# NTT تعلن نجاحاً بنسبة 92.3% في اختبار ترتيب روبوتي وتخطط للتجارب الميدانية

> تقول NTT إن نموذجاً يستند إلى الفيزياء رفع نجاح محاكاة تحميل رف بروبوت صغير من 73.1 إلى 92.3 في المئة. ولا تزال التجارب الميدانية مع Mujin مخططة، ولم يذكر البيان تشغيلاً تجارياً.

- الرابط الدائم: https://newsverum.com/ar/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11
- الناشر: Newsverum
- القسم: التكنولوجيا
- نُشر: 2026-11-12T03:09:09+00:00
- آخر تحديث: 2026-11-12T03:09:09+00:00
- فترة الحدث / البيانات: 2026-11-11
- النسخ الأخرى: [Türkçe](https://newsverum.com/tr/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11.md), [English](https://newsverum.com/en/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11.md), [Français](https://newsverum.com/fr/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11.md), [Español](https://newsverum.com/es/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11.md), [Deutsch](https://newsverum.com/de/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11.md), [Português](https://newsverum.com/pt/news/ntt-robot-physical-ai-shelf-loading-test-2026-11-11.md)

قالت شركة NTT في بيان صدر في 11 نوفمبر إن نموذجاً للعالم يستند إلى قوانين الفيزياء رفع معدل نجاح مهمة تحميل رف نفذها روبوت صغير من 73.1 إلى 92.3 في المئة. وحاكت المهمة تكديس الأغراض، وقالت الشركة إن النتيجة تقارن الأداء بوجود التقنية ومن دونها. كما أعلنت NTT درجة LPIPS أقل من نظامين مرجعيين في اختبار الفيديو OBJ3D. وتتمثل أولى حالات الاستخدام المخطط لها في مناولة أمتعة المطارات، لكن التجارب الميدانية مع شركة الروبوتات Mujin لا تزال قادمة. ولا يذكر البيان أن التقنية دخلت تشغيلاً تجارياً.

صُمم النظام لتقييم خيارات حركة الروبوت قبل تنفيذها. وتقول NTT إن النموذج يستنتج من الفيديو موقع الأجسام واتجاهها وسرعتها وكتلتها، ثم يستخدم معادلات الحركة لتوقع كيفية تحركها أو تفاعلها. ويربط محول للتحكم الفيزيائي طورته الشركة تلك الحسابات بنموذج لتوليد الفيديو. ولكل حركة يقترحها برنامج التحكم الحالي، ينشئ النظام مشهداً مستقبلياً محتملاً ويقيّم نتائج مثل التصادم أو سقوط جسم أو انهيار الرصة. وتكمل التقنية وحدة التحكم القائمة؛ ولا تثبت أن الروبوتات تستطيع العمل بأمان من دون إشراف.

نتيجة تحميل الرف لافتة، لكن الزيادة المطلقة أدق من الادعاء العام بأن الروبوت أصبح أفضل في العمل. فقد ارتفع معدل النجاح المعلن بمقدار 19.2 نقطة مئوية، بحساب 92.3 ناقص 73.1. وبالمقارنة مع المعدل الابتدائي، تعادل الزيادة نحو 26.3 في المئة، أي 19.2 مقسومة على 73.1. ويستخدم الحسابان القيم المقربة التي نشرتها NTT. ولا يحدد البيان عدد التجارب أو تعريف النجاح أو مدى تغيير الأغراض وظروف البداية أو مقدار التباين بين الجولات. كما لا يقدم مجالاً لعدم اليقين.

يعرض الجدول الأول لدى NTT تفاصيل أكثر عن اختبار تنبؤ منفصل. ويسجل قيمة LPIPS مضروبة في 100 تبلغ 7.81 لنموذج NTT و7.92 لنموذج OCK الأكاديمي و21.90 لنموذج توليد الفيديو التجاري NVIDIA Cosmos Predict 2.5. والقيمة الأقل في LPIPS أفضل. وتقل قيمة NTT عن OCK بمقدار 0.11، أو نحو 1.4 في المئة قياساً إلى 7.92. يصف هذا الحساب الفارق بين القيم المعروضة فقط. ولا يقدم البيان مجالاً إحصائياً أو مقارنة للبروتوكولات تثبت أن الفارق الصغير يتكرر في ظروف مختلفة.

