تشيلسي فين

ويكي
, , , ,
1

أستاذ مساعد في علوم الحاسوب والهندسة الكهربائية بجامعة ستانفورد، ومخترع خوارزمية «التعلم الوصفي المستقل عن النموذج» (MAML)، ومؤلف مشارك في «تحسين التفضيل المباشر» (DPO)، ومؤسس مشارك لشركة Physical Intelligence — وهو من أكثر الباحثين في مرحلة مبكرة من حياتهم المهنية استشهادًا في مجال تعلم الآلة وتعلم الروبوتات.

ملف تعريف

المجال التفاصيل
تاريخ الميلاد 8 أكتوبر 1992، الولايات المتحدة
الجنسية أمريكي
الجهات الحالية جامعة ستانفورد (مختبر IRIS)؛ شركة Physical Intelligence (مؤسس مشارك)
مجالات البحث التعلم الوصفي، تعلم الروبوتات، التعلم المعزز، التعلم بالمحاكاة، نماذج الرؤية-اللغة-الفعل
المشرفون على الدكتوراه سيرجي ليفين؛ بيتر أبيل
أطروحة الدكتوراه التعلم بالانحدار (جامعة كاليفورنيا، بيركلي، 2018)
الموقع الأكاديمي ai.stanford.edu/~cbfinn
X / تويتر @chelseabfinn
GitHub @cbfinn
Google Scholar scholar.google.com (أكثر من 126,000 اقتباس)

نظرة عامة

تشيلسي فين عالمة حاسوب أمريكية وواحدة من أكثر الباحثين تأثيرًا في جيلها عند تقاطع تعلم الآلة والروبوتات. تشتهر باختراعها لخوارزمية «التعلم الوصفي المستقل عن النموذج» (MAML)، وهي خوارزمية قائمة على الانحدار نُشرت في مؤتمر ICML 2017 وأصبحت واحدة من أكثر الأوراق البحثية استشهادًا في العقد، مما رسّخ التعلم الوصفي كاتجاه بحثي رئيسي. بصفتها مؤلفة مشاركة في «تحسين التفضيل المباشر» (DPO، NeurIPS 2023)، ساهمت في تقنية ثانية شديدة التأثير، هذه المرة لمواءمة نماذج اللغة، والتي حلت بسرعة محل الأساليب القائمة على التعلم المعزز بتغذية راجعة بشرية في الأوساط الأكاديمية والصناعية على حد سواء. تدير فين مختبر IRIS (الذكاء من خلال التفاعل الروبوتي على نطاق واسع) في ستانفورد، حيث تشغل مناصب مشتركة في علوم الحاسوب والهندسة الكهربائية كأستاذة مساعدة ضمن برنامج William George and Ida Mary Hoover Faculty Fellow. في عام 2024 شاركت في تأسيس شركة Physical Intelligence (Pi)، وهي شركة ذكاء اصطناعي للروبوتات جمعت 400 مليون دولار بتقييم 2.8 مليار دولار، وتعمل على تطوير نماذج أساسية للأغراض العامة للروبوتات المادية. لقد جمعت أكثر من 126,000 اقتباس في Google Scholar — وهو رقم استثنائي لباحثة أكملت درجة الدكتوراه في عام 2018.

الحياة المبكرة والتعليم

بكالوريوس العلوم في الهندسة الكهربائية وعلوم الحاسوب — معهد ماساتشوستس للتكنولوجيا
أكملت فين دراستها الجامعية في معهد ماساتشوستس للتكنولوجيا في تخصص الهندسة الكهربائية وعلوم الحاسوب، بانية الأساس التقني في تعلم الآلة وأنظمة التحكم الذي سيؤطر أبحاثها في الدراسات العليا.

