على مدى ستة عقود، عملت الروبوتات الصناعية وفق نموذج لا يتسامح مع الخطأ: يبرمج مهندس بشري صراحةً كل مليمتر من حركة الآلة باستخدام لغات مملوكة وأجهزة تعليم يدوية (teach pendants) ومحللات حركية صارمة. فإذا انحرفت قطعة العمل خمسة مليمترات أو تغيرت الإضاءة، توقف الروبوت عن العمل. وفي قمة Economist Enterprise Physical AI and Robotics في لندن يوم 13 أكتوبر 2026، قدّم Pepijn Kooijmans، قائد LeRobot في Hugging Face، بنية بديلة تهدم هذا الإرث: «لن تُبرمج روبوتات المستقبل مهمةً تلو الأخرى. بل ستتعلم.»
من تخطيط الحركة إلى التعلم بالمحاكاة: التحول المعماري #
في عرضه لدراسة الحالة Open for business: how open source is accelerating physical AI (مفتوح للأعمال: كيف تسرّع المصادر المفتوحة الذكاء الاصطناعي المادي)، روى Pepijn Kooijmans مساره من هندسة الميكاترونكس التقليدية إلى التعلم العميق. فعلى مدى عقود، دُرّب مهندسو الروبوتات على تفكيك المعالجة إلى مشكلات فرعية منفصلة: تجزئة الأجسام، وتقدير الوضعية سداسية الأبعاد (6D)، وتحويلات الإطارات الإحداثية، وتخطيط المسارات مع تجنب الاصطدام، والتحكم في محركات المفاصل بطريقة PID.
ومع أن هذا التفكيك التحليلي ينجح في مصانع السيارات ذات التثبيت الصارم، حيث تصل القطع في قوالب فولاذية بدقة الميكرون، فإنه ينهار في البيئات الصناعية القائمة والمختبرات والمستودعات والمنازل. ففي العالم الحقيقي تتشوّه الأجسام، وتعكس الأسطح الضوء بطرق لا يمكن توقعها، ويضيف الزملاء من البشر عوائق متحركة.
والأطروحة الأساسية التي قدّمتها Hugging Face هي أن البراعة الجسدية لا يمكن تحديدها تحليلياً بقواعد مكتوبة يدوياً؛ بل يجب اكتسابها بالخبرة. فكما تعلّمت النماذج اللغوية الكبيرة (LLM) القواعد والاستدلال والمعرفة بالعالم بالتنبؤ بالرمز التالي عبر كميات هائلة من النصوص، يكتسب وكلاء الذكاء الاصطناعي المادي المهارات الحركية بتعلم توزيع الأفعال المشروط بالمشاهدات البصرية والحسية.
ويمثّل هذا الانتقال من برمجة كل حركة إلى التعليم عبر العروض البشرية دخول الروبوتات عصر النماذج التأسيسية.
داخل بنية VLA متعددة الوسائط #
خلال كلمته، كشف Kooijmans بالتفصيل مسار الشبكة العصبية من طرف إلى طرف الذي يشغّل سياسات الذكاء الاصطناعي المادي مفتوحة المصدر الحديثة، موضحاً كيف تُترجم المدخلات الإدراكية عالية الأبعاد إلى معالجة جسدية سلسة.
.class="img-fluid clearfix"
تعمل البنية كمسار حسي حركي متعدد الوسائط ومتكامل بإحكام:
1. استقبال إدراكي متعدد التدفقات #
يراقب الروبوت مساحة عمله عبر عدة تدفقات كاميرا متزامنة (عادةً كاميرا قاعدة علوية توفّر السياق المكاني، إلى جانب كاميرات مثبتة على معصمي الذراعين اليسرى واليمنى لتتبع التلامس بدقة).
تُمرَّر تدفقات البكسل الخام هذه إلى محوّل رؤية SigLIP (400M من المعاملات) مجمّد، يحوّل إطارات الفيديو إلى رموز بصرية عالية الكثافة دون الحاجة إلى تحديثات تدرّج مكلفة حسابياً عبر العمود الفقري البصري أثناء الضبط الدقيق للسياسة.
2. متجه الحالة الحركية وشرط المهمة #
في الوقت نفسه، يأخذ النظام عينة من الحالة الحسية الذاتية الداخلية للروبوت: متجه من 16 بُعداً يضم زوايا المفاصل السبع والسرعات واتساع فتحات القابضات في الذراعين.
