π₀: نموذج تدفُّقي للرؤية واللغة والفعل للتحكم العام بالروبوتات

بحلول 2024، كان مجال تعلُّم الروبوتات منقسماً إلى مدرستين لا تتكلّمان اللغة نفسها. المدرسة الأولى اعتمدت نماذج الرؤية واللغة مثل RT-2: نماذج تفهم المشاهد وتتّبع التعليمات اللغوية، لكنها تعاملت مع حركات الروبوت كرموز منفصلة — كأنها كلمات في جملة. هذا الأسلوب يعمل في المهام البطيئة والبسيطة مثل «التقط الكوب وحرّكه يساراً»، لكنه ينهار تماماً أمام المهام الحركية الدقيقة بتردد 50 هرتز: طيّ القماش، أو تعبئة البيض، أو تجميع الصناديق. ببساطة، لا يمكنك تمثيل 50 تعديلاً دقيقاً لزوايا المفاصل في الثانية على شكل سلسلة من الكلمات.

المدرسة الثانية استخدمت سياسة الانتشار وأساليب مشابهة لتوليد مسارات حركة سلسة وعالية التردد باستخدام نماذج الانتشار. هذه الأساليب تفوّقت في الدقة الحركية، لكنها كانت تُدرَّب من الصفر على مجموعات بيانات صغيرة لكل مهمة على حدة، فلم تستفد من الفهم الدلالي العميق الذي يأتي من التدريب المسبق على بيانات الإنترنت الواسعة.

الفجوة بين هاتين المدرستين هي بالضبط ما يعالجه π₀: كيف نبني نموذجاً واحداً يملك الفهم الدلالي الذي تتميّز به نماذج الرؤية واللغة، وفي الوقت نفسه يُنتج أفعالاً مستمرة ودقيقة وعالية التردد تكفي للتحكم الحركي الدقيق؟

نقطة الانطلاق في بنية π₀ هي PaliGemma، وهو نموذج رؤية-لغة مفتوح المصدر بحجم 3 مليارات معامل. هذا النموذج يفهم الصور والنصوص أصلاً لأنه دُرِّب على بيانات الإنترنت — يعرف مثلاً كيف يصف صورة أو يجيب عن سؤال بصري. السؤال الآن: كيف نُكسبه القدرة على التحكم بالروبوت دون أن نُفسد فهمه الدلالي المكتسب؟

الحل تصميم ثنائي مستوحى من بنية Transfusion، يعمل بأسلوب خليط الخبراء. يضمّ النموذج مجموعتين من أوزان المُحوِّل: المجموعة الأولى هي الجذع الأساسي الذي يعالج الصور ورموز اللغة بأوزان PaliGemma الأصلية. المجموعة الثانية هي خبير الأفعال — وحدة أصغر (300 مليون معامل) مهمتها معالجة حالات الروبوت وتوليد الأفعال.

الخبيران يتشاركان آلية الانتباه نفسها. ما الذي يعنيه ذلك عملياً؟ رموز الأفعال تستطيع «رؤية» رموز الصورة واللغة لتفهم المطلوب منها، ورموز الصورة واللغة تستطيع «رؤية» رموز الأفعال لتعرف أين الروبوت الآن. لكن شبكات التغذية الأمامية — حيث يحدث الجزء الأكبر من الحساب الفعلي — منفصلة تماماً. هذا الفصل ضروري لأن فهم اللغة والتحكم الحركي الدقيق عمليتان مختلفتان جذرياً.

تخيّل الأمر كدماغ بنصفين يتواصلان عبر قناة مشتركة. النصف اللغوي يفهم جملة «اطوِ القميص» ويتعرّف على شكل القميص في الصورة. النصف الحركي يُترجم هذا الفهم إلى 50 أمراً دقيقاً للمفاصل في كل ثانية. وآلية الانتباه المشتركة هي الجسم الثفني الذي يربطهما.

مُطابقة التدفق هي الآلية التي يستخدمها π₀ لتوليد الأفعال المستمرة. الفكرة سهلة إذا فكّرت فيها كعملية نحت: لديك كتلة رخام (ضجيج عشوائي) وتريد أن تنحتها حتى تصير تمثالاً دقيقاً (الحركة الصحيحة للروبوت). النموذج يتعلّم حقل متجهات يعمل كدليل نحت — عند أي نقطة في فضاء الضجيج، يُخبرك في أي اتجاه تُزيح الرخام ليقترب من الشكل المطلوب. ابدأ من ضجيج عشوائي، اتّبع هذه المتجهات لـ 10 خطوات، وستصل إلى فعل دقيق.