يحتاج الاختبار المرجعي إلى سياق. وتصف دراسة ICCV لعام 2025 التي أعدها Yeon-Ji Song وزملاؤه مجموعة OBJ3D بأنها تضم مشاهد اصطناعية رمادية محايدة وأجساماً صلبة، مع 2920 تسلسلاً للتدريب و200 للاختبار. وصممت المجموعة لدراسة هندسة الأجسام وتفاعلات مثل التصادم. وتقول NTT إنها قيّمت نموذجها على اختبار OBJ3D العام، لكنها لا توضح إن كانت استخدمت تقسيم البيانات أو بروتوكول الاختبار أو إعداد التدريب نفسه الوارد في دراسة OCK. لذلك تقيس النتيجة تنبؤ الفيديو في اختبار مضبوط، لا مناولة الأمتعة في مطار حقيقي.

يتمثل الفارق التقني الذي تبرزه NTT في التمثيل الصريح للحالة الفيزيائية. فقد ينتج نموذج الفيديو صوراً تبدو معقولة لكنه يفوّت القوى أو الحركة التي تحدد ما إذا كانت الحمولة ستنقلب. وتقول الشركة إن محولها يمثل الكتلة والحركة ويطبق معادلات الحركة لتوليد حالات مستقبلية محتملة. وقد يساعد ذلك الروبوت على رفض خطة تنطوي على مخاطر قبل تنفيذها، خصوصاً حين يختلف كل صندوق أو حقيبة. لكن البيان لا يذكر زمن الاستجابة أو تكوين الأجهزة أو الذاكرة المطلوبة أو اختبارات السلامة، ولا يثبت أن الحسابات سريعة وموثوقة في مستودع يعمل فعلياً.

تصف NTT مناولة الأمتعة والطرود بأنها حالة استخدام مستهدفة، وتقول إنها تخطط لتجارب ميدانية بالتعاون مع Mujin. كما تقول إن التقنية ستعرض في منتدى NTT للبحث والتطوير لعام 2026. هذه خطط تطوير، وليست دليلاً على أن مشغلي المطارات اختاروا النظام أو ثبتوه أو قاسوا وفورات العمالة. ولا يكشف البيان عن عميل أو ميزانية مشروع أو تاريخ تركيب أو هدف للإنتاجية أو معدل أخطاء أثناء العمل أو السعر. والانتقال من مهمة تكديس محاكاة إلى أمتعة متنوعة حول حزام أو في منطقة الشحن يتطلب اختبارات مع تغير الإضاءة وحجب الرؤية وحركة الناقل ووجود البشر.

الأفضل قراءة الإعلان بوصفه إنجازاً بحثياً ذا نتيجة ملموسة لكنها محدودة النطاق. وتشير مهمة الروبوت إلى استخدام تشغيلي محتمل، بينما يوفر OBJ3D اختباراً منفصلاً لجودة الفيديو المتنبأ به. ولا تثبت أي من النتيجتين وحدها موثوقية عامة في اللوجستيات أو التصنيع أو التجزئة، وهي قطاعات تذكرها NTT كمسارات محتملة للتوسع. وقبل التطبيق، سيحتاج صناع القرار إلى تجارب متكررة وتعريف شفاف لنجاح المهمة وضوابط للسلامة وقياس الأداء مع أجسام غير مألوفة ومقارنة النظام الكامل بالبدائل الحالية. وصفت NTT طريقاً نحو تلك التجارب، لا نتائجها.

## البيانات

### معدلات نجاح محاكاة تحميل الرف

المعدلات التي أبلغت عنها NTT لمهمة تكديس محاكاة بروبوت صغير.