ويحدد المستخدم الهدف التشغيلي عبر تعليمة اختيارية باللغة الطبيعية (مثل "fold the t-shirt" أو "pick the M8 hex bolt and place it in the bracket" أو "route the cable through the conduit")، تُحوَّل إلى تمثيلات نصية قياسية.
3. نواة الانتباه المتقاطع متعدد الوسائط (Gemma VLM) #
تُحقن الرموز البصرية ومتجه الحالة الحسية الذاتية والرموز النصية في نموذج Gemma للرؤية واللغة (2B من المعاملات). وبدلاً من مجرد توليد رموز نصية، ينفّذ Gemma VLM انتباهاً متقاطعاً عميقاً عبر الوسائط الثلاث، فيدمج القصد الدلالي العام للتعليمة مع هندسة المشهد البصري المكانية والوضع الميكانيكي اللحظي للذراع.
ومُخرج هذا النموذج التأسيسي المدمج تمثيل كثيف لسمات المهمة في VLM يختزل ما يجب فعله بالنسبة إلى مكان وجود الأجسام.
4. خبير الأفعال: flow matching وسياسات الانتشار #
تُغذّى سمات VLM مباشرةً إلى خبير أفعال (300M من المعاملات) يعمل وفق مبادئ flow matching. وعلى خلاف مقاربات التعلم بالمحاكاة الأولى التي اعتمدت على انحدار ساذج بمتوسط مربع الخطأ (MSE)، الذي يجعل النموذج يُخرج متوسط العروض المتعارضة فيتردد الروبوت أو يتجمد، يمثّل flow matching التوزيع متعدد الأنماط لمسارات الفعل البشري.
وباستخدام معادلات تفاضلية للتدفق المقوَّم تُحل عبر عشر خطوات تكامل عددي، يزيل خبير الأفعال الضجيج الغاوسي ليشكّل مساراً متسقاً من 30 فعلاً مستقبلياً بتردد تحكم 50Hz.
5. تجميع الأفعال مع التجميع الزمني #
بالتنبؤ بثلاثين خطوة زمنية متتالية (مقاربة تُعرف بـAction Chunking)، تتخلص السياسة من الارتجاج عالي التردد واختناقات زمن الاستجابة. ينفّذ الروبوت الدفعة الأولى من الأفعال بينما يحسب الخطة التالية في الخلفية، فيحقق حركة سلسة ومرنة ومتصلة تقارب الحركة الحيوية.
مقارنة تقنية: الأتمتة التقليدية مقابل الذكاء الاصطناعي المادي مفتوح المصدر #
| المقياس / المحور المعماري | الروبوتات الصناعية التقليدية (ROS / PLC / جهاز التعليم اليدوي) | الذكاء الاصطناعي المادي المملوك المغلق (حزم الروبوتات البشرية لدى الموردين) | الذكاء الاصطناعي المادي مفتوح المصدر (حزمة Hugging Face LeRobot) |
|---|---|---|---|
| نموذج التطوير | إجرائي؛ مسارات مفاصل صريحة وآلات حالة منتهية | تعلم عميق من طرف إلى طرف؛ أوزان مغلقة كصندوق أسود؛ واجهات API سحابية مقفلة | VLA من طرف إلى طرف؛ أوزان مفتوحة ومجموعات بيانات مفتوحة وحلقات تدريب PyTorch مفتوحة |
| حاجز الدخول من حيث العتاد | من £30,000 إلى أكثر من £100,000 لكل ذراع صناعية (KUKA وFANUC وABB) | من £150,000 إلى أكثر من £350,000 لكل وحدة بشرية الشكل مملوكة | من أقل من 200 دولار إلى 1,500 دولار باستخدام تصاميم عتاد مفتوح قابلة للطباعة ثلاثية الأبعاد (SO-100 وKoch) |
| المتانة أمام تغيّر البيئة | يفشل فوراً إذا انحرفت إحداثيات القطعة بمليمترات | قدرة تكيّف عالية، لكن لا يمكن فحص السلوك أو ترقيعه محلياً | قدرة تكيّف بصري عالية؛ يمكن ضبط السياسات محلياً على عُقد الحافة في أرض المصنع |
| صيغة البيانات والقياس عن بُعد | صيغ ثنائية مملوكة وسجلات PLC مقيدة بالمورد | قياس سحابي مملوك ومشفّر | مجموعات بيانات Apache Parquet موحّدة وتدفقات فيديو MP4 وHugging Face Hub |
| تعميم المهام | معدوم؛ كل هندسة قطعة جديدة تتطلب إعادة برمجة يدوية كاملة | ادعاءات واسعة بشأن المهام، لكن التكيف بطيء مع الأدوات الصناعية المخصصة | تكيّف سريع عبر 50 إلى 100 عرض بشري مسجّل بمنصات leader-follower |
| عتاد الاستدلال | PLC مخصص أو حاسوب صناعي يعمل بنظام Linux في الزمن الحقيقي | عناقيد GPU ضخمة على متن الروبوت تستهلك من 300W إلى 800W | يعمل الاستدلال على سيليكون الحافة الاستهلاكي (بطاقة RTX 4070 واحدة أو Apple Silicon من سلسلة M) |
المصدر: تحليل بيانات العرض والمقاييس التقنية والعروض الحية المقدّمة في قمة Economist Enterprise Physical AI and Robotics (Convene 200 Aldersgate، لندن، 13 أكتوبر 2026).
