع. سيتضمن ذلك تنسيقات تنافسية مثل قتال الروبوتات البشرية، وسباقات الطائرات بدون طيار racing، والمسابقات الرياضية التي تركز على التكيف مع التضاريس ودقة التحكم. ستكون هذه التطبيقات بمثابة معايير عملية لتقييم تقدم AGI في الأنظمة المتجسدة.
عملاء NRN يكشفون عن الرياضات الروبوتية لتطوير AGI
دفع الذكاء الاصطناعي نحو الحدود الفيزيائية
بينما حقق الذكاء الاصطناعي تقدمًا كبيرًا في مجالات مثل معالجة النصوص والصور والفيديو، إلا أن هذه البيئات منظمة إلى حد كبير. على النقيض من ذلك، تقدم الروبوتات عدم القدرة على التنبؤ وتتطلب التفاعل مع العالم المادي. وهذا يجعل الروبوتات ساحة اختبار حيوية للذكاء الاصطناعي العام (AGI)، حيث يجب أن تُظهر الأنظمة ليس فقط الذكاء الحسابي ولكن أيضًا الكفاءة الفيزيائية والقدرة على التكيف في الوقت الفعلي.
من خلال عملها في الرياضات الروبوتية والذكاء الاصطناعي المتجسد، تقوم NRN Agents ببناء البنية التحتية اللازمة لاختبار وتحسين أنظمة الذكاء الاصطناعي للأغراض العامة. من خلال الجمع بين جمع البيانات المدفوع بالمجتمع، والتعلم التكيفي، والتحقق من صحة العالم الحقيقي، تساهم NRN في فهم أكثر شمولاً لما سيتطلبه تحقيق الذكاء الاصطناعي العام (AGI). للمهتمين بمتابعة تقدم NRN، تتوفر معلومات إضافية في الورقة البيضاء لـ NRN Robotics.
