إعادة التدريب المعتادة طريق مسدود للروبوتات
الروبوتات الحديثة، المبنية على نماذج شاملة من نوع "الرؤية-اللغة-الفعل" (VLA) ونماذج العالم-الفعل، تثير الإعجاب طالما تعمل في بيئة مألوفة. لكن بمجرد أن يتغير المشهد — إضاءة جديدة، تخطيط مختلف، جسم غير مألوف — يبدأ النموذج في ارتكاب الأخطاء. لاستعادة المهارة، يلزم جمع بيانات جديدة، وإعادة تدريب السياسة، وتشغيل اختبارات الانحدار. تُسمى هذه الدورة "ضريبة إعادة التدريب": كل تحديث للبيئة يتطلب جولة جديدة من العمل اليدوي المكلف.
خصوصية الروبوتات هي أن البيانات لا يمكن ببساطة تنزيلها من الإنترنت. الخبرة الفيزيائية يجب اكتسابها بالتحكم في آلات حقيقية — ببطء وبتكلفة عالية. لذلك فإن نهج "اجمع الكثير من البيانات — درّب — اجمع المزيد" لا يتوسع بشكل جيد.
وكيل بدلاً من سياسة: فكرة تعلم التعلّم والنمو (Teach-and-Grow Learning)
اقترحت مجموعة من الباحثين (Chang Nie, Zhe Liu, Hesheng Wang) بنية تعلم التعلّم والنمو (TGL)، التي تحول التركيز من إعادة التدريب إلى إعادة استخدام الخبرة. بدلاً من إعادة تدريب النموذج في كل مرة لمهمة جديدة، يبني TGL مكتبة مهارات — سلوكيات قابلة لإعادة الاستخدام لأهداف فرعية نمطية.
يبدأ كل شيء بعدد قليل من العروض التوضيحية الناجحة. يقوم وكيل متعدد الوسائط بتفكيكها إلى كتل مكتملة منطقيًا — كتل المهارات (Skill Blocks). كل كتلة مسؤولة عن خطوة محددة وذات معنى: التقاط جسم، نقله، وضعه، فتح غطاء. تُحفظ هذه الكتل في مكتبة المهارات كبرامج قابلة للتنفيذ.
عندما يدخل الروبوت مشهدًا جديدًا، لا يشغّل الوكيل تسلسلًا محفوظًا مسبقًا، بل يفكر: أي المهارات مناسبة هنا، وكيف يمكن دمجها، وأي أداة يجب استخدامها — مُدرَّبة أم محسوبة هندسيًا. ثم ينفذ الخطة، ويراقب النتيجة الفيزيائية، وإذا انحرف السلوك عن النية، يصحح المسار. تُسجَّل جميع النجاحات والإخفاقات والتصحيحات في ذاكرة خبرة منظمة (Experience Memory)، تساعد الوكيل على اتخاذ القرارات في المرة القادمة.
لماذا يعمل هذا: التعلم كعملية مستمرة
الفرق الجوهري بين TGL والنهج الكلاسيكية هو الموقف من النشر. عادةً يُعتبر أن التعلم انتهى عندما يخرج النموذج "إلى الخط". في TGL، يصبح النشر نفسه فترة تعلم مستمر: كل مهمة منجزة تسهّل المهمة التالية، لأن الوكيل يراكم كتلًا قابلة لإعادة الاستخدام ومعرفة بقابليتها للتطبيق. ليست هناك حاجة لتعلم سياسة جديدة لمهمة محددة — يكفي دمج المهارات الموجودة وتصحيح التنفيذ عند الحاجة.
يطرح الباحثون فرضية التوسع: إذا كان X هو حجم الخبرة الفعالة القابلة لإعادة الاستخدام، فإن الخطأ في المهام المستقبلية والحاجة إلى تدريب إضافي تنخفض وفق قانون قوة، متجهة نحو حد أدنى لا يمكن تجاوزه. بعبارة أخرى، كلما زادت المهارات المفيدة المتراكمة، أصبح إتقان مهارات جديدة أرخص.
ماذا أظهرت التجارب
أظهر التقييم على معيار LIBERO نتائج بمستوى أحدث ما توصلت إليه التقنيات. أكدت الدراسات المضبوطة ثلاث خصائص مهمة:
- استقراء المهارات — يمكن للوكيل استخراج كتل قابلة للتعميم من العروض التوضيحية، وليس مجرد حفظ المسارات؛
- إعادة استخدام مستقرة — تعمل المهارات في مشاهد جديدة دون إعادة تدريب؛
- تكيف بقيادة الوكيل — يلاحظ الروبوت الانحرافات بنفسه ويغيّر سلوكه في الوقت الفعلي.
بدلاً من الخاتمة
تعلم التعلّم والنمو (Teach-and-Grow Learning) هو خطوة نحو روبوتات "تنمو" مع الخبرة، بدلاً من إعادة التدريب بلا نهاية من الصفر. هذه البنية واعدة بشكل خاص للصناعة وروبوتات الخدمات، حيث تتغير البيئة باستمرار، وكل دقيقة توقف للمعدات تكلف مالًا. إذا تأكدت فرضية التوسع وفق قانون القوة، فقد تنخفض تكلفة نشر مهام روبوتية جديدة بأضعاف مضاعفة — وعندها ستتوقف الآلات التكيفية عن كونها أمرًا استثنائيًا.