ماذا يعني ذلك لكل قطاع #
يغيّر صعود الذكاء الاصطناعي المادي المفتوح الذي يقوده المجتمع الحسابات التجارية في قطاعات عدة.
الشركات الصغيرة والمتوسطة #
تمثّل الشركات الصغيرة والمتوسطة أكثر من 80% من الطاقة التصنيعية في أوروبا والمملكة المتحدة، لكن أقل من 5% منها استطاعت تاريخياً تحمّل كلفة الأتمتة. فنشر خلية أتمتة صناعية كان يتطلب التعاقد مع مُدمِجي أنظمة متخصصين، ودفع رسوم تراخيص برمجيات من ست خانات، وتجميد أرض المصنع أثناء التركيب.
ومع منظومة LeRobot، تستطيع شركة صغيرة أو متوسطة تصنّع دعامات دقيقة حسب الطلب أن تطبع محطة عمل SO-100 بذراعين بأقل من £500، وتجهّزها بكاميرات ويب USB بقيمة £40، وتسجّل خمسين عرضاً لعامل يُلقّم القطع في آلة تفريز CNC باستخدام ذراع قائدة مطبوعة ثلاثياً. وخلال ثلاث ساعات من الضبط الدقيق على حاسوب مكتبي عادي، تصبح السياسة مفتوحة المصدر قادرة على أداء مهمة رعاية الآلة ذاتياً، فتسترد الشركة كلفتها في غضون أسابيع.
البحث الأكاديمي والتعليم العالي #
حتى وقت قريب، واجهت أقسام الروبوتات في الجامعات انقساماً حاداً: فالمختبرات الممولة جيداً كانت قادرة على شراء منصات Boston Dynamics أو Willow Garage، بينما اقتصرت المؤسسات الأصغر على تشغيل محاكاة صرفة في Gazebo أو MuJoCo.
وقد أتاح الذكاء الاصطناعي المادي مفتوح المصدر التجريب الجسدي للجميع. فبإمكان طلاب الدراسات العليا حول العالم بناء منصات عتاد متطابقة، ومشاركة نقاط حفظ السياسات المدرّبة على Hugging Face Hub، وإعادة إنتاج نتائج المقاييس بصرامة إحصائية. وأكد Kooijmans أن مستودع LeRobot نما من حفنة من المساهمين الأوروبيين إلى آلاف من مهندسي الروبوتات النشطين حول العالم في غضون أشهر، ما يثبت أن الوصول المفتوح يسرّع التحقق التجريبي أكثر من الصوامع المؤسسية المملوكة.
التجميع التعاقدي المتنوع منخفض الحجم #
في تجميع الإلكترونيات والأجهزة الطبية، تتغير طرازات المنتجات أسبوعياً. وخطوط الأتمتة المبرمجة مسبقاً غير مجدية اقتصادياً لأن كلفة إعادة التجهيز وإعادة البرمجة تتجاوز هامش ربح دفعة الإنتاج.
وتحل سياسات الرؤية واللغة والفعل هذا القيد عبر تحديد المهمة باللغة الطبيعية. إذ يستطيع المشغّل تغيير إجراء التجميع بمجرد كتابة أمر جديد أو عرض تكرارين للتجميع الفرعي الجديد. وتستفيد آليات الانتباه المتقاطع في النموذج من التمثيلات البصرية المدرّبة مسبقاً للتعرف على المكونات الجديدة دون إعادة تدريب الشبكة العصبية بأكملها.