دكتوراه في علوم الحاسوب — جامعة كاليفورنيا، بيركلي، 2018
انضمت فين إلى مختبر أبحاث الذكاء الاصطناعي في بيركلي (BAIR)، بإشراف مشترك من سيرجي ليفين وبيتر أبيل. طورت أطروحتها، التعلم بالانحدار، الإطار النظري والخوارزمي للتعلم الوصفي القائم على الانحدار — فكرة إمكانية تحسين معلمات النموذج لتكون بمثابة تهيئة ممتازة للتكيف السريع مع المهام الجديدة عبر عدد صغير من خطوات الانحدار. حصلت الأطروحة على جائزة ACM لأفضل أطروحة دكتوراه، وهي أعلى تقدير في المجال لأطروحة دكتوراه. كانت أول امرأة تحصل على جائزة C.V. & Daulat Ramamoorthy للبحث المتميز من قسم الهندسة الكهربائية وعلوم الحاسوب في جامعة كاليفورنيا، بيركلي (2016)، والتي تُمنح للبحث الاستثنائي أثناء الدراسة للدكتوراه. خلال فترة الدكتوراه، تدربت أيضًا في Google Brain، حيث عملت على تعلم الروبوتات على نطاق واسع من النماذج التنبؤية العميقة.

المسيرة المهنية

جامعة كاليفورنيا، بيركلي — مختبر BAIR (2014–2018)

كطالبة دكتوراه تحت إشراف ليفين وأبيل، طورت فين الأساليب التي ستحدد سمعتها المبكرة: التعلم من البداية إلى النهاية للسياسات البصرية الحركية، التنبؤ بالفيديو للتفاعل المادي، والأهم من ذلك، خوارزمية MAML. إلى جانب أبحاث الدكتوراه، شاركت في تدريس دورة رائدة في التعلم المعزز العميق (UC Berkeley CS294-112، ربيع 2017)، ونظمت ورشة عمل حول التعلم العميق للفعل والتفاعل في مؤتمر NeurIPS 2016، وساعدت في تنظيم BAIR Camp، وهو معسكر صيفي توعوي لطلاب المدارس الثانوية من الأسر ذات الدخل المنخفض.

Google Brain — تدريب (2016–2017)

خلال الدكتوراه، عملت فين كباحثة متدربة في Google Brain، حيث ساهمت في مشاريع تعلم الروبوتات التي تضمنت تدريب نماذج تنبؤية على نطاق واسع ومجموعات بيانات للإمساك بالروبوتات، وقد نُشر العديد منها علنًا باسم مجموعة بيانات Google Brain Robotics Data.

جامعة ستانفورد — مختبر IRIS (2019–حتى الآن)

انضمت فين إلى ستانفورد كأستاذة مساعدة في عام 2019. تشغل مناصب مشتركة في أقسام علوم الحاسوب والهندسة الكهربائية، وهي تابعة لكل من Stanford HAI ومجموعة تعلم الآلة في ستانفورد. مختبرها، IRIS (الذكاء من خلال التفاعل الروبوتي على نطاق واسع)، يجري أبحاثًا عبر أربعة محاور: التعلم من البيانات غير المتصلة بالإنترنت والعروض التوضيحية، التعلم الوصفي والتعميم، نماذج الرؤية-اللغة-الفعل، ونشر الروبوتات في العالم الحقيقي.

CS330: التعلم العميق متعدد المهام والوصفي — صممت فين هذه الدورة في ستانفورد ودرّستها بدءًا من خريف 2019؛ محاضرات فيديو من عدة إصدارات متاحة للجمهور وتم اعتمادها على نطاق واسع كمنهاج قياسي لدراسة التعلم الوصفي على مستوى الدراسات العليا عالميًا.

CS224R: التعلم المعزز العميق — تدرس فين أيضًا هذه الدورة في ستانفورد، التي تغطي أساليب التعلم المعزز العميق الحديثة وتطبيقها على التحكم في الروبوتات.

