Amazon تطلق سلسلة أدوات تطوير مفتوحة المصدر لدعم تطوير الروبوتات وتنفيذ المهام المادية

أطلقت Amazon Web Services (AWS) منصة تطوير مفتوحة المصدر لمساعدة الشركات على بناء ونشر روبوتات قادرة على إدراك بيئتها المحيطة، واتخاذ القرارات، وتنفيذ المهام المادية. وتجمع هذه المنصة، المسماة Physical AI Toolchain on AWS، بين البنية التحتية لـ AWS ونظام NVIDIA البرمجي للذكاء الاصطناعي المادي، بهدف دعم تطوير الروبوتات الصناعية، والروبوتات المتنقلة ذاتية القيادة، والأنظمة الشبيهة بالبشر. وأوضحت Amazon أن الغرض من سلسلة الأدوات هذه هو تقليل الجهد الهندسي اللازم لنقل نماذج الذكاء الاصطناعي من مرحلة التطوير إلى الآلات الفعلية.

تحول في تطوير الذكاء الاصطناعي

يعكس هذا الإطلاق تحولًا أوسع في تطوير الذكاء الاصطناعي: من الأنظمة التي تولد النصوص والصور، إلى آلات يجب أن تتفاعل مع البيئة المادية، حيث قد تؤدي الأخطاء في هذه التفاعلات إلى إتلاف المعدات، أو تعطيل الإنتاج، أو خلق مخاطر على السلامة.

عادة ما تؤدي الروبوتات الصناعية التقليدية حركات محددة مسبقًا في بيئات خاضعة للرقابة. ويهدف الذكاء الاصطناعي المادي إلى جعل الآلات أكثر قدرة على التكيف، مما يمكّنها من تفسير المعلومات الحسية، والاستجابة للظروف المتغيرة، والتعلم من الخبرة. على سبيل المثال، قد يحتاج روبوت يعمل على خط تجميع إلى التعامل مع مكونات مقدمة بزوايا مختلفة، بينما يجب على الروبوتات المستقلة في المستودعات التنقل في تخطيطات متغيرة وتجنب العوائق. وتواجه الروبوتات الشبيهة بالبشر تحديات أوسع نطاقًا: تشغيل أشياء غير مألوفة وأداء مهام في بيئات صُممت للبشر. ويتطلب تدريب هذه الأنظمة أكثر من مجرد نموذج ذكاء اصطناعي قوي؛ إذ يحتاج المطورون إلى كميات هائلة من بيانات التدريب، ومحاكاة واقعية، وموارد حاسوبية، وطرق لنقل النماذج المدربة إلى أجهزة مادية.

أفادت AWS بأن سلسلة الأدوات الجديدة تدمج هذه العناصر في سير عمل تطوير مشترك، مما يتيح للشركات اختيار الحل الكامل أو مكونات فردية للمشاريع القائمة.

بنية سلسلة الأدوات

تنظم سلسلة الأدوات حول خمسة أجزاء من عملية تطوير الذكاء الاصطناعي المادي. توليد البيانات الاصطناعية: تخلق البيئات المولدة بالذكاء الاصطناعي سيناريوهات تدريب إضافية دون الحاجة لتسجيل كل حالة في العالم الحقيقي. تدريب النموذج: تتعلم الأنظمة من العروض البشرية والممارسة في المحاكاة. المحاكاة والتحقق: يختبر المطورون سلوك الروبوت في بيئات افتراضية قبل تشغيله على آلات مادية. النشر على الحافة: تعمل نماذج الذكاء الاصطناعي المحسّنة على الأجهزة المنتشرة، مما يمكّنها من اتخاذ قرارات في الوقت الفعلي دون الحاجة لاتصال سحابي مستمر. التحسين المستمر: يمكن إعادة تغذية البيانات المجمعة أثناء التشغيل إلى التدريب، مما يساعد المطورين على تحسين النماذج للنشر المستقبلي.

تجمع المنصة خدمات AWS، مثل Amazon SageMaker لتدريب النماذج، و Amazon EC2 GPU instances للمحاكاة، و AWS IoT Greengrass للنشر على الحافة، و Amazon Bedrock AgentCore للتنسيق. كما تدمج أدوات NVIDIA، بما في ذلك Isaac Sim لمحاكاة الروبوتات، و Isaac Lab للتعلم المعزز، و Isaac GR00T للروبوتات الشبيهة بالبشر، و Cosmos لتوليد البيئات الاصطناعية.

الهدف هو تقليل الاحتكاك بين هذه المراحل. يمكن للفرق الهندسية استخدام بنية مشتركة بدلاً من تجميع وصيانة كل جزء من خط أنابيب التطوير بشكل منفصل، وتكييفها مع أجهزتها وتطبيقاتها الخاصة.

أوضحت Amazon أن سلسلة الأدوات تستفيد من خبرتها الخاصة في عمليات الروبوتات، حيث أفادت الشركة بوجود أكثر من مليون روبوت في شبكتها. وقد كشفت هذه الخبرة عن التحديات العملية لتشغيل الآلات ذاتية القيادة على نطاق واسع، بدءًا من تنسيق الأساطيل وصولًا إلى صيانة البرمجيات على الأجهزة المنتشرة. وسلطت الشركة الضوء على عدد من المطورين العاملين في مجال الذكاء الاصطناعي المادي. تطور NEURA Robotics روبوتات شبيهة بالبشر ذات قدرات معرفية، وتبني RLWRLD نماذج أساسية للمناورة الماهرة، بينما أقامت Config خط أنابيب لجمع وتوسيع بيانات تدريب إجراءات الروبوتات.

بالنسبة للمصنعين، تتراوح التطبيقات المحتملة من أذرع آلية تتكيف مع مهام تجميع جديدة، إلى آلات مستقلة تنقل المواد وتراقب الإنتاج. ومع ذلك، فإن سلسلة الأدوات هي منصة تطوير وليست روبوتًا جاهزًا للاستخدام، ولا تضمن قابليتها للاستخدام أن النماذج المدربة في المحاكاة ستعمل بشكل موثوق في المصانع أو المستودعات.

تحديات المحاكاة والواقع

يتمثل أحد التحديات الأساسية في الروبوتات في الانتقال من المحاكاة إلى العمليات الواقعية. فقد يواجه نموذج نجح في بيئة افتراضية احتكاكًا غير متوقع، أو تغيرات في الإضاءة، أو ضوضاء في المستشعرات، أو تباينات في التعامل مع العناصر عند نشره على أجهزة مادية. ومن خلال الجمع بين المحاكاة، والتدريب، والنشر، وردود الفعل في سير عمل واحد، تهدف AWS و NVIDIA إلى جعل هذا الانتقال أكثر قابلية للإدارة. كما تتضمن سلسلة الأدوات إمكانات إدارة الأساطيل المصممة لمساعدة الشركات على تكوين أجهزتها وحمايتها وتحديثها مع نمو عمليات النشر. وبالنسبة للمهندسين، تكمن الأهمية ليس في نموذج ذكاء اصطناعي جديد واحد، بل في البنية التحتية اللازمة لتطوير أنظمة الذكاء الاصطناعي المادي بشكل متكرر.