كسر جدار البيانات: التشغيل عن بُعد وParquet ونماذج العالم #
الفكرة المحورية التي نقلها Kooijmans إلى قادة المؤسسات هي أن عنق الزجاجة الرئيسي في الذكاء الاصطناعي المادي لم يعد سعة النموذج، بل تنوع العروض التوضيحية.
ففي معالجة اللغة الطبيعية، دُرّبت النماذج على تريليونات الرموز المجموعة من الويب المفتوح. أما في الروبوتات المادية، فلا يوجد «إنترنت للمعالجة الجسدية» قائم مسبقاً. فكل عرض لقابض يلتقط جسماً أو يدير صماماً أو يطوي قماشاً يجب تسجيله في العالم المادي عبر تشغيل عن بُعد مزوّد بالمستشعرات.
وتتصدى Hugging Face LeRobot لهذا التحدي عبر ثلاث مبادرات أساسية:
- منصات التشغيل عن بُعد leader-follower: بصنع أذرع «قائدة» سلبية منخفضة الكلفة مطبوعة ثلاثياً ومزوّدة بمُرمِّزات مغناطيسية تحاكي ميكانيكياً الروبوت «التابع» النشط، يستطيع المشغّلون البشر التحكم بالروبوت عن بُعد بسهولة في الزمن الحقيقي، مع تسجيل زوايا المفاصل والسرعات والفيديو متعدد الزوايا في آن واحد.
- مخططات بيانات Parquet الموحّدة: تُحزم العروض في جداول Apache Parquet موحّدة وعالية الأداء مرتبطة بتغذيات فيديو MP4 مجمّعة. ويتيح ذلك لأدوات هندسة البيانات القياسية (Polars وDuckDB وPyArrow) معالجة تيرابايتات من بيانات القياس الروبوتية بسرعات عالية.
- من المحاكاة إلى الواقع وتعزيز نماذج العالم: لتجاوز حدود التشغيل المادي عن بُعد، تتعلم نماذج العالم مفتوحة المصدر الديناميكيات الفيزيائية بطريقة توليدية. وبعد تدريبها على مجموعة أساسية من العروض الواقعية، تحاكي نماذج العالم ملايين السيناريوهات الافتراضية (إضاءة متغيرة، وإضافة فوضى، وتغيير احتكاك الطاولة) مباشرةً في الفضاء الكامن، فتختبر السياسات بقسوة قبل نشرها في العالم الحقيقي.
الخاتمة #
بلور عرض Hugging Face LeRobot في قمة Economist Enterprise Physical AI and Robotics نقطة تحول حاسمة في صناعة الروبوتات. فالعصر الذي تطلبت فيه الروبوتات ميزانيات رأسمالية بملايين الجنيهات ولغات برمجة مملوكة وأقفاصاً صارمة في المصانع يفسح المجال لمنظومة مفتوحة وتعاونية تقودها البيانات.
وبجمع النماذج التأسيسية متعددة الوسائط للرؤية واللغة مع تجميع الأفعال القائم على flow matching والعتاد المفتوح الميسور، يحوّل الذكاء الاصطناعي المادي مفتوح المصدر الروبوتات من آلات هشة إلى أنظمة متكيفة تتعلم. وبالنسبة إلى قادة الهندسة والمسؤولين التنفيذيين في التقنية، فإن التوجيه الاستراتيجي واضح: لن تأتي الميزة التنافسية بعد اليوم من امتلاك عتاد ميكانيكي مملوك، بل من إتقان مسارات البيانات وسير عمل جمع العروض والنماذج التأسيسية التي تعلّم الآلات إتقان العالم المادي.
الأسئلة الشائعة #
ما هي Hugging Face LeRobot؟ Hugging Face LeRobot إطار عمل مفتوح المصدر ومبادرة مجتمعية تهدف إلى إتاحة الروبوتات والذكاء الاصطناعي المادي للجميع. وهي توفّر تطبيقات مبنية على PyTorch لأحدث خوارزميات التعلم بالمحاكاة، وصيغ بيانات موحّدة، ونماذج تأسيسية مدرّبة مسبقاً للرؤية واللغة والفعل (VLA)، وتصاميم عتاد مفتوحة المصدر (مثل SO-100) لخفض الحواجز المالية والتقنية أمام الروبوتات.
