هل الموجات الدماغية هي المفتاح التالي لفتح الذكاء الاصطناعي الفيزيائي؟

يستضيف مستودع في سان لياندرو بولاية كاليفورنيا حالياً واحدة من أغرب التجارب في مجال الروبوتات: شخص يسحب بعناية كتل خشبية من برج جينجا بينما تقيس أجهزة استشعار موجات دماغه. قد يبدو الأمر وكأنه إعداد لمختبر علم الأعصاب، لكنه في الواقع عملية جمع بيانات — وقد يمثل نقطة انعطاف حقيقية في كيفية تدريب أنظمة الذكاء الاصطناعي الفيزيائية. هل الموجات الدماغية هي المفتاح التالي لفتح الذكاء الاصطناعي الفيزيائي؟ السؤال يبدو وكأنه من الخيال العلمي، لكن المنطق الهندسي وراءه يصعب الجدال معه بشكل مفاجئ.

ما حدث

التجربة تابعة لـ Encord، وهي شركة تبني أدوات بيانات لتدريب نماذج الذكاء الاصطناعي. وفقاً لـ تقرير TechCrunch، تستخدم Encord ما تسميه "المدربون" — مدربو الروبوتات البشريون — الذين يؤدون مهام فيزيائية بينما يرتدون خوذات مزودة بأجهزة استشعار. لا تتابع هذه الخوذات فقط ما يراه المدرب من خلال كاميرا؛ بل تلتقط أيضاً بيانات تخطيط كهربائية للدماغ (EEG)، وتقيس نشاط الدماغ في الوقت الفعلي. تأتي أجهزة الخوذة من Zander Labs، وهي شركة ناشئة ألمانية متخصصة في فك تشفير الحالات العقلية من إشارات الدماغ.

الفكرة الأساسية واضحة جداً عند سماعها: عندما يؤدي الإنسان مهمة دقيقة، ليس كل لحظة تحمل نفس الوزن المعرفي. التقاط كوب من على الطاولة أمر تافه. استخراج كتلة حاملة للحمل من برج جينجا المتذبذب ليس كذلك. التسجيل الفيديو القياسي يعامل كلا اللحظتين كنقاط بيانات متكافئة. قراءات الموجات الدماغية لا تفعل ذلك — فهي تشير إلى متى يشعر مشغل الإنسان بانتباه مرتفع أو مفاجأة أو تصحيح الأخطاء. يشرح لوكاس جيرك، عالم أعصاب في Zander يشرف على العمل، أن كمية نشاط الدماغ في أي لحظة معينة توفر أدلة لمنشئي النماذج الذين يحاولون معرفة متى يحتاجون إلى نشر نماذجهم الأعلى جهداً.

تتعامل Encord حالياً مع هذا كتجربة استكشافية. الخطة هي بناء مجموعة بيانات أولية موسومة بالموجات الدماغية، وتشغيلها من خلال نماذج الروبوتات الخاصة بالعملاء، وتقييم ما إذا كانت تحسن الأداء فعلاً قبل تقرير ما إذا كان يجب التوسع. يصفها فينيث فيلموروجان، رئيس قسم الروبوتات في Encord، بأنها "الحافة الحادة" للجهود الرامية إلى حل اختناق بيانات الروبوتات. هذا الاختناق — وليس بنية النموذج، وليس الحوسبة، بل ندرة البيانات التدريبية الفيزيائية عالية الجودة من العالم الحقيقي — هو بشكل متزايد القيد الذي تواجهه فرق الروبوتات الجادة.

السياق الأوسع: نماذج الذكاء الاصطناعي الفيزيائية الحدودية لا تتعلم جيداً من مقاطع فيديو YouTube. تحتاج إلى زوايا كاميرا متعددة، وتعليقات توضيحية كثيفة، والآن، على ما يبدو، سياق عصبي. مشكلة البيانات في الروبوتات تختلف بشكل أساسي عن مشكلة البيانات في نماذج اللغة، وتراهن Encord على أن حلها يتطلب إعادة التفكير في معنى "نقطة بيانات" حتى.

لماذا يهم آسيا

آسيا ليست متفرجة في سباق الذكاء الاصطناعي الفيزيائي. الصين واليابان وكوريا الجنوبية وبشكل متزايد مراكز التصنيع في جنوب شرق آسيا كلها مستثمرة بعمق في الروبوتات والأتمتة. وحدها الصين جعلت الروبوتات الإنسانية أولوية استراتيجية وطنية، مع عشرات الشركات الناشئة الممولة جيداً التي تبني روبوتات ثنائية الأرجل لأرضيات المصانع. كان قطاع التصنيع الياباني ينشر الروبوتات الصناعية لفترة أطول من أي شخص تقريباً. تصب الشركات الكبرى الكورية الجنوبية رأس المال في أتمتة المستودعات. لسؤال حول مصدر بيانات التدريب — ومن يتحكم فيها — آثار مباشرة على كل واحد من هذه الأنظمة البيئية.

تشير تجربة Encord-Zander إلى شيء يجب على بناة التكنولوجيا الآسيويين الانتباه إليه بعناية: الخندق التنافسي في الذكاء الاصطناعي الفيزيائي ينتقل من أوزان النموذج إلى خطوط أنابيب البيانات. إذا كانت بيانات التدريب الموسومة بالموجات الدماغية تحسن فعلاً براعة الروبوت واتخاذ القرارات، فإن الفرق التي يمكنها تصنيع تلك البيانات على نطاق واسع ستحصل على ميزة هيكلية يصعب تكرارها بسرعة. خطوط أنابيب البيانات هي بنية تحتية، والمزايا البنية التحتية تتراكم.

