يستغرق هذا الروبوت ساعتين فقط ليتعلم كيفية المشي بمفرده

في دراسة حديثة أجريت في جوجل، حاول المهندسون استخدام نموذج الذكاء الاصطناعي (AI) كأساس لإنشاء روبوت رباعي الأرجل يمكنه تعلم كيفية التحرك بشكل طبيعي للغاية دون الحاجة إلى الكثير من المساعدة من البشر، مثل المضي قدمًا، إلى الوراء، تحول اليسار واليمين. بالإضافة إلى ذلك، يمكنه أيضًا تعلم كيفية التحرك بدقة على ثلاثة أنواع مختلفة من التضاريس، بما في ذلك الأرض المسطحة والوسائد الناعمة وممسحات الأرجل ذات الفجوات.

قد يبدو هذا بسيطًا، لكن في الواقع، من الصعب جدًا تصميم وحدات تحكم روبوتية يمكنها التعامل مع أوامر التنقل المتنوعة والمعقدة، خاصة على أنواع مختلفة من التضاريس، دون مساعدة من الذكاء الاصطناعي. والقضية الرئيسية هي أن الروبوتات يمكنها التعلم الذاتي والتكيف مع العديد من المواقف، بدلاً من الحاجة دائمًا إلى التدخل البشري في كل خطوة.

تسمى تقنية الذكاء الاصطناعي المستخدمة في هذا المشروع "التعلم المعزز العميق"، وهو نهج يعتمد على تكنولوجيا التعلم العميق المستوحاة من سيكولوجية التعلم و"التعلم بالتجربة" و"التعلم بالخطأ". ظهرت قوة التعلم المعزز العميق لأول مرة في عام 2013 عندما أصدرت DeepMind نموذجًا للذكاء الاصطناعي يمكنه تعلم كيفية لعب ألعاب Atari الكلاسيكية دون أي تعليمات.

غالبًا ما يستخدم باحثو الروبوتات ألعاب الفيديو، أو على الأقل ألعاب المحاكاة، لتدريب نماذج الذكاء الاصطناعي الخاصة بهم. فهو يخلق بيئة نظرية رائعة، مما يسمح للباحثين بتدريب الروبوتات الخاصة بهم في عالم افتراضي قبل الخروج إلى العالم الحقيقي، مما يساعد الروبوت على التعرف على المواقف التي يمر بها وتذكرها عندما يتعلم كيفية أداء مهمة محددة.

بالإضافة إلى ذلك، يعمل باحثو جوجل أيضًا على تعزيز تطوير خوارزميات محسنة تسمح للروبوتات الخاصة بهم بالتعلم بشكل أسرع مع تجارب أقل.

إن حقيقة أن الروبوت يستطيع أن يتعلم المشي بمفرده خلال ساعتين قد لا تكون نتيجة صادمة، ولكنها تظهر اختلافًا واضحًا في الكفاءة مقارنة بالمهندسين الذين يضطرون إلى برمجة كل عملية على وجه التحديد. إن الطريقة التي تعمل بها الروبوتات هي طريقة يدوية وسلبية للغاية مثل قبل. ومع ذلك، كانت الصعوبات التي واجهها فريق Google كبيرة أيضًا.

"على الرغم من أن العديد من خوارزميات التعلم غير الخاضع للرقابة أو التعلم المعزز العميق قد تم عرضها في المحاكاة، إلا أن تطبيقها على الروبوتات في تجارب العالم الحقيقي ليس بالأمر السهل. أولاً، يتطلب التعلم المعزز العميق كمية كبيرة من بيانات التدريب المدخلة، كما أن جمع بيانات الروبوت مكلف للغاية. ثانيًا، تتطلب عملية التدريب قضاء الكثير من الوقت في مراقبة الروبوت. إذا كنا بحاجة إلى إنسان لمراقبة الروبوت وإعادة ضبطه يدويًا في كل مرة يتعثر فيها - مئات أو آلاف المرات - فسوف يستغرق الأمر الكثير من الجهد والوقت لتدريب الروبوت. وقال جي تان، أحد المهندسين الرئيسيين في المشروع: "كلما استغرق الأمر وقتًا أطول، زادت صعوبة توسيع نطاق التعلم للروبوتات في العديد من البيئات المختلفة".

في المستقبل، يمكن أن يساعد هذا البحث في إنشاء روبوتات أكثر مرونة يمكنها التكيف بسرعة أكبر مع أنواع مختلفة من التضاريس. إن إمكانيات التطبيق هائلة، إلا أن المشروع لا يزال في المراحل الأولى من التطوير وستظل هناك العديد من التحديات التي يتعين التغلب عليها.