هل الموجات الدماغية هي المفتاح التالي للذكاء الاصطناعي المادي؟
تراهن شركة Encord وغيرها على أن الحدود التالية في تدريب الروبوتات ليست نماذج أفضل — بل بيانات أفضل. يمكن لواجهات الدماغ-الحاسوب تزويد الذكاء الاصطناعي المادي بإشارات تدريب عصبية.
اختناق البيانات في الذكاء الاصطناعي المادي
الذكاء الاصطناعي المادي — التكنولوجيا التي تقود الروبوتات البشرية، والأنظمة المستقلة في المستودعات، والمركبات ذاتية القيادة — يواجه تحدياً مختلفاً جوهرياً عن ذلك الذي حلتّه نماذج اللغات الكبيرة (LLM) قبل سنوات. استطاعت نماذج LLM التدرب على الامتداد الشاسع للإنترنت: تريليونات الكلمات من الكتب والمقالات ومستودعات الأكواد ووسائل التواصل الاجتماعي. ليس لدى الذكاء الاصطناعي المادي مثل هذا الكم الهائل من البيانات. إنه يحتاج إلى بيانات تفاعل واقعية، متجسدة، متعددة الوسائط — النوع المكلف، المستغرق للوقت، والصعب فيزيائياً في جمعه.
الروبوت الذي يتعلم طي الملابس، أو التنقل في مستودع مزدحم، أو مساعدة جراح، يحتاج إلى آلاف الساعات من بيانات العرض المأخوذة من زوايا متعددة، مع تعليقات كثيفة عبر الزمان والمكان. هذه ليست مشكلة يمكن حلها بالمزيد من القدرة الحاسوبية أو البنى الأفضل وحدها. الاختناق هو البيانات — بيانات فيزيائية، متجذرة في الواقع، تلتقط كيف يتفاعل البشر مع بيئتهم.
Encord: بناء مصنع البيانات للذكاء الاصطناعي المادي
شركة Encord، وهي شركة ناشئة مقرها لندن، بنت أعمالها حول هذا التحدي تحديداً. توفر الشركة منصة للتعليق وإدارة مجموعات البيانات المعقدة متعددة الوسائط التي تتطلبها نماذج الذكاء الاصطناعي المادي. على عكس أدوات وضع العلامات التقليدية المصممة للصور الثابتة أو النصوص المكونة من جملة واحدة، تتعامل منصة Encord مع تدفقات الفيديو من زوايا كاميرا متعددة، وسحب النقاط ثلاثية الأبعاد، وبيانات دمج الحساسات، والتعليقات الكثيفة زمنياً التي تتبع الأشياء والإجراءات عبر الزمن.
وضعت الشركة نفسها كالعمود الفقري للبيانات لثورة الذكاء الاصطناعي المادي. يشمل عملاء Encord شركات الروبوتات التي تطور روبوتات بشرية، وفرق المركبات ذاتية القيادة، وشركات الروبوتات الطبية الناشئة، وشركات الأتمتة الصناعية. عرض القيمة واضح: بدلاً من أن تبني كل شركة بنيتها التحتية للبيانات من الصفر، توفر Encord الأدوات المتخصصة اللازمة لتصنيع بيانات التدريب التي يتوق إليها الذكاء الاصطناعي المادي.
واجهات الدماغ-الحاسوب: مصدر بيانات جديد
التطور الأكثر إثارة للاهتمام في خريطة طريق Encord — وفي النظام البيئي الأوسع لبيانات الذكاء الاصطناعي المادي — هو دمج بيانات واجهات الدماغ-الحاسوب (BCI). الفكرة بسيطة بشكل خادع: إذا استطعنا تسجيل الإشارات العصبية التي يولدها الإنسان أثناء أداء مهمة فيزيائية، وترجمة هذه الإشارات إلى بيانات تدريب لروبوت، يمكننا تسريع عملية التعلم للذكاء الاصطناعي المادي بشكل كبير.
عندما يطوي الإنسان قميصاً، يولد دماغه تياراً غنياً من إشارات التخطيط الحركي، وبيانات الوعي المكاني، ومعالجة التغذية الراجعة اللمسية، والتعديلات التصحيحية. تحتوي هذه الإشارات العصبية على جوهر الذكاء الفيزيائي — المعرفة الضمنية لكيفية التعامل مع الأشياء، والحفاظ على التوازن، وتطبيق القوة، والتكيف مع الظروف غير المتوقعة. إذا استطاعت واجهات BCI التقاط هذا النشاط العصبي وتحويله إلى إشارات تدريب منظمة، يمكن للروبوتات التعلم من الذكاء الطبيعي للدماغ بدلاً من الحاجة إلى ملايين العروض التوضيحية المشروحة يدوياً.