كيف يختلف التعلم بالمحاكاة عن البرمجة التقليدية للروبوتات؟ تتطلب البرمجة التقليدية للروبوتات أن يكتب المهندس شيفرة إجرائية صريحة تحدد الإحداثيات الديكارتية الدقيقة وحلول الحركيات العكسية وانتقالات الحالة باستخدام أجهزة التعليم اليدوية أو نصوص ROS. أما التعلم بالمحاكاة فيدرّب الشبكات العصبية على تقليد السلوك البشري بمراقبة عروض مسجّلة لبشر يؤدون المهمة عبر التشغيل عن بُعد، فيتعلم سياسة تربط المشاهدات الحسية مباشرةً بالأوامر الحركية.
ما دور Gemma VLM في مسار الذكاء الاصطناعي المادي؟ في بنى الذكاء الاصطناعي المادي الحديثة، يعمل نموذج Gemma للرؤية واللغة (VLM) محركاً للاستدلال متعدد الوسائط. فهو يستقبل الرموز البصرية من الكاميرات (المرمّزة عبر SigLIP)، ومتجه حالة المفاصل الفعلي للروبوت، وتعليمات اللغة الطبيعية. وباستخدام الانتباه المتقاطع، يدمج القصد الدلالي مع الهندسة البصرية لإنتاج تمثيلات عالية المستوى للمهمة توجّه خبير الأفعال.
ما هو flow matching في التنبؤ بأفعال الروبوت؟ flow matching تقنية نمذجة توليدية ترتبط بالتدفقات المعيارية المتصلة ونماذج الانتشار. وفي الروبوتات، تحوّل الضجيج الغاوسي البسيط إلى مسارات أفعال معقدة متعددة الأنماط بحل معادلات تفاضلية عادية عبر خطوات متعددة. ويتيح ذلك للروبوت التعامل مع المواقف الملتبسة التي توجد فيها حركات صحيحة متعددة، متجنباً تشوهات المتوسط التي تُفشل نماذج الانحدار الأبسط.
هل تستطيع أذرع الروبوت المطبوعة ثلاثياً التي تقل كلفتها عن 200 دولار أداء مهام بمستوى الإنتاج؟ مع أن الأذرع التي تقل كلفتها عن 200 دولار مثل SO-100 تفتقر إلى قدرة الحمولة والصلابة الهيكلية وقابلية التكرار دون المليمتر اللازمة للتشغيل الآلي الثقيل في صناعة الطيران، فإنها قادرة تماماً على المعالجة الدقيقة والفحص ومناولة السوائل في المختبرات وتجهيز أطقم القطع الصغيرة. والأهم أن السياسات المدرّبة والمتحقق منها على هذه المنصات منخفضة الكلفة يمكن نقلها مباشرةً إلى أذرع روبوتية تعاونية بمستوى صناعي مع قدر ضئيل من الضبط الدقيق.
المراجع #
- Economist Enterprise, (2026). قمة Physical AI & Robotics: التفوق التشغيلي عبر الأنظمة المستقلة ⧉. Economist Enterprise.
- Kooijmans, P., (2026). Open for business: كيف تسرّع المصادر المفتوحة الذكاء الاصطناعي المادي ⧉. Hugging Face.
- Hugging Face, (2026). LeRobot: أحدث تعلم الآلة للروبوتات في العالم الحقيقي بلغة PyTorch ⧉. GitHub.
- Chi, C., Xu, Z., Feng, S., Cousineau, E., Du, Y., Burchfiel, B., و Song, S., (2024). Diffusion Policy: تعلم السياسات البصرية الحركية عبر انتشار الأفعال ⧉. Columbia University وMIT.
- Zhao, T. Z., Kumar, V., Levine, S., و Finn, C., (2023). تعلم المعالجة الدقيقة بيدين باستخدام عتاد منخفض الكلفة ⧉. Stanford University.
- Zhai, X., Mustafa, B., Kolesnikov, A., و Beyer, L., (2023). دالة خسارة سيغمويد للتدريب المسبق على الصور واللغة (SigLIP) ⧉. Google DeepMind.
- Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nicklas, M., و Le, M., (2023). flow matching للنمذجة التوليدية ⧉. Meta AI Research.
آخر مراجعة .