الخطوط البحثية الرئيسية في ستانفورد:

خلال فترة عضويتها في هيئة التدريس، ساهم مختبر فين في عدة خطوط بحثية متميزة. في مجال التعلم الوصفي والتعميم، العمل على المتانة خارج التوزيع وتحول التوزيع (بما في ذلك معيار WILDS، ICML 2021) وسّع مساهماتها من فترة الدكتوراه لتعالج مشكلة أوسع وهي تعلم الآلة المتين. في تعلم الروبوتات، عملت مجموعتها على التعلم المعزز غير المتصل بالإنترنت والمتصل بالإنترنت للروبوتات، النقل عبر الأجسام (سلسلة Bridge Data)، والمحاكاة البشرية (HumanPlus، 2024). مؤخرًا، وضع نموذج OpenVLA (2024) — وهو نموذج رؤية-لغة-فعل مفتوح المصدر تم تطويره بالتعاون مع باحثين في ستانفورد وبيركلي — معيارًا مفتوحًا جديدًا للتحكم العام في الروبوتات. في نماذج اللغة، أصبح DPO (2023) أحد أهم المساهمات في منهجية مواءمة نماذج اللغة الكبيرة في السنوات الأخيرة.

شركة Physical Intelligence (Pi) — مؤسس مشارك (2024–حتى الآن)

في عام 2024، شاركت فين في تأسيس شركة Physical Intelligence إلى جانب سيرجي ليفين وكارول هاوسمان وبريان إيختر ولاتشي غروم وعثمان إسماعيل وكوان فونغ. فرضية الشركة — أن نموذجًا أساسيًا كبيرًا واحدًا يمكنه تعلم التحكم في أي روبوت لأي مهمة، على نحو مماثل لكيفية تعميم نماذج اللغة الكبيرة عبر النصوص — تعكس مباشرة البرنامج البحثي الذي طورته فين وليفين على مدار عقد من الزمن. جمعت شركة Physical Intelligence 400 مليون دولار بتقييم 2.8 مليار دولار، بدعم من Bezos Expeditions وKhosla Ventures وOpenAI Startup Fund. أول نموذج عام للشركة، 0π (pi-zero)، هو نموذج رؤية-لغة-فعل يُظهر مهارة عامة في التلاعب الدقيق عبر منصات روبوتية متعددة.

المساهمات الرئيسية

  • التعلم الوصفي المستقل عن النموذج (MAML) — تم تقديمه في مؤتمر ICML 2017 (فين، أبيل، ليفين)، قدمت MAML خوارزمية تعلم وصفي قائمة على الانحدار تعمل على تحسين معلمات النموذج الأولية للتكيف السريع مع المهام الجديدة بأقل قدر من البيانات. يعني تصميمها المستقل عن النموذج أنها تنطبق على أي نموذج يُدرّب عبر الانحدار — التصنيف، الانحدار، أو التعلم المعزز — وأصبحت واحدة من الأوراق التأسيسية لأدبيات التعلم الوصفي، حيث جمعت عشرات الآلاف من الاقتباسات وأنجبت العشرات من المتغيرات الخوارزمية بما في ذلك Reptile وFOMAML وiMAML.

  • السياسات البصرية الحركية العميقة من البداية إلى النهاية — نُشرت في مجلة JMLR 2016 (ليفين، فين، داريل، أبيل)، أظهرت هذه الورقة أن الشبكات العصبية العميقة يمكنها تعلم سياسات التلاعب بالروبوتات من البداية إلى النهاية من صور الكاميرا وزوايا المفاصل، وسد الفجوة بين الإدراك البصري والتحكم الحركي في نظام واحد قابل للتفاضل.

  • تحسين التفضيل المباشر (DPO) — نُشر في مؤتمر NeurIPS 2023 (رافيلوف، شارما، ميتشل، إيرمون، مانينغ، فين)، أعاد DPO صياغة هدف التعلم التفضيلي للتعلم المعزز بتغذية راجعة بشرية كمشكلة تصنيف ثنائي خاضع للإشراف، مما ألغى الحاجة إلى نموذج مكافأة منفصل وعدم استقرار الضبط الدقيق القائم على PPO. تم اعتماده على الفور تقريبًا في كل من المجتمع البحثي والصناعة، وجمع الاقتباسات بأحد أسرع المعدلات في تاريخ NeurIPS الحديث. عملت فين كمؤلفة أولى مسؤولة، حيث وفرت البنية التحتية للمختبر والتوجيه البحثي.