المنهجية: تورد NTT معدلي نجاح المهمة دون التقنية وباستخدامها، ولا تكشف عدد التجارب أو معيار النجاح أو التباين. 92.3 ناقص 73.1 يساوي 19.2 نقطة مئوية. وقسمة 19.2 على 73.1 تعطي زيادة نسبية تقارب 26.3 في المئة. تعتمد الحسابات على قيم الشركة المقربة وليست قياسات منفصلة.

| label | value | unit | period | basis | value_qualifier |
|---|---|---|---|---|---|
| معدل نجاح تحميل الرف بالروبوت الصغير دون تقنية NTT | 73.1 | percent | 2026-11-11 | observed | exact |
| معدل نجاح تحميل الرف بالروبوت الصغير باستخدام تقنية NTT | 92.3 | percent | 2026-11-11 | observed | exact |

المصادر: <https://group.ntt/en/newsrelease/2026/11/11/261111b.html> · تنزيل البيانات: [JSON](https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/shelf-loading-task-success-rate?lang=ar&format=json) · [CSV](https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/shelf-loading-task-success-rate?lang=ar&format=csv)

### مقارنة LPIPS على اختبار الفيديو OBJ3D

درجات النماذج الواردة في جدول NTT. والقيمة الأقل في LPIPS أفضل.

المنهجية: يعرض جدول NTT قيم LPIPS مضروبة في 100، والدرجة الأقل أفضل. وتحفظ خلايا الدرجات القيم المنشورة 7.81 و7.92 و21.90 مع بيان المقياس. ولا يقدم البيان فترات عدم يقين أو مقارنة مباشرة بين بروتوكولي NTT وOCK.

| النموذج | نوع النموذج | درجة LPIPS المعلنة مضروبة في 100 |
|---|---|---|
| نموذج NTT للعالم | نموذج الشركة | 7.81 LPIPS x100 |
| OCK | نموذج أكاديمي استشهدت به NTT | 7.92 LPIPS x100 |
| NVIDIA Cosmos Predict 2.5 | نموذج تجاري لتوليد الفيديو | 21.90 LPIPS x100 |

المصادر: <https://group.ntt/en/newsrelease/2026/11/11/261111b.html>, <https://openaccess.thecvf.com/content/ICCV2025/papers/Song_OCK_Unsupervised_Dynamic_Video_Prediction_with_Object-Centric_Kinematics_ICCV_2025_paper.pdf> · تنزيل البيانات: [JSON](https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/obj3d-video-benchmark-lpips?lang=ar&format=json) · [CSV](https://newsverum.com/api/v1/articles/ntt-robot-physical-ai-shelf-loading-test-2026-11-11/data/obj3d-video-benchmark-lpips?lang=ar&format=csv)

## المصادر

- [NTT, NTT Develops Physical AI Technology That Predicts the Future Before Robots Move to Prevent Failures](<https://group.ntt/en/newsrelease/2026/11/11/261111b.html>) (تاريخ مراجعة المصدر: 2026-11-12; نُشر: 2026-11-11)
- [Computer Vision Foundation, OCK: Unsupervised Dynamic Video Prediction with Object-Centric Kinematics, ICCV 2025 paper](<https://openaccess.thecvf.com/content/ICCV2025/papers/Song_OCK_Unsupervised_Dynamic_Video_Prediction_with_Object-Centric_Kinematics_ICCV_2025_paper.pdf>) (تاريخ مراجعة المصدر: 2026-11-12)
- [Computer Vision Foundation, OCK supplementary material](<https://openaccess.thecvf.com/content/ICCV2025/supplemental/Song_OCK_Unsupervised_Dynamic_ICCV_2025_supplemental.pdf>) (تاريخ مراجعة المصدر: 2026-11-12)

---

استخدم الرابط الدائم أعلاه عند الاقتباس. [معايير النشر والتصحيحات](https://newsverum.com/ar/editorial)