وبشكل أدقّ: يُنمذج π₀ التوزيع الشرطي لـقطع الأفعال $\mathbf{A}_t$ بمعلومية المُلاحظة $\mathbf{o}_t$. القطعة الواحدة هي تسلسل من $H = 50$ فعلاً مستقبلياً — أي ثانية كاملة من حركة الروبوت عند 50 هرتز. في مرحلة التدريب، يتعلّم النموذج التنبؤ بحقل المتجهات الذي يُحوِّل الضجيج إلى أفعال. وفي مرحلة الاستدلال، يبدأ من ضجيج غاوسي عشوائي ويُكامل حقل المتجهات خلال 10 خطوات فقط.

وهنا تظهر الميزة الحاسمة مقارنةً بالانتشار التقليدي: المسار الاحتمالي في مُطابقة التدفق خطّي — أي أن الانتقال من الضجيج إلى الإشارة يسلك خطاً مستقيماً بدل مسار منحنٍ. هذا يجعل عملية التكامل أبسط وأسرع بكثير: 10 خطوات تكفي، بينما قد يحتاج الانتشار التقليدي إلى 50 أو 100 خطوة.

عند الاستدلال، تُولَّد الأفعال بتكامل حقل المتجهات المُتعلَّم عبر خطوات أويلر الأمامية:

π₀ لا يُدرَّب على روبوت واحد — بل يُدرَّب في الوقت نفسه على 7 تكوينات مختلفة: روبوتات بذراع واحدة (UR5e وFranka)، وروبوتات بذراعين (UR5e ثنائي وTrossen ثنائي وARX ثنائي)، ومناولات متحركة (Trossen المتحرك وFibocom المتحرك). هذه الروبوتات تختلف في كل شيء تقريباً: عدد المفاصل (من 6 إلى 18 درجة حرية)، وعدد الكاميرات (2 أو 3)، وفضاء الأفعال.

كيف يتعامل نموذج واحد مع هذا التنوع؟ الحيلة هي تمثيل أفعال موحَّد: كل الروبوتات تُمثَّل كمتجهات بـ 18 بُعداً (وهو أكبر فضاء أفعال في البيانات). الروبوتات ذات المفاصل الأقل تُحشى أبعادها الفارغة بأصفار، والروبوتات ذات الكاميرات الأقل تُقنَّع فتحات صورها المفقودة. بهذه الطريقة، نموذج واحد يعالج الجميع — يتعلّم مشاركة المعرفة البصرية والدلالية بين الأجسام المختلفة، مع تخصيص مخرجاته الحركية لكل تكوين على حدة.

وإلى جانب بيانات التحكم الدقيق (أكثر من 10,000 ساعة)، يتضمّن مزيج التدريب المسبق مجموعة بيانات Open X-Embodiment من 22 روبوتاً إضافياً، مع Bridge v2 وDROID. المحصلة: بيانات من أكثر من 29 منصة روبوتية مختلفة — وهو نطاق غير مسبوق.

يتّبع π₀ الوصفة نفسها التي أثبتت نجاحها في نماذج اللغة الكبيرة: مرحلتان متتاليتان لكل منهما دور مختلف. مرحلة التدريب المسبق تُعرِّض النموذج لكل التنوع المتاح — التكوينات السبعة، والمهام الـ 68، وبيانات OXE الخارجية. الهدف هنا بناء نموذج أساسي يملك خبرة واسعة. جودة هذه البيانات متفاوتة عمداً: بعض التسجيلات سلسة ومحترفة، وبعضها يتضمّن أخطاء وتصحيحات. لكن هذا التفاوت مفيد جداً، لأنه يُعلّم النموذج كيف يتعافى حين تسوء الأمور.

مرحلة الضبط الدقيق (أو التدريب اللاحق) تستخدم مجموعات بيانات أصغر حجماً لكنها أعلى جودة، مُنتقاة بعناية لمهام بعينها. في هذه المرحلة يتعلّم النموذج أن يؤدي المهمة المحددة بسلاسة وكفاءة — تماماً كما تُضبط نماذج اللغة ببيانات تعليمات مُنتقاة بعد تدريبها المسبق.

لماذا نحتاج المرحلتين معاً؟ لأن كل واحدة وحدها لا تكفي. إذا درَّبت النموذج فقط على بيانات نظيفة، سيؤدي بشكل ممتاز ما دام كل شيء يسير حسب الخطة — لكنه سينهار عند أول خطأ لأنه لم يرَ أخطاء قطّ. وإذا درَّبته فقط على بيانات متنوعة، سيتعامل مع أي موقف لكن دون إتقان حقيقي لأي مهمة. الجمع بين المرحلتين يُنتج نموذجاً يحاول أولاً الطريقة المُثلى التي تعلّمها من البيانات النظيفة، وإن واجه مشكلة لجأ إلى خبرة التعافي التي اكتسبها من البيانات المتنوعة.

