بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
المشكلة الكلاسيكية في روبوتات التلاعب المدعومة بالذكاء الاصطناعي ليست الدقة — بل الاستجابة. حين يُنفّذ الروبوت سلسلة حركات مُخطَّطة مسبقاً، يعمل في حالة open-loop حرفية: لا يرى ما يحدث أمامه، ولا يعدّل مساره وسط الحركة. وكلما حاولت إعادة التخطيط بشكل أكثر تكراراً، اصطدمت بعنق الزجاجة الثاني — زمن الاستجابة (latency) الذي تفرضه النماذج الكبيرة وخطوات denoising المتعددة. الحل البديهي إذاً مستحيل عملياً: إما تفاعلية بلا دقة، أو دقة بلا تفاعلية.
باحثان من arXiv، هما Sungjae Park وShubham Tulsiani، يطرحان ورقة بحثية نُشرت في 28 يوليو 2026 تحمل اسم πR²: Reactive Real-time Flow Policies، وتدّعي حلّ هذه المعادلة الصعبة دون التضحية بأيٍّ من الطرفين. النتائج التي يرصدها البحث لافتة: تحسّن نسبة النجاح بما يصل إلى 23% في بيئات المحاكاة و30% في العالم الحقيقي (وفقاً للبحث، arXiv).
الإطار النظري للحل يقوم على جدولة الضوضاء الموضعية (per-position noise schedule) التي يستعيرها من تقنية diffusion forcing، لكنه يُضيف إليها فكرتين أصيلتين تحوّلان الآلية بالكامل.
الفكرة الأولى هي تقسيم التكييف (conditioning) إلى قناتين بسرعتين مختلفتين: قناة سريعة تحمل بيانات proprioception — أي الإحساس الداخلي للروبوت بموضع مفاصله وعضلاته — وتُحدَّث مع كل نبضة زمنية، وقناة بطيئة تحمل مزايا الرؤية واللغة وتُحدَّث بشكل غير متزامن. هذا التقسيم يعني أن الروبوت يستطيع التفاعل مع ما “يشعر به” في جسده أثناء تنفيذ الحركة، حتى حين تكون صورة الكاميرا القادمة من النموذج الكبير لا تزال قيد المعالجة. التسامح مع عتاقة الرؤية (stale vision) هو ما يُتيح الاستجابة الحركية في الزمن الفعلي.
الفكرة الثانية هي جدول التدفق المتكيّف مع زمن الاستجابة (latency-adaptive flow schedule). تقليدياً، توليد الحركات يستلزم خطوات denoising متعددة لكل استدعاء — وهو ما يجعل النظام بطيئاً. يُعيد πR² صياغة الإجراء بجعل الحركات “قيد التنفيذ” تعمل كـinpainting conditioning، ثم يُصدر الحركات الجديدة في خطوة denoising واحدة فقط لكل استدعاء. الأثر الأهم هنا هو أن نموذجاً واحداً مُدرَّباً يستطيع التكيّف تلقائياً مع تفاوتات زمن الاستجابة في الأجهزة المختلفة — بدون إعادة تدريب.
الاختبار التطبيقي جرى على منصة حقيقية تجمع ذراع xArm6 ويد XHand، مع تطبيق πR² كـfine-tuning فوق النموذج المُدرَّب مسبقاً GR00T-N1.7 من NVIDIA. النتيجة: إعادة تخطيط closed-loop بتردد يبلغ نحو 25 هرتز على معالج A5000 GPU، أي ما يعادل تحديثاً كل 40 مللي ثانية، وهو ما يمثّل سرعةً أعلى بنحو أربع مرات مقارنةً بالسياسة الأساسية غير المُعدَّلة (وفقاً للبحث، arXiv). وما يُميّز هذا التصميم أن الانتقال إليه لا يستلزم تغييرات جوهرية في البنية التحتية للنماذج الموجودة — مجرد fine-tuning من نموذج مُدرَّب مسبقاً كافٍ.
من منظور تقني أوسع، ما يفعله πR² هو فصل مشكلتين كانتا مقترنتين بالضرورة: التفاعلية عادةً تستلزم تكراراً كثيفاً لدورة الإدراك-التصرف، والتكرار الكثيف كان يستلزم بنى خفيفة وبطيئة. هذا الفصل يفتح الباب أمام استخدام نماذج ضخمة (large backbones) وسياسات متعددة الأوضاع (multi-modal) مع الحفاظ على استجابة حقيقية في الوقت الفعلي. إذا صمدت هذه النتائج عند التحقق المستقل، فالإطار يُمثّل نقلة نوعية في كيفية نشر سياسات التلاعب الروبوتي في البيئات الديناميكية غير المتوقعة — وهي بالضبط البيئات التي يُفترض أن الروبوتات تُحلّ فيها مشاكل حقيقية.
الحذر التقني المشروع هنا هو أن الاختبارات الحقيقية جرت على منصة واحدة بتكوين بعينه. التحقق عبر منصات مختلفة ومهام أكثر تعقيداً سيكون المحك الحقيقي — لكن بيانات المحاكاة والواقع معاً، مع هذا الفارق في نسبة النجاح، تجعل πR² واحداً من أجدى الأعمال البحثية في روبوتات 2026 حتى الآن.