  • CS330: التعلم العميق متعدد المهام والوصفي — أصبحت هذه الدورة الدراسية العليا في ستانفورد التي أنشأتها فين في عام 2019 المنهاج الجامعي الأساسي للتعلم الوصفي ومتعدد المهام عالميًا؛ محاضرات الفيديو المنشورة علنًا وصلت إلى الممارسين والباحثين خارج نطاق طلاب ستانفورد.

  • OpenVLA: نموذج رؤية-لغة-فعل مفتوح المصدر — نُشر في مؤتمر CoRL 2024 (كيم، بيرتش، كرامشيتي، وآخرون، تحت إشراف فين والمتعاونين)، أسس OpenVLA خطًا أساسيًا متاحًا مجانًا وقابلًا للتكرار للتحكم العام في الروبوتات مما أتاح الوصول إلى أبحاث VLA للمجتمع الأوسع.

  • Open X-Embodiment وRT-X — كانت فين جزءًا من الفريق التعاوني الكبير (ICRA 2024) الذي جمع مجموعة بيانات Open X-Embodiment التي تغطي 22 هيكلًا روبوتيًا و527 مهارة، مما مكن التعلم الناقل عبر الأجسام ونشرها علنًا؛ خطوة بارزة نحو نماذج أساسية روبوتية قابلة للتعميم.

  • HumanPlus: المحاكاة والتقليد البشري — نُشر في مؤتمر CoRL 2024 (فو، تشاو، وو، ويتزستين، فين)، أظهر هذا العمل تعلم التلاعب البشري بالكامل من خلال التقاط الحركة البشرية عبر مزيج من التعلم بالمحاكاة والتعلم المعزز.

  • معيار WILDS — تم تأليفه بالاشتراك (كوه وآخرون، ICML 2021)، قدم WILDS معيارًا صارمًا لتحول التوزيع في تعلم الآلة عبر عشر مجموعات بيانات من العالم الحقيقي، مما أسس معيارًا لتقييم المتانة تجاه تحولات النشر.

  • التنبؤ بالفيديو للتفاعل المادي — نُشر في مؤتمر NeurIPS 2016 (فين، جودفيلو، ليفين)، أظهر هذا العمل أن الشبكات العصبية يمكنها تعلم نماذج أمامية للمشاهد المادية من الفيديو الخام، مما مكن التعلم غير الخاضع للإشراف لديناميكيات التفاعل الروبوتي.

الجوائز والتكريمات

  • جائزة الرئاسة للمسيرة المهنية المبكرة للعلماء والمهندسين (PECASE) (2025) — أعلى تكريم من حكومة الولايات المتحدة للعلماء والمهندسين في بداية مسيرتهم المهنية.
  • زمالة أبحاث ألفريد ب. سلون (2023) — تُمنح لأعضاء هيئة التدريس المتميزين في بداية مسيرتهم المهنية.
  • جائزة IEEE RAS للمسيرة الأكاديمية المبكرة في الروبوتات والأتمتة (2022)
  • جائزة المحقق الشاب من مكتب البحوث البحرية (2021)
  • زمالة هيئة التدريس من مايكروسوفت ريسيرش (2020)
  • باحث العام في الذكاء الاصطناعي من سامسونج (2020) — مُنحت لـ 19 باحثًا في بداية مسيرتهم المهنية في مجال الذكاء الاصطناعي عالميًا.
  • جائزة إنتل للنجم الصاعد في هيئة التدريس (2020) — مُنحت لـ 7 أعضاء هيئة تدريس أمريكيين في مجال المعلومات والاتصالات.
  • جائزة ACM لأفضل أطروحة دكتوراه (2019) — أعلى تقدير من ACM لأطروحة دكتوراه في الحوسبة؛ مُنحت عن أطروحة التعلم بالانحدار.
  • مبتكرون تحت 35 — رائد من مجلة MIT Technology Review (2018)
  • جائزة C.V. & Daulat Ramamoorthy للبحث المتميز من قسم الهندسة الكهربائية وعلوم الحاسوب، جامعة كاليفورنيا، بيركلي (2016) — أول امرأة تحصل على هذه الجائزة.

