إذا كان الروبوت يستطيع ترتيب غرفة واحدة فقط تدرب فيها فهذا تعميم محدود. أما تنفيذ السلوك نفسه مباشرة في منزل جديد دون تدريب داخله فيمثل قدرة أقوى على التعميم.
هل Zero-Shot يعني أن الروبوت لم يتدرب إطلاقًا؟
لا. يمكن أن يكون النموذج مدربًا مسبقًا على بيانات ضخمة وأن تكون المهمة محددة ببيانات تدريب. المقصود أن بيئة الاختبار الجديدة لم تحصل على Fine-Tuning خاص قبل التشغيل.
مثال Figure Helix 2.5
تقول Figure إن Helix 2.5 نفذ ترتيب الغرف وطي المناشف وترتيب الأسرّة في 30 منزلًا لم يسبق له رؤيتها، دون جمع بيانات أو Fine-Tuning داخل تلك المنازل. وفي مقارنة الشركة رفع Index pretraining نسبة النجاح Zero-Shot من 9% إلى 56%.
لماذا التعميم مهم؟
إعادة تدريب الروبوت لكل مصنع ومستودع ومنزل وجسم ليست عملية اقتصاديًا. لذلك يعد التعميم عنصرًا أساسيًا لتحويل Robot Foundation Models إلى أنظمة قابلة للنشر على نطاق واسع.
Zero-Shot مقابل Few-Shot
Zero-Shot يستخدم النموذج دون تكييف خاص بالبيئة الجديدة. أما Few-Shot أو Rapid Adaptation فيسمح بكمية صغيرة من البيانات الجديدة. Gemini Robotics On-Device 2 مثلًا يركز على التكيف السريع مع أجسام روبوتية جديدة خلال ساعات قليلة من البيانات.
مصطلحات مرتبطة
المصادر
المصطلحات في الروبوتات والذكاء الاصطناعي الفيزيائي تتطور بسرعة؛ نستخدم التعريف التقني الأوسع ونوضح أمثلة الشركات بشكل منفصل.