بالنسبة لشركات الروبوتات الآسيوية، هذا يخلق تهديداً وفرصة. التهديد: إذا كانت أفضل بيانات تدريب الذكاء الاصطناعي الفيزيائي يتم إنشاؤها في مستودعات في كاليفورنيا، مع أدوات مبنية من قبل شركات ناشئة أوروبية متخصصة في علم الأعصاب، فإن الشركات المصنعة الآسيوية تخاطر بأن تصبح معتمدة على البنية التحتية للبيانات الغربية حتى وهي تبني الأجهزة. الفرصة: آسيا لديها أرضيات المصانع، وعمليات المستودعات، وكثافة التصنيع لتوليد بيانات التدريب الفيزيائية على نطاق يصعب حقاً مطابقته في مكان آخر. القطعة المفقودة كانت الأدوات والأدوات البيانية لالتقاطها بشكل صحيح.

يجب على المؤسسون في جنوب شرق آسيا الذين يبنون على الذكاء الاصطناعي — سواء للخدمات اللوجستية أو التصنيع أو روبوتات التسليم في الميل الأخير — أن يراقبوا هذا التطور عن كثب. الشركات التي تتعرف على كيفية تجهيز بيئاتها التشغيلية الخاصة وتوليد بيانات تدريب فيزيائية خاصة بها ستمتلك شيئاً لا يمكن تنزيله من Hugging Face.

ماذا يعني هذا للمطورين

بالنسبة للمطورين الذين يعملون في مجال الذكاء الاصطناعي الفيزيائي — سواء كنت تبني برامج روبوتات أو خطوط أنابيب تدريب أو التطبيقات التي تعمل على نماذج الأساس — فإن قصة الموجات الدماغية تسلط الضوء على بعض الآثار الهندسية الملموسة التي تستحق التفكير فيها.

إشارات جودة البيانات مهمة أكثر من حجم البيانات. الفرضية الكاملة لتكامل Zander Labs هي أنه ليست كل لحظات التدريب متساوية. مقطع فيديو مدته 30 ثانية لإنسان يكمل مهمة يحتوي على ربما لحظتين أو ثلاث لحظات عالية الإشارة حقاً حيث يحتاج النموذج إلى تعلم شيء صعب. بيانات EEG هي طريقة واحدة لتحديد تلك اللحظات تلقائياً. لكن المبدأ الأساسي — أنك تحتاج إلى إشارة جودة لوزن بيانات التدريب الخاصة بك بشكل صحيح — ينطبق سواء كنت تستخدم مستشعرات الموجات الدماغية أم لا. إذا كنت تبني خطوط أنابيب تدريب لأي تطبيق ذكاء اصطناعي فيزيائي، يجب أن تسأل نفسك: كيف أعرف أي نقاط البيانات مهمة أكثر؟

التعليق التوضيحي يصبح متعدد الأنماط. يتضمن التعليق التوضيحي التقليدي للبيانات للروبوتات وضع علامات على إطارات الفيديو بمواضع الأشياء وزوايا المفاصل وحالات المهام. إضافة البيانات العصبية هي نسخة متطرفة من اتجاه أوسع: التعليق التوضيحي يصبح أغنى وأكثر تعقيداً وأكثر تكلفة. يجب على المطورين الذين يبنون خطوط أنابيب البيانات اليوم أن يصممون للتوسع. مخطط التعليق التوضيحي الذي تصممه الآن يحتاج إلى استيعاب أنواع الإشارات التي لا توجد بعد في مكدسك.

طبقة المستشعر تصبح مصدر قلق هندسي من الدرجة الأولى. في برامج الذكاء الاصطناعي، تأتي بياناتك من السجلات وتفاعلات المستخدمين والمحتوى المكشوط من الويب. في الذكاء الاصطناعي الفيزيائي، تأتي بياناتك من العالم الفيزيائي — وجودة تلك البيانات محدودة بجودة إعداد المستشعر الخاص بك. يرتدي طيارو Encord خوذات مزودة بكاميرات تتبع العين ومستشعرات EEG في نفس الوقت. الحصول على هذا التجهيز بشكل صحيح ومعايرته وموثوقيته على نطاق واسع هو مشكلة تكامل الأجهزة والبرامج التي لم يضطر معظم مطوري البرامج إلى التفكير فيها من قبل. إذا كنت تنتقل إلى الذكاء الاصطناعي الفيزيائي، فهذه هي مشكلة "البنية التحتية للبيانات" الجديدة.

كفاءة النموذج تصبح تابعة للسياق. نقطة جيرك حول نشر "النماذج الأعلى جهداً" فقط عندما تشير نشاط الدماغ إلى لحظة معرفية صعبة لها ترجمة هندسية مباشرة: ليس كل استدعاء استدلال يحتاج إلى أن يكون مكلفاً بالتساوي. إذا كان بإمكانك وسم بيانات التدريب الخاصة بك بإشارات الصعوبة — عصبية أو غير ذلك — يمكنك تدريب نماذج تعرف متى تفكر بجدية أكبر. هذا ذو صلة بعيداً عن الروبوتات. أي تطبيق حيث تكون تكلفة الاستدلال مهمة وتختلف صعوبة المهام يمكن أن يستفيد من هذا النوع من تخصيص الحوسبة التكيفية.

بالنسبة للمطورين الذين يبنون على MonstarX، فإن هذا يعني التفكير في كيفية دمج إشارات الجودة في خطوط أنابيب البيانات الخاصة بك من اليوم الأول.