العلاقات الرئيسية

  • سيرجي ليفين — المشرف المشارك على الدكتوراه في بيركلي؛ المؤسس المشارك لشركة Physical Intelligence؛ يمتد تعاون فين وليفين على مدى عقد من الزمن ليشمل تعلم السياسات البصرية الحركية، التعلم المعزز غير المتصل بالإنترنت، النقل عبر الأجسام، وتأسيس شركة Pi؛ من أكثر الشراكات البحثية إنتاجية في تعلم الروبوتات.
  • بيتر أبيل — المشرف المشارك على الدكتوراه في بيركلي؛ تم تأليف MAML مع أبيل؛ شكل تركيز مختبره على التعلم الوصفي والتلاعب الروبوتي المساهمات التأسيسية لفين؛ وهو أيضًا مؤلف مشارك في العمل المبكر على السياسات البصرية الحركية.
  • رافاييل رافيلوف — طالب دكتوراه في ستانفورد أشرفت فين على أطروحته؛ المؤلف الأول لـ DPO، واحدة من أكثر أوراق المواءمة تأثيرًا في عام 2023.
  • فاي-فاي لي — زميلة كبيرة في ستانفورد وعضو هيئة تدريس تابع لـ HAI؛ تظهر من بين أبرز المتابعين الأكاديميين لفين وشبكتها المهنية؛ تتداخل انتسابات مختبراتهم في ستانفورد في مجال الإدراك الروبوتي والتعلم.
  • كارول هاوسمان — المؤسس المشارك لشركة Physical Intelligence؛ باحث سابق في Google Brain يتقارب عمله على RT-2 وتعلم الروبوتات على نطاق واسع بشكل مباشر مع أجندة فين.
  • توني ز. تشاو — طالب دكتوراه ومساهم رئيسي في عمل ALOHA/Unleashed والتلاعب المتنقل الصادر عن شبكة فين الأوسع في ستانفورد.
  • إيان جودفيلو — مؤلف مشارك في ورقة التنبؤ بالفيديو لعام 2016 في NeurIPS؛ متعاون مبكر يظهر من بين أبرز العلاقات المهنية لفين.
  • كريستوفر مانينغ — زميل في ستانفورد ومؤلف مشارك في DPO؛ يجسد التعاون مشاركة فين متعددة التخصصات بين الروبوتات ومعالجة اللغة الطبيعية في ستانفورد.

الأسلوب الشخصي

يتميز بحث فين بتفضيل قوي للخوارزميات البسيطة والعامة على تلك المصممة لمجالات محددة — وهو إحساس أنتج مباشرة تصميم MAML المستقل عن النموذج وإعادة صياغة DPO للتعلم المعزز بتغذية راجعة بشرية كتصنيف خاضع للإشراف. يعكس إطار مختبرها حول «الذكاء من خلال التفاعل الروبوتي على نطاق واسع» قناعة بأن التفاعل المتجسد مع العالم المادي هو الاختبار الرئيسي والمحرك الرئيسي للذكاء العام. في تصميم الدورات والتوعية، استثمرت بشكل كبير في جعل أساليب البحث على مستوى الدراسات العليا متاحة على نطاق واسع — من خلال سلاسل محاضرات ستانفورد المنشورة علنًا وبرامج التعليم التي تركز على التنوع في بيركلي. اتصالاتها العامة دقيقة تقنيًا ومنخفضة بشكل ملحوظ في المبالغة؛ تميل إلى تأطير النتائج الجديدة من حيث أنماط فشلها والمشاكل المفتوحة المتبقية بدلاً من الصيغ الفائقة.

المراجع