آخر مراجعة .
إعادة نشر هذه المقالة
نسخ بتنسيق Medium
# الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/](https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/) في قمة Economist Enterprise بلندن، عرض Pepijn Kooijmans كيف تفتح LeRobot ونماذج VLA مفتوحة المصدر وعتاد بقيمة 200 دولار باب الروبوتات أمام الجميع. Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/
نسخ بتنسيق Mastodon
الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau في قمة Economist Enterprise بلندن، عرض Pepijn Kooijmans كيف تفتح LeRobot ونماذج VLA مفتوحة المصدر وعتاد بقيمة 200 دولار باب الروبوتات أمام الجميع. https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/
نسخ منسق لـ LinkedIn
الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau في قمة Economist Enterprise بلندن، عرض Pepijn Kooijmans كيف تفتح LeRobot ونماذج VLA مفتوحة المصدر وعتاد بقيمة 200 دولار باب الروبوتات أمام الجميع. إليك أبرز النقاط الاستراتيجية: - من تخطيط الحركة إلى التعلم بالمحاكاة: التحول المعماري. في عرضه لدراسة الحالة Open for business: how open source is accelerating physical AI (مفتوح للأعمال: كيف تسرّع المصادر المفتوحة الذكاء الاصطناعي المادي)، روى Pepijn Kooijmans مساره من هندسة الميكاترونكس التقليدية إلى… - داخل بنية VLA متعددة الوسائط. خلال كلمته، كشف Kooijmans بالتفصيل مسار الشبكة العصبية من طرف إلى طرف الذي يشغّل سياسات الذكاء الاصطناعي المادي مفتوحة المصدر الحديثة، موضحاً كيف تُترجم المدخلات الإدراكية عالية الأبعاد إلى معالجة جسدية سلسة. - مقارنة تقنية: الأتمتة التقليدية مقابل الذكاء الاصطناعي المادي مفتوح المصدر. المصدر: تحليل بيانات العرض والمقاييس التقنية والعروض الحية المقدّمة في قمة Economist Enterprise Physical AI and Robotics (Convene 200 Aldersgate، لندن، 13 أكتوبر 2026). - ماذا يعني ذلك لكل قطاع. يغيّر صعود الذكاء الاصطناعي المادي المفتوح الذي يقوده المجتمع الحسابات التجارية في قطاعات عدة. ما هو نهج مؤسستك في مواجهة التحديات المذكورة في هذا المقال؟ → https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/ #HuggingFaceLerobot،PepijnKooijmans،PhysicalAi،الروبوتاتمفتوحةالمصدر،التعلمبالمحاكاة،FlowMatching،GemmaVlm،Siglip،ActionChunking،So100،تعلمالروبوتات،EconomistSummit Sebastien Rousseau | CC-BY-4.0
اقتبس هذا المقال
الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau
في قمة Economist Enterprise بلندن، عرض Pepijn Kooijmans كيف تفتح LeRobot ونماذج VLA مفتوحة المصدر وعتاد بقيمة 200 دولار باب الروبوتات أمام الجميع.
BibTeX
@online{rousseau2026الذكاء,
author = {Rousseau, Sebastien},
title = {{الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/ ER -
Vancouver
Rousseau S. الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/
Chicago
Rousseau, Sebastien. "الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/.
APA
Rousseau, S. (2026, October 13). الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/
إعادة نشر هذا المقال
الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau
في قمة Economist Enterprise بلندن، عرض Pepijn Kooijmans كيف تفتح LeRobot ونماذج VLA مفتوحة المصدر وعتاد بقيمة 200 دولار باب الروبوتات أمام الجميع.
هذا المقال مرخص بموجب Creative Commons Attribution 4.0 International. تتطلب إعادة النشر الإسناد إلى عنوان URL الأساسي.
الذكاء الاصطناعي المادي مفتوح المصدر: LeRobot تتيح الروبوتات للجميع — Sebastien Rousseau في قمة Economist Enterprise بلندن، عرض Pepijn Kooijmans كيف تفتح LeRobot ونماذج VLA مفتوحة المصدر وعتاد بقيمة 200 دولار باب الروبوتات أمام الجميع. Originally published at https://sebastienrousseau.com/ar/2026-10-13-aldhaka-alistinai-almaddi-mftwh-lam-sdr/ by Sebastien Rousseau. Licensed under CC-BY-4.0.