معهد ماساتشوستس للتكنولوجيا يطور نظامًا ذكيًا لمساعدة الروبوتات على فهم نوايا البشر

طور معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا مدعومًا بالذكاء الاصطناعي، يهدف إلى مساعدة الروبوتات على فهم نوايا البشر، مثل الحاجة الضمنية عندما يطلب شخص من الروبوت إزالة فنجان القهوة من على طاولة فوضوية. يُعرف هذا النظام باسم FLEX (Flexible Language Guided Representation Editing for Adaptive Robot Behavior)، وسيتم عرضه هذا الشهر في المؤتمر السنوي لتعلم الروبوتات.

اختبار وتطبيق نظام FLEX

استخدم الباحثون ذراعًا آليًا لإجراء مهام محاكاة لاختبار FLEX. في إحدى الحالات، طُلب من الروبوت نقل فنجان القهوة من على طاولة فوضوية. قال المستخدم: "لا تسكب على الكمبيوتر المحمول!"، حيث حدد FLEX خطر سكب القهوة على الكمبيوتر المحمول، واستخدم نموذجًا لغويًا كبيرًا (LLM) لربط السائل بالأجهزة الإلكترونية. بعد ذلك، تجنب الروبوت الكمبيوتر المحمول والهاتف القريب، على الرغم من أن المستخدم لم يذكر الهاتف في التعليمات. قاد هذه الدراسة أستاذ مساعد في علوم الطيران والفضاء، Andreea Bobu، وشارك فيها باحث ما بعد الدكتوراه Nathan Dennler من مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL) في معهد ماساتشوستس للتكنولوجيا، بالإضافة إلى الطالبين Audrey

Lee SM ’26 وطالب جامعة نيويورك Ilia Sucholutsky.

تم تدريب النماذج اللغوية الكبيرة (LLM) على كميات هائلة من نصوص الإنترنت، مما يمكنها من ربط الأشياء والسياقات بالمعلومات ذات الصلة. على سبيل المثال، في حالة انسكاب القهوة أو الماء، تربط LLM هذه الحوادث بالأضرار المحتملة للأجهزة الإلكترونية. يستخدم FLEX هذه الروابط لمساعدة الروبوتات على توقع المشكلات المحتملة المتعلقة بالأشياء التي لم يذكرها المستخدم بشكل صريح. يتكون النظام من ثلاث مراحل: الإضافة، والتلخيص، والتعتيم. في مرحلة الإضافة، يحدد FLEX الأشياء والخصائص التي يجب تجنبها. على سبيل المثال، إذا قال المستخدم: "لا تسقط كرة البولينغ على كوبتي!"

، فسيتم إضافة الكوب إلى قائمة الأشياء التي يجب على الروبوت تجنبها. في مرحلة التلخيص، يستخدم FLEX نموذج اللغة GPT-4o لتلخيص الأشياء والخصائص التي تمت إضافتها في المرحلة السابقة. على سبيل المثال، سيتم تصنيف الكوب كعنصر هش، مما يعني أن الروبوت سيتجنب أيضًا جميع العناصر الهشة الأخرى. أخيرًا، في مرحلة التعتيم، سيتم استخدام نظام الرؤية الحاسوبية القياسي للروبوت لتحديد الأشياء المحيطة به. سيتم إزالة الأشياء التي لم تعد موجودة من قائمة الخصائص الخاصة بالروبوت، مما يتيح له تحديث قراراته بناءً على تغييرات البيئة في الوقت الفعلي. وفقًا للباحثين، تستغرق العملية بأكملها حوالي خمس ثوانٍ.

تعلم تفضيلات الأسر المتنوعة

اختبر الفريق FLEX في بيئة محاكاة من خلال ثلاث مهام، تشمل تقديم القهوة، وتحريك الشموع، وحمل كرة البولينغ. كان الروبوت قادرًا على اتباع التعليمات المتعلقة بالكمبيوتر المحمول، وأكوام الورق، والأكواب، وتوسيع ذلك ليشمل أشياء مشابهة (مثل الأجهزة الإلكترونية، والمواد القابلة للاشتعال، والعناصر الهشة). تم دعم هذه الدراسة جزئيًا من قبل تحالف الذكاء الاصطناعي التوليدي في معهد ماساتشوستس للتكنولوجيا وبرنامج المسؤولية الاجتماعية والأخلاقية للحوسبة في معهد ماساتشوستس للتكنولوجيا. قالت Bobu: "تفضيلات الأسر متنوعة للغاية. لذلك، يجب على الروبوتات أن تتعلم تفضيلات الناس في سياقات مختلفة، فقط من خلال بضع تعليمات."

يمكن لـ FLEX مساعدة الروبوتات على تعلم تفضيلات الناس في سياقات مختلفة، فقط من خلال بضع تعليمات.

أثر نظام FLEX على تكنولوجيا الروبوتات

يمثل تطوير نظام FLEX تقدمًا مهمًا في تكنولوجيا الروبوتات، مما يمكّن الروبوتات من فهم وتلبية احتياجات البشر بشكل أكثر مرونة. من خلال تطبيق النماذج اللغوية الكبيرة، يمكن للروبوتات تنفيذ مهام محددة، بالإضافة إلى توقع المخاطر المحتملة، وهو أمر بالغ الأهمية للتطبيقات في الحياة اليومية. مع تنوع البيئات الأسرية، يمكن لـ FLEX التعلم بسرعة والتكيف مع تفضيلات مختلفة في سياقات متنوعة، مما يعزز الاستخدام الواسع لتكنولوجيا الروبوتات في المجالات الأسرية والتجارية، ويزيد من جودة وكفاءة التفاعل بين الإنسان والآلة.