التقييم تضمّن أربع تجارب رئيسية. أولاً، التقييم بدون أمثلة مباشرةً بعد التدريب المسبق على 5 مهام (طيّ القميص، تنظيف الطاولة بمستوييه، تعبئة البقالة، إخراج التوست). النتيجة: تفوّق π₀ بفارق واضح على جميع النماذج المقارنة — OpenVLA وOcto وπ₀-small — حتى حين مُنحت نفس ميزانية الحوسبة. OpenVLA عانى بشكل خاص لأن أسلوبه الارتجاعي في تمثيل الأفعال لا يصلح لتردد 50 هرتز.

ثانياً، اختبارات اتّباع التعليمات اللغوية أظهرت أن الجذع الأساسي للرؤية واللغة في π₀ يمنحه تفوقاً كبيراً في فهم الأوامر مقارنةً بـ π₀-small الذي لا يمتلك تهيئة لغوية. هذا التفوق يظهر سواء جاءت الأوامر من البشر أو وُلِّدت آلياً من نموذج لغوي.

ثالثاً، في تجارب الضبط الدقيق على مهام جديدة (رصّ الأوعية، طيّ المناشف، وضع حاوية في المايكرويف، استبدال المناديل الورقية، ترتيب أغراض في درج)، تفوّق π₀ على ACT وسياسة الانتشار وOpenVLA وOcto. اللافت أن فائدة التدريب المسبق تزداد كلّما كانت بيانات الضبط أقل — عند ساعة واحدة فقط من بيانات الضبط، الفارق يكون كبيراً جداً.

رابعاً، المهام المعقدة متعددة المراحل أثبتت أن π₀ يستطيع إتقان تسلسلات حركية دقيقة تستمر 5–20 دقيقة: طيّ ملابس كامل (من المجفف إلى الطيّ)، وتنظيف طاولة بأغراض لم يرها من قبل، وتجميع صندوق من كرتون مسطّح، وتعبئة بيض. في كل هذه المهام، الجمع بين التدريب المسبق والضبط الدقيق تفوّق على كلا البديلين: التنفيذ المباشر بدون ضبط، والتدريب من الصفر.

أهمية π₀ لا تقتصر على نتائجه — بل تكمن أساساً في المبدأ الذي يُثبته. نماذج اللغة الكبيرة نجحت بفضل ثلاثة عناصر: تدريب مسبق على بيانات ضخمة من الإنترنت، وبنية المُحوِّل، ووصفة «درِّب أولاً بشكل عام ثم اضبط على المطلوب». ما يُثبته π₀ هو أن هذه الوصفة نفسها تعمل في التحكم الروبوتي — بشرط أن نستبدل التنبؤ الارتجاعي بالنصوص بـمُطابقة التدفق للأفعال.

وهذا يُغيّر قواعد اللعبة. بدلاً من تدريب سياسة مستقلة لكل مهمة ولكل روبوت، تُدرِّب نموذجاً تأسيسياً عاماً واحداً ثم تضبطه حسب الحاجة. هذا يقلب اقتصاديات تعلُّم الروبوتات رأساً على عقب: بيانات أي مهمة وأي روبوت تُصبح مفيدة لكل المهام والروبوتات الأخرى. تسجيل لطيّ الملابس يُحسّن أداء النموذج في تعبئة البقالة، لأن كلتا المهمتين تتضمّنان التعامل مع أجسام مرنة وقابلة للتشوّه.

كذلك يُغيّر تقسيم التدريب إلى مرحلتين نظرتنا لجودة البيانات. لم يعد ضرورياً أن تكون كل البيانات مثالية. البيانات الفوضوية والمتنوعة في التدريب المسبق تُكسب النموذج القدرة على التعامل مع فوضى العالم الحقيقي. والبيانات النظيفة في الضبط الدقيق تُعلّمه كيف يؤدي المهمة المحددة بإتقان. وهذا بالضبط ما يحدث في نماذج اللغة: نصوص الإنترنت تُعلّم المعرفة، وبيانات التعليمات المُنتقاة تُعلّم السلوك المطلوب.

π₀ يُمثّل نقطة تلاقٍ مهمة في مسار تعلُّم الروبوتات. يُظهر أن المسارين اللذين نجحا كلٌّ على حدة — وصفة «درِّب مسبقاً واضبط لاحقاً» من عالم اللغة، وتوليد الأفعال عبر مُطابقة التدفق من عالم الحركة — ليسا متوافقين فحسب، بل يُعزّز كلٌّ منهما الآخر. التدريب المسبق الواسع يجعل الضبط الدقيق أكثر كفاءة ويحتاج بيانات أقل، ومُطابقة التدفق تمنح التحكم المبني على نموذج الرؤية واللغة دقةً تكفي للعمل في العالم الحقيقي. هذا التلاقي يُشير بوضوح إلى أن عصر النماذج التأسيسية العامة للروبوتات قد بدأ فعلاً.