أعلن فريق DeepMind التابع لشركة Google عن تقدم ملحوظ في مجال الروبوتات ، حيث قدم Robotics Transformer RT-2 ، وهو نسخة متقدمة من نظام Robotics Transformer الأولي ، RT-1. يواصل هذا النظام الجديد تطوير مبادرة Everyday Robot ، وينقل المهارات إلى الروبوتات مثل التعامل مع الأشياء وفتح الدرج.
تم إطلاق RT-1 في العام الماضي ، مع قاعدة بياناته الضخمة التي تضم 130.000 عرض توضيحي ، وقد نقلت مجموعة من المهام البسيطة لأنظمة Everyday Robot ، محققة معدل نجاح هائل بلغ 97٪ في تنفيذ أكثر من 700 مهمة ، وفقًا لما صرح به فريق الروبوتات.
صعدت RT-2 التي تم الكشف عنها حديثًا ، كما هو موضح في منشور مدونة حديث من قبل عالم الروبوتات المتميز في DeepMind ، فنسنت فانهوك ، هذه العملية من خلال تمكين الروبوتات من الاستفادة بشكل فعال من الدروس المستفادة من مجموعات البيانات المحدودة ، وتطبيقها في سيناريوهات متنوعة.
تشرح Google الإمكانات المحسّنة لـ RT-2 ، مشيرة إلى أنها لا تعرض فقط مهارات فهم وتعميم أفضل ، بل يمكنها أيضًا فهم الأوامر الجديدة والتفاعل معها. يتجاوز النظام تدريبه الروبوتي الأولي ويقدم مستوى أساسيًا من التفكير ، مثل إجراء استنتاجات بشأن تصنيفات الكائنات والأوصاف عالية المستوى. تؤكد هذه القدرة على ميزة رائعة لـ RT-2 حيث يمكنها تحديد الأداة المناسبة لمهمة جديدة تمامًا ، استنادًا إلى معلومات الموقف الموجودة مسبقًا.
يوضح Vanhoucke هذا بمثال حيث يقوم RT-2 بالتعرف على القمامة والتخلص منها بنجاح. في النماذج التقليدية ، يحتاج المستخدم إلى تدريب الروبوت على تمييز كيفية التعرف على القمامة وتصنيفها ، ثم توجيهه بشكل أكبر حول كيفية انتقاؤها والتخلص منها. هذه العمليات التفصيلية ليست قابلة للتطوير بدرجة كبيرة عند تطبيقها على الأنظمة التي يُتوقع أن تؤدي قائمة واسعة النطاق من المهام.
ومع ذلك ، فإن RT-2 ، من خلال قدرتها على الاستفادة من المعرفة من مجموعة واسعة من بيانات الويب ، مجهزة بالفعل بمفهوم ما يشكل سلة المهملات ويمكنها تحديد ذلك دون توجيه صريح ، كما أوضح Vanhoucke. حتى أن النظام يفهم إجراء التخلص من القمامة ، على الرغم من عدم وجود تدريب محدد على الإجراء. إحدى القدرات البارزة لـ RT-2 هي فهم الطبيعة المجردة للنفايات. إنه يفهم أن كيس الرقائق المستخدم أو قشر الموز يمكن تصنيفها على أنها قمامة ، واستنتاج ذلك من بيانات التدريب على لغة الرؤية ، وتنفيذ الإجراء المطلوب وفقًا لذلك.
أبلغ فريق DeepMind عن تحسن ملحوظ في معدل نجاح RT-2 عند تنفيذ مهام جديدة مقارنة بسابقتها ، حيث نمت من 32٪ إلى 62٪ مع هذا التكرار الجديد. يمكن أن تكون المنصات مثل AppMaster مفيدة للغاية في تطوير مثل هذه المشاريع التحويلية ، حيث توفر أداة قوية no-code لإنشاء تطبيقات الويب والجوال والخلفية التي يمكنها تبسيط سير العمل في عملية التطوير. مع التطورات الجديدة ، لا يُتوقع من هذه المنصات أن تحسن كفاءة الروبوتات فحسب ، بل ستغذي أيضًا موجة جديدة من التطورات التكنولوجية في مختلف القطاعات.