كيف تعمل إشارات التدريب العصبية
يتضمن خط الأنابيب التقني لإشارات التدريب العصبية عدة مراحل. أولاً، تسجل واجهات BCI غير الغازية أو الأقل غزواً نشاط الدماغ من القشرة الحركية، والقشرة الحسية الجسدية، ومناطق أخرى مشاركة في تنفيذ المهام الفيزيائية. ثم تتم معالجة هذه البيانات العصبية لاستخراج الأنماط ذات المعنى — تحديد أي تسلسلات إطلاق عصبي تتوافق مع حركات معينة، أو تطبيقات قوة، أو تعديلات.
ثم يتم تعيين هذه الأنماط المستخرجة إلى إشارات التحكم في الروبوت من خلال جسر التعلم الآلي. يتعلم الروبوت ربط أنماط التنشيط العصبي المحددة بالإجراءات المقابلة. بمرور الوقت، يعمم النظام ما وراء العروض المحددة: الروبوت الذي تعلم من البيانات العصبية كيفية الإمساك بفنجان يمكنه تطبيق تلك المعرفة على الإمساك بالأدوات، والأشياء ذات الأشكال المختلفة، أو العناصر في ظروف إضاءة متغيرة.
أظهرت التجارب المبكرة نتائج واعدة. أثبت الباحثون أن الإشارات العصبية المسجلة أثناء مهام التلاعب البسيطة — التقاط الأشياء، تدوير المقابض، فتح الأبواب — يمكن استخدامها لتدريب الأذرع الآلية على أداء نفس العمليات بدقة ملحوظة. التحدي الآن هو توسيع نطاق هذا النهج ليشمل المهام الفيزيائية المعقدة متعددة الخطوات في البيئات غير المنظمة.
لماذا هذا مهم لصناعة الروبوتات
آثار بيانات التدريب المولدة بواسطة BCI على الذكاء الاصطناعي المادي عميقة. اليوم، تدريب روبوت بشري واحد لمهمة معقدة يمكن أن يتطلب أسابيع من جمع البيانات بإعدادات كاميرا متعددة ومعلقين بشريين. إذا استطاعت بيانات BCI تقليص ذلك إلى أيام أو ساعات، فإن اقتصاديات تدريب الروبوتات تتغير بالكامل.
بالنسبة لشركات المستودعات والخدمات اللوجستية التي تنشر أنظمة مستقلة، دورات التدريب الأسرع تعني نشراً أسرع، وتكاليف أقل، والقدرة على تكييف الروبوتات لمهام جديدة دون انتظار أشهر لمجموعات بيانات جديدة. بالنسبة لمصنعي الروبوتات البشرية، فهذا يعني إمكانية تدريب روبوتات متعددة الأغراض يمكنها تعلم مهارات جديدة بنفس سرعة تعلم البشر تقريباً.
تراهن الشركات الناشئة مثل Encord على أن الشركات التي تسيطر على خط أنابيب بيانات الذكاء الاصطناعي المادي ستلتقط قيمة كبيرة في ثورة الروبوتات — تماماً كما التقطت الشركات التي سيطرت على بيانات التدريب لنماذج LLM القيمة في طفرة الذكاء الاصطناعي التوليدي. قد تكون واجهات الدماغ-الحاسوب هي المفتاح الذي يفتح حدود البيانات الجديدة هذه.
التحديات والأسئلة المفتوحة
على الرغم من الوعد، لا تزال هناك تحديات كبيرة. تقنية BCI نفسها لا تزال تتطور: السماعات غير الغازية تقدم جودة إشارة أقل، بينما تثير الزراعات الغازية مخاوف طبية وأخلاقية. ترجمة الإشارات العصبية إلى بيانات تدريب روبوتية تتطلب أيضاً حل مشكلات معقدة في معالجة الإشارات والتعلم الآلي. الشفرة العصبية للأفعال الفيزيائية ليست مفهومة بالكامل، والأفراد المختلفون ينتجون أنماطاً عصبية مختلفة لنفس المهمة.
هناك أيضاً أسئلة حول قابلية التوسع. هل يمكن لبيانات BCI التي تم جمعها من شخص واحد أن تُعمم على روبوتات من صنع جهات تصنيع مختلفة؟ كيف نضمن أن بيانات التدريب العصبية قوية ضد الضوضاء، والتشوهات، والتباين الفردي؟ وما هي آثار الخصوصية لتسجيل وتخزين بيانات النشاط العصبي، حتى لأغراض التدريب؟
هذه مجالات بحث نشطة، لكن الاتجاه واضح. الذكاء الاصطناعي المادي يحتاج إلى بيانات لا تستطيع الطرق التقليدية توفيرها بسهولة. الموجات الدماغية — السيمفونية الكهربائية للذكاء الفيزيائي البشري — قد تقدم طريقاً إلى الأمام يحول كيفية تعلم الروبوتات.