[حديث الزراعة العالمي] روبوتات ترى وتفهم وتتصرف: الذكاء الاصطناعي الفيزيائي وتقنية VLA

[حديث الزراعة العالمي: احتضان مستقبل الزراعة] الأستاذة دا-أون تشوي، جامعة فلوريدا، الولايات المتحدة

عندما نعلّم العمل الزراعي، لا نشرح كل حركة بالكلمات. بعد أن نقول: «اقطفوا الناضج فقط»، نعرض ذلك باليد عدة مرات. يراقب العامل حالة الثمرة، ويتعلم اتجاه إدخال اليد وقوة الإمساك المناسبة. وحتى لتنفيذ تعليمة قصيرة واحدة، تُستخدم المعلومات المكتسبة بالعين والحكم الناتج عن الخبرة معًا.

فكيف سيكون الأمر إذا أردنا تعليم روبوت القيام بالمهمة نفسها؟ الذكاء الاصطناعي الفيزيائي (Physical AI)، الذي يحظى باهتمام متزايد مؤخرًا، هو ذكاء اصطناعي يدرك البيئة الفيزيائية وينفذ مهامًا حقيقية بهذه الطريقة.
 

تغير طريقة تعليم الروبوتات العمل

نموذج الرؤية واللغة (Vision-Language Model, VLM) هو ذكاء اصطناعي يتعامل مع الصور واللغة معًا. ويُستخدم لوصف ما يوجد في صورة أو للعثور على الشيء المطلوب وفقًا للتعليمات. أما نموذج الرؤية واللغة والفعل (Vision-Language-Action Model, VLA) فهو يوسّع هذه القدرة إلى توليد أفعال الروبوت. فهو يستقبل صور الكاميرا وتعليمات العمل، ثم يولد أوامر تحدد الاتجاه الذي يجب أن تتحرك فيه الذراع ومتى يجب فتح القابض وإغلاقه.[1, 2]

تستخدم الروبوتات الحالية أيضًا الكاميرات للعثور على المحاصيل والتحرك وفقًا لمواقعها. غير أن الطريقة التقليدية كانت غالبًا تطور وظيفة العثور على موقع الثمرة، ووظيفة حساب المسار إلى ذلك الموقع، ووظيفة تشغيل جهاز الحصاد كلًا على حدة ثم تربط بينها. يتيح VLA للروبوت أن يتعلم جزءًا كبيرًا من هذا الربط من البيانات من خلال تعلم المشهد الذي يراه الروبوت، وتعليمات العمل، والحركة الفعلية معًا.[1, 2]

ولتحقيق ذلك، لا يكفي عرض فيديو للحصاد فحسب. يجب تسجيل الأوامر التي أُرسلت إلى ذراع الروبوت وجهاز الحصاد عندما ظهر مشهد معين في الكاميرا. ومن خلال هذه البيانات المزدوجة، يتعلم النموذج الحركات المناسبة للمشهد والتعليمات. وبعد ذلك، عندما يصل فيديو جديد، يولد الحركة التالية بناءً على ما تعلمه.[2, 3]

النقطة الجديرة بالاهتمام هنا هي إمكانية الاستفادة من نماذج سبق تدريبها. إنها طريقة لتدريب إضافي على مهمة جديدة استنادًا إلى المعرفة المكتسبة من الصور والنصوص، والحركات المتعلمة من سجلات عمل روبوتات مختلفة. وإذا اختلفت ذراع الروبوت وجهاز الحصاد، فستكون هناك حاجة إلى تعديلات مناسبة، لكن ليس من الضروري تعلم كل القدرات من الصفر اعتمادًا على سجلات الروبوت الجديد وحدها.[1, 2]
 

إذا أُري الروبوت كيف يحصد الإنسان

تُظهر دراسة HarvestFlex، التي نُشرت كمسودة أولية في مارس 2026، هذه العملية. كان المشغل يشاهد فيديو كاميرا الروبوت عبر معدات الواقع الافتراضي (VR) ويتحكم في الذراع وجهاز الحصاد. اقترب من الفراولة، وقطف الثمرة، ووضعها في وعاء. وسجل الباحثون الفيديو وحركات الروبوت معًا في ذلك الوقت.[3]

لم تتضمن البيانات البالغة نحو 3.7 ساعات عمليات حصاد ناجحة من المحاولة الأولى فقط. بل شملت أيضًا عمليات مثل تغيير الوضعية أثناء الاقتراب من الثمرة، أو المحاولة مرة أخرى بعد الفشل في قطفها. وحتى طريقة تصحيح المشغل للحركات وفقًا للموقف بقيت كبيانات تدريب.[3]

استخدم الباحثون هذه السجلات لتدريب إضافي لنموذج VLA قائم. وبعد ذلك، حتى من دون تحكم عن بعد من الإنسان، ولد الروبوت حركاته التالية بناءً على صور الكاميرا وتعليمات الحصاد وحالته الحالية. في اختبار فعلي داخل دفيئة، سجل النموذج الذي حقق أفضل نتيجة 37 نجاحًا من أصل 50 محاولة، أي معدل نجاح في الحصاد بلغ 74%. وهذه هي نسبة إكمال مهمة قطف الثمرة ووضعها في الوعاء. ومع ذلك، فهذه نتائج حُصل عليها في ظروف الاختبار المعنية، وبقيت إخفاقات مثل حجب جهاز الحصاد للثمرة بما منع الروبوت من مواصلة الحركة.[3]

ما يستحق الانتباه هنا هو إضافة سجلات الحصاد الميدانية إلى نموذج كان قد تعلم بالفعل مهامًا متعددة. فبدلًا من تعلم كل القدرات من الصفر اعتمادًا على بضع ساعات من السجلات فقط، جرى ضبط النموذج القائم ليتناسب مع حصاد الفراولة بناءً على خبرة العمل التي عرضها إنسان من خلال تشغيل الروبوت.
 

تحويل الخبرة الزراعية إلى قدرة روبوتية

في المستقبل، قد تزداد الحالات التي تُسجل فيها طريقة عمل المزارعين كفيديو وبيانات حركة وتُستخدم في تعلم الروبوتات. وإذا تراكمت مثل هذه السجلات عبر محاصيل وبيئات زراعة متنوعة، فستزداد أيضًا وفرة المواد المتاحة لتعليم الروبوتات أعمالًا زراعية جديدة. وهناك أيضًا إمكانية لاستخدام السجلات التي جُمعت في مزرعة ما لتدريب روبوتات بما يلائم ظروف مزرعة أخرى. ويمكننا أن نتطلع إلى مستقبل تبقى فيه خبرات العمل الزراعي التي نُقلت بإظهارها مباشرة للناس كبيانات، وتعمل الروبوتات التي تعلمت منها جنبًا إلى جنب في الميدان.
 

المراجع

 [1] Zitkovich, B., et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. Proceedings of The 7th Conference on Robot Learning, Proceedings of Machine Learning Research, 229, 2165–2183. Available from https://proceedings.mlr.press/v229/zitkovich23a.html
[2] Kim, M. J., et al. (2025). OpenVLA: An Open-Source Vision-Language-Action Model. Proceedings of The 8th Conference on Robot Learning, Proceedings of Machine Learning Research, 270, 2679–2713.Available from https://proceedings.mlr.press/v270/kim25c.html
[3] Zhao, Z., Wang, S., Miao, Z., & Xiong, Y. (2026). HarvestFlex: Strawberry Harvesting via Vision-Language-Action Policy Adaptation in the Wild. arXiv:2603.05982. https://doi.org/10.48550/arXiv.2603.05982.