GENE-26.5؛ تلاش جسورانه Genesis AI برای عبور از شکاف تجسم

تصور کنید رباتی که بتواند با همان ظرافت شما پیانو بنوازد یا تخم‌مرغ بشکند. اگر فکر می‌کنید ربات‌های فعلی تنها ماشین‌هایی دست‌وپاچلفتی هستند، تحول بزرگی را از دست داده‌اید.

در ۶ مه ۲۰۲۶، استارتاپ Genesis AI از GENE-26.5 پرده‌برداری کرد؛ یک مدل بنیادی (Foundation Model) که با دست‌های رباتیک اختصاصی ادغام شده است. طبق گزارش TechCrunch، این شرکت به دنبال حذف شکاف تجسم (Embodiment Gap) است؛ یعنی همان فاصله دشواری که باعث می‌شود داده‌های آموزشی در دنیای واقعی به درستی اجرا نشوند.

برخلاف گیره‌های دو-انگشتی رایج، دست‌های این سیستم از نظر اندازه و شکل با دست انسان مطابقت دارند. این رویکرد به ربات اجازه می‌دهد کارهای پیچیده‌ای را انجام دهد:

• آشپزی: شکستن تخم‌مرغ و برش زدن گوجه‌فرنگی.
• مهارت‌های ظریف: نواختن پیانو و حل کردن مکعب روبیک.
• کاربردهای تخصصی: انجام کارهای آزمایشگاهی در صنایع دارویی و تولید.

برای تغذیه این هوش، Genesis یک دستکش حسگر-محور طراحی کرده است که مانند یک همزاد فیزیکی برای دست ربات عمل می‌کند. بر اساس مستندات شرکت، این دستکش به کاربران اجازه می‌دهد داده‌های باکیفیت را در حین انجام کارهای روزمره ضبط کنند. این داده‌ها سپس با ویدئوهای خودمحور (Egocentric Video Data) و حجم عظیمی از ویدئوهای اینترنتی ترکیب می‌شوند تا مدل آموزش ببیند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های بنیادی اشاره کردیم، کلید موفقیت در مقیاس‌پذیری، دسترسی به داده‌های باکیفیت است؛ Genesis AI حالا این داده‌ها را از دنیای دیجیتال به دنیای فیزیکی آورده است.

این ادغام جسورانه سخت‌افزار و نرم‌افزار، سرمایه کلانی را جذب کرده است. در جولای ۲۰۲۵، این استارتاپ با جذب ۱۰۵ میلیون دلار سرمایه در مرحله Seed، که توسط Eclipse و Khosla Ventures و همچنین اریک اشمیت رهبری شد، از حالت مخفیانه خارج شد. این شرکت اکنون عملیات خود را در پاریس، کالیفرنیا و لندن گسترش داده است تا استعدادهای جهانی را جذب کند.

این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این تصمیم بر اکوسیستم رباتیک متن‌باز را در گزارش بعدی بررسی خواهیم کرد.

گام بعدی شما

• پیشرفت‌های Genesis AI در زمینه ساخت ربات‌های تمام‌قد (Full-body) را دنبال کنید.
• مفهوم «شکاف تجسم» را در مقایسه با مدل‌های بینایی ماشین مطالعه کنید.
• بررسی کنید که چگونه داده‌های لمسی (Tactile Data) می‌توانند دقت مدل‌های هوش مصنوعی زاینده (Generative AI) را در دنیای فیزیکی افزایش دهند.