تصور کنید یک کارمند جدید وارد دفتر میشود که نه تنها راه را بلد است، بلکه میتواند بدون کمک شما از پلهها بالا برود و بستههای پستی را از آسانسور بگیرد. این دیگر یک صحنه از فیلمهای علمی-تخیلی نیست، بلکه واقعیت جدیدی است که شرکت Flexion Robotics خلق کرده است.
بسیاری از توسعههای فعلی بر روی بدنه فیزیکی تمرکز دارند، اما این شرکت اولویت را به هوشی تغییر داده که ماشین را هدایت میکند. در ۲۹ ژوئن ۲۰۲۶، این شرکت با استفاده از یک ربات انساننمای تغییریافته از برند Unitree، توانایی مسیریابی خودکار در پلهها، استفاده از آسانسور و دریافت یک بسته خوراکی را بدون دخالت اپراتور انسانی به نمایش گذاشت.
به گزارش منابع صنعتی، اکثر دموهای انساننما بر پایه «تلهاپریشن» یا هدایت از راه دور هستند. در این روش، انسانe ربات را هدایت میکند و به همین دلیل ماشین در محیطهای ناآشنا شکست میخورد چون اساساً مفهوم وظیفه را «نمیفهمد». این رویکرد تلهاپراسیون، هسته اصلی مدلهای آموزشی شرکت IO-AI Tech است که سعی دارد با کنترل انسانی، دادههای اولیه را برای رباتها جمعآوری کند. Flexion برای حل این مشکل، هوش مصنوعی خود را در محیط شبیهسازی آموزش میدهد؛ یعنی ربات قبل از ورود به دنیای واقعی، از طریق آزمون و خطا یاد میگیرد.
همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، جداسازی لایههای کنترل از لایههای تصمیمگیر، کلید مقیاسپذیری است. طبق اعلام نیکیتا رودین (Nikita Rudin)، همبنیانگذار و مدیرعامل Flexion، راز موفقیت آنها استفاده گسترده از یادگیری تقویتی (Reinforcement Learning) — شبیه به آموزش یک سگ با پاداش دادن به رفتارهای درست — در تمام لایههای نرمافزاری است. این سیستم در سه مرحله عمل میکند:
- مشاهده: مدل اصلی AI ویدیوهای انسانهایی را که در حال انجام کارهای اداری هستند، تحلیل میکند.
- نگاشت: نرمافزار این حرکات انسانی را با مهارتهای خاصی که قبلاً در شبیهساز یاد گرفته، تطبیق میدهد.
- اجرا: مدل موتورهای ربات را برای حفظ تعادل و حرکت، هنگام انجام وظیفه، هماهنگ میکند.
این معماری به ربات اجازه میدهد دستورات پیچیده — مثل «بسته را با استفاده از پله و آسانسور بگیر» — را به مجموعهای از مهارتهای قابل اجرا تبدیل کند. این رویکرد گامبهگام در آموزش مهارتها، یادآور استراتژی سهمرحلهای RoboNaldo است که برای حل چالشهای تعادلی در حرکات انفجاری رباتها به کار گرفته شد. Flexion ادعا میکند که با جدا کردن «هوش مصنوعی ارشد» از کنترل موتورها، نرمافزارش میتواند روی سختافزارهای مختلف انساننما اجرا شود.
تحلیلگران صنعت بر این باورند که این رویکرد «نرمافزار-محور» تنها راه ایجاد یک بازار تجاری واقعی برای انساننماها است. جورج چودری (George Chowdhury) از مؤسسه ABI Research اشاره میکند که سختافزارها کمتر از مدلهای پشتیبان آنها انقلابی هستند. او تخمین میزند بازار «مدلهای بنیادی» رباتیک تا سال ۲۰۳۶ به ۱۵۰ میلیارد دلار برسد. برای تامین دادههای لازم برای چنین مدلهای بنیادین، شرکتهایی مانند XDOF سرمایهگذاریهای کلانی کردهاند تا گلوگاههای فعلی در جمعآوری دادههای آموزشی رباتیک را برطرف کنند.
برای یک صاحب کسبوکار، این اتفاق یعنی تبدیل رباتها از «کالاهای تزئینی» به «کارآموزان توانمند». تماشای رباتی که یک پیراهن را تا میکند صرفاً یک نمایش نمایشی است، اما رباتی که میتواند در اتاق نامهرسانی دفتر جابهجا شود، یک دارایی کاهشدهنده هزینههای نیروی کار است. اثر ثانویه این روند، احتمالاً جهش تقاضا برای «کتابخانههای مهارت» استاندارد خواهد بود که رباتها بتوانند آنها را دانلود کنند.
با این حال، موفقیت نهایی به کیفیت یکپارچگی Flexion با تولیدکنندگان مختلف سختافزار بستگی دارد. بدون ارتباط بینقص بین مدل ارشد AI و سیستمهای موتوری مختلف، این نرمافزار تنها یک مغز قدرتمند بدون بدنی منعطف خواهد بود.
گام بعدی شما
- دنبال کنید که آیا Flexion یک API عمومی یا کتابخانه مهارتهای مشترک منتشر میکند یا خیر.
- بررسی کنید که آیا سختافزارهای فعلی دفتر شما (مانند دربهای اتوماتیک و آسانسورها) با استانداردهای رباتیک سازگار هستند.
- تغییر در استراتژی استخدام نیروهای سطح پایین اداری را با ورود این «کارآموزان فلزی» پیشبینی کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک لایههای زیرین این حرکت، به تحلیل ما درباره تراشههای جدید پردازشی مراجعه کنید.
گفتگو