بقلم: سارة | محررة نماذج الذكاء الاصطناعي · صوت تحريري بإشراف بشري
أعلنت Mistral عن نموذجها الأول المصمم للملاحة الجسدية المدمجة، Robostral Navigate، وهو نموذج بحجم 8 مليار معامل يُمكّن الروبوتات من التنقل باستقلالية تامة عبر بيئات معقدة — مكاتب، مبانٍ سكنية وتجارية، وفضاءات مفتوحة — دون الحاجة إلى أي مستشعرات عمق أو LiDAR، بل بكاميرا RGB عادية واحدة فقط.
ما الذي يجعل هذا النموذج مثيراً للاهتمام فعلاً؟ الأداء. يحقق Robostral Navigate 76.6% معدل نجاح على معيار R2R-CE للبيئات غير المرئية أثناء التدريب (وفقاً لـ Mistral)، وهو benchmark قياسي لتتبع التعليمات في بيئات محجوبة تماماً عن مرحلة التدريب. هذا الرقم يتجاوز أفضل نظام يعتمد على كاميرا واحدة بفارق 9.7 نقاط، بل يتفوق حتى على الأنظمة التي تستخدم مستشعرات عمق أو كاميرات متعددة بفارق 4.5 نقاط، رغم أن Robostral لا يستخدم أياً منهما. على البيئات المرئية أثناء التدريب، يرتفع المعدل إلى 79.4%.
آلية عمل النموذج تقوم على مبدأ “الإشارة بدلاً من القياس”. يُغذَّى النموذج بصورة من الكاميرا الحالية وتعليمة نصية مثل: “اخرج من الردهة، اعبر الممر، ادخل غرفة التوريد، وتوقف أمام الرف الثاني”، فيستنتج إحداثيات الموضع الهدف مباشرةً داخل إطار الصورة مع الاتجاه المطلوب عند الوصول. هذا النهج القائم على الإشارة (pointing-based navigation) يجعل النموذج متيناً أمام التغيرات في خصائص الكاميرا وأبعاد الفضاء المختلفة. حين يكون الهدف خارج مجال الرؤية الحالي، يتراجع النموذج إلى الإزاحات الإحداثية المحلية: “تقدم 2 متراً، 1.5 متراً يساراً، ثم دوران 25 درجة يساراً”.
بُني النموذج من الصفر داخل Mistral دون الاستعانة بنماذج مفتوحة المصدر. نقطة الانطلاق كانت نموذج رؤية-لغة داخلي متخصص في مهام الإسناد المكاني كالإشارة والعدّ وتحديد الأجسام، ثم تمت تدربة الملاحة كامتداد طبيعي لهذه القدرات. خط أنابيب توليد البيانات بأكمله يعمل في بيئات محاكاة، وأنتج ما يقارب 400,000 مسار تنقل موزعة على 6,000 مشهد بيئي مختلف.
ما يجعل التدريب هذا النوع من الانجازات الهندسية هو خوارزمية prefix-caching المبنية على استراتيجية الانتباه الشجرية (tree-based attention masking). هذه الخوارزمية تضغط حلقة تدريب كاملة في تسلسل واحد وتُمرّرها في pass أمامية واحدة، مما يُقلّص عدد tokens التدريب بمقدار 22 مرة دون فقدان أي إشارة تعلمية (وفقاً لـ Mistral). الترجمة العملية: تحوّلت دورات تدريب كانت ستستغرق أشهراً إلى دورات تكتمل في أيام.
بعد مرحلة التدريب الخاضع للإشراف، تُطبّق Mistral خوارزمية CISPO للتعلم المعزز الآني (online reinforcement learning). هذا المكوّن تحديداً هو ما يُعطي النموذج قدرة التعافي من الأخطاء واكتساب سلوكيات استكشافية لم تُبرمَج صراحةً، ويُعالج مشكلة الانجراف عن التوزيع الشائعة في نماذج محاكاة السلوك التقليدية. التعلم المعزز وحده رفع معدل النجاح بـ 3.2%، وتشير Mistral إلى أنها لا ترى أي إشارات تشبع، مما يعني أن مزيداً من التدريب سيواصل رفع هذا الرقم.
النموذج يعمل على ثلاثة أنواع من الروبوتات — ذات عجلات، وأرجل، وطائرة (flying) — ويتكيف مع أحجام مختلفة دون إعادة تدريب، ما يجعله نموذجاً موحداً بدلاً من حلول مجزأة لكل منصة. هذا الشمول في الأنواع جوهري لأسواق الخدمات اللوجستية والتصنيع والضيافة التي تعتمد تشكيلات مختلطة من الأجهزة.
من زاوية تنافسية، يطرح Robostral Navigate سؤالاً حقيقياً أمام الفرق التي تعتمد على حزم حساسات مكلفة: إذا كان نموذج بكاميرا واحدة يتفوق على الأنظمة متعددة الحساسات على الـ benchmark الرئيسي، فما الذي يبرر التكلفة الإضافية؟ بالطبع، الـ benchmark لا يحكي القصة كاملة — التطبيقات خارج نطاق المبانٍ الداخلية، والبيئات الصناعية القاسية، والمتطلبات الأمنية الحرجة قد تظل تحتاج إلى مستشعرات متعددة. لكن النموذج يُثبت أن مسار الكاميرا الواحدة بات جدياً على مستوى الأداء.
Mistral تضع هذا النموذج كأساس نحو وكيل جسدي موحد (unified embodied agent)، وتفتح باب التحدث مع فريقها للشركات المهتمة بتطبيقات التنقل الروبوتي. كما أعلنت عن توسيع فريق الروبوتيات وفتح مناصب لباحثين ومهندسين متخصصين، يمكن الاطلاع على الفرص عبر صفحة التوظيف.
