---
تلخيص بلغة بسيطة للمحتوى الأساسي
أصبحت سباقات تطوير “الروبوتات الذكية الجسدية”، التي يمكنها التنقل بشكل مستقل في العالم الحقيقي والقيام بالمهام المختلفة، شائعة للغاية في الآونة الأخيرة، حيث يستمر الاهتمام بالتمويل وتزايدت حجم التغطية الإعلامية لها. لكن في السابق، كانت جميع الشركات تتبع نهج ChatGPT، ظنًا منها أن تجميع البيانات والمعلمات سيؤدي إلى نتائج سريعة، مما أدى إلى العديد من الأخطاء. خلال مؤتمر البوند، ناقش عدد من رواد الأعمال والعلماء البارزين في الصناعة أحدث التوافقات في الرأي: لا يمكن نسخ مسار تطور نماذج اللغة الكبيرة في الروبوتات الذكية الجسدية. الأسئلة التي كانت مثيرة للجدل في السابق، مثل “كمية البيانات الحقيقية المطلوبة، وما إذا كانت النماذج العامة ستأخذ الوظائف من الروبوتات، ومتى ستبدأ الروبوتات في تحقيق الأرباح”， لها الآن إجابات واضحة. المنافسة في الصناعة لم تعد تتمحور حول قوة النموذج وحده، بل تتطلب القدرة الشاملة على البيانات والأجهزة والأنظمة والسيناريوهات المختلفة. الصناعة بأكملها تتجه نحو نقطة تحول من “الترويج للمفاهيم وعرض النماذج التجريبية” إلى “تحقيق الأرباح الفعلية”.
---
تفسير مفصل
1. الصناعة تجاوزت أول خطأ كبير: الاعتقاد بأن تكرار نهج ChatGPT (تجميع كميات كبيرة من البيانات) كافٍ
في السابق، تحسنت قدرات نماذج اللغة الكبيرة بشكل كبير بعد تغذيتها بمليارات الكلمات من نصوص الإنترنت، لذا افترض الكثيرون أن الأمر نفسه ينطبق على الروبوتات الذكية الجسدية؛ أي أن تجميع بيانات فيديو للروبوتات أثناء قيامها بمهام مثل التنقل أو حمل الأشياء سيجعل النموذج أقوى.
لكن الآن أدرك الجميع أن هذا النهج خاطئ تمامًا. معظم البيانات المجمعة غير مفيدة، مثل تكرار مهام بسيطة مثل حمل الزجاجات الماء، وهذا لا يساعد الروبوت على تعلم مهام أكثر تعقيدًا مثل حمل أكواب الحرارة أو الأوعية المملوءة بالماء الساخن. البيانات القيمة هي تلك التي تحتوي على قوانين العالم الفعلي، مثل كيفية الإمساك بالأشياء عندما تنزلق أو كيفية المشي دون السقوط على الأرض الرطبة أو كيفية التعامل مع الأشياء الناعمة دون تشوهها. البيانات المجمعة من هذه المهام المعقدة أكثر فائدة بمئات المرات من البيانات غير المفيدة المجمعة بشكل متكرر.
2. تغير جذري في نهج جمع البيانات: التركيز ليس على كمية البيانات، بل على قدرة نقل قوانين العالم الحقيقي إلى الكمبيوتر
كان هناك جدل طويل حول ما إذا كان من الأفضل استخدام بيانات مأخوذة من سيناريوهات حقيقية أو بيانات مولدة في بيئات افتراضية، لكن الآن يتم التركيز على نقل الخصائص الفيزيائية الحقيقية للعالم الحقيقي إلى النظام الافتراضي بدقة. على سبيل المثال، يمكن للروبوت أن يتدرب في البيئة الافتراضية على عدم الانزلاق على الأرضية المبللة أو على الإمساك بأكواب بأوزان مختلفة دون أن يتساقط، وهذا أكثر فعالية بكثير من التدريب في العالم الحقيقي، دون الحاجة إلى إهدار الموارد الحقيقية.
3. مخاوف سابقة حول تأثير نماذج اللغة الكبيرة على الصناعة لم تكن مبررة
كان هناك قلق من أن نماذج اللغة الكبيرة قد تضر بصناعة الروبوتات الذكية الجسدية، لكن هذا غير محتمل. قدرات الذكاء الاصطناعي مستمدة من البيانات المتخصصة في مجالات معينة، وتطوير نماذج عامة يتطلب جمع بيانات جديدة عن أجهزة الروبوتات وأنظمة التدريب، وهو عمل شاق للغاية. بالفعل، تمتلك شركات الروبوتات الذكية الجسدية بيانات متخصصة لا تمتلكها النماذج العامة، مما يجعل النماذج المطورة خصيصًا للروبوتات أكثر فعالية.
4. معيار نجاح التجارة: ما إذا كان العملاء على استعداد لدفع المال باستمرار
المعيار الأساسي لنجاح الروبوتات التجارية هو ما إذا كانت توفر حلولًا أفضل من العمالة البشرية وتحقق عائدًا ماليًا مقابل الاستثمار. لم يعد الأمر يتعلق بعرض النماذج التجريبية، بل بالقدرة على تلبية احتياجات العملاء بشكل فعال.
---
هذا الترجمة تحافظ على هيكل المقال الأصلي وتستخدم لغة عربية طبيعية ومناسبة للقراءة في السياق المالي والتجاري.