«پایان گلوگاه داده»؛ راهکار World Labs برای آموزش سریع‌تر ربات‌ها

تصور کنید یک ربات برای یادگیری نحوهٔ جمع کردن کابل‌ها، به‌جای هزاران بار تکرار در دنیای واقعی، تنها یک بار آن را ببیند و سپس در محیطی مجازی، هزاران حالت مختلف از آن را تمرین کند. این همان استراتژی World Labs است تا یکی از بزرگ‌ترین موانع رباتیک، یعنی هزینه و کمیاب بودن داده‌های باکیفیت و تجربیات دنیای واقعی، را دور بزند. این شرکت در سال ۲۰۲۴ توسط فی‌فی لی (Fei-Fei Li)، پژوهشگر برجسته هوش مصنوعی، تأسیس شد.

بسیاری از ربات‌ها نه به‌دلیل ضعف در معماری مدل، بلکه به‌خاطر نبود حجم کافی از تجربه در مواجهه با شرایط پیش‌بینی‌نشده (Edge Cases) شکست می‌خورند. در حالی که مدل‌های زبانی روی کل اینترنت آموزش می‌بینند، ربات‌ها تا امروز به کنترل دستی (Teleoperation) گران‌قیمت یا مجموعه‌داده‌های ویدئویی محدود متکی بوده‌اند. حتی ویدیوهای آنلاین نیز به‌طور سیستماتیک تمام طیف شرایط فیزیکی و حالت‌های شکست را پوشش نمی‌دهند. World Labs به‌جای تمرکز صرف روی مقیاس‌بندی مدل‌ها، روی مقیاس‌پذیری دنیای مجازی تمرکز کرده است تا ربات‌ها در محیط‌هایی یاد بگیرند که بسیار گسترده‌تر از واقعیت هستند. این چالش‌ها در واقع بخشی از یک بحران گسترده‌تر هستند که در تحلیل ما درباره سدهای داده‌ای و سخت‌افزاری در رشد هوش مصنوعی به تفصیل بررسی شده است.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن دیدیم، کیفیت داده‌ها تعیین‌کنندهٔ خروجی نهایی است؛ در رباتیک نیز این قاعده صادق است.

طبق اعلام این شرکت در ۱۵ اوت ۲۰۲۶، موتور R2S2R می‌تواند ربات‌ها، حسگرها و محیط‌ها را ثبت کرده و آن‌ها را به دنیای مجازی تعاملی تبدیل کند. این سیستم برخلاف تولیدکننده‌های ساده‌ی ویدیو، تضمین می‌کند که دنیای مجازی با همان ویژگی‌های فیزیکی محیط اصلی رفتار کند. این امر از طریق ترکیب مدل‌های مولد دنیا (Generative World Models) با شبیه‌سازی‌های رباتیک هدفمند محقق شده است. این رویکرد شباهت زیادی به استفاده از شبیه‌سازی‌های زاینده برای حل شکاف‌های عملیاتی در زنجیره تأمین دارد که پیش‌تر به آن پرداختیم.

بر اساس مستندات فنی، این موتور از یک دموی واقعی، هزاران نسخهٔ کنترل‌شده با تغییر متغیرهای زیر می‌سازد:

• عوامل محیطی: تغییر شرایط نورپردازی و زاویه‌های دوربین.
• دینامیک اشیا: تغییر موقعیت، تعداد و ویژگی‌های فیزیکی مانند اصطکاک.
• پیچیدگی تسک: افزایش تعداد اشیا و ایجاد شلوغی در محیط اطراف.
• نوع اشیا: مدیریت اشیای سخت، متحرک و تغییرشکل‌دهنده؛ برای مثال، مسیریابی کابل‌ها، وارد کردن سرهای الاستیک کابل در سوراخ‌ها و بسته‌بندی جعبه‌ها با استفاده از هر دو دست.

برای تأیید دقت، تیم World Labs توالی عملیات را به‌صورت هم‌زمان در شبیه‌ساز و واقعیت اجرا کرد تا حرکات اشیا و نتایج نهایی را با هم مقایسه کند. آن‌ها برای این کار از پلتفرم ALOHA استفاده کردند؛ یک سیستم دو-بازوی متن‌باز از دانشگاه استنفورد که از طریق «عروسک‌گردانی» (Puppeteering) با دو بازوی کنترلی کوچک‌تر هدایت می‌شود. به‌دلیل اینکه نقشه‌های ALOHA عمومی است و هزینه‌ای بسیار کمتر از سیستم‌های تجاری دارد، به مرجع اصلی پژوهش‌های رباتیک تبدیل شده است.

مدل‌های آموزش‌دیده در شبیه‌ساز سپس روی چهار پلتفرم رباتیک مختلف منتقل شدند و هر کدام یک ساعت بدون دخالت انسان کار کردند. تسک‌ها از پیچیدن کابل برق دور یخچال تا جابه‌جایی دقیق لوله‌های آزمایش و جدا کردن مدادها یا مارکرهای نازک از یک توده درهم‌ریخته را شامل می‌شد. این سیستم به‌گونه‌ای طراحی شده که مستقل از سخت‌افزار (Agnostic) باشد؛ یعنی یک دنیای بازسازی‌شده می‌تواند برای ربات‌های مختلف یا مدل‌های کنترلی جدید در آینده بازاستفاده شود.

به گزارش World Labs، شبیه‌سازی باید جایگزین سخت‌افزار برای ارزیابی سیاست‌های کنترلی (Policy Evaluation) شود. در آزمونی برای جابه‌جایی یک مکعب بین دو دست، شبیه‌ساز توانست هم موفقیت‌های لب‌مرزی (زمانی که ربات به‌سختی لبه مکعب را گرفت) و هم تلاش‌های شکست‌خورده را به‌دقت بازتولید کند.

در مقایسه مدل‌هایی مانند GR00T N1.6 و π₀.₅، رتبه‌بندی عملکرد مدل‌ها در شبیه‌ساز و سخت‌افزار واقعی کاملاً یکسان بود. این موضوع حتی برای موقعیت‌هایی از مکعب که مدل قبلاً ندیده بود نیز صادق بود.

هر نقطه بازرسی (Checkpoint) با ۲۰۰۰ اجرای شبیه‌سازی‌شده ارزیابی شد، در حالی که در دنیای واقعی تنها ۱۰۰ اجرا صورت گرفت. این یعنی توسعه‌دهندگان می‌توانند نسخه‌های ضعیف مدل را در نرم‌افزار فیلتر کنند و سخت‌افزار گران‌قیمت را فقط برای نویدبخش‌ترین کاندیداها به کار بگیرند. در کنار بهینه‌سازی داده‌ها، بهبود استریمینگ داده‌ها برای کاهش گلوگاه‌های انتقال نیز یکی دیگر از محورهای کلیدی در تسریع آموزش ربات‌هاست.

این رویکرد گامی به سوی «هوش مکانی» (Spatial Intelligence) است که در آن شبیه‌ساز به قطب مرکزی یادگیری و عمل کردن عامل‌های نرم‌افزاری تبدیل می‌شود. World Labs اخیراً یک میلیارد دلار سرمایه جذب کرده تا این مدل‌های دنیا را به علوم و رباتیک گسترش دهد؛ این دستاورد بر پایه سیستم‌های اولیه‌ای است که می‌توانستند از یک عکس واحد، محیط‌های سه‌بعدی قابل پیاده‌روی ایجاد کنند.

این مسیر شبیه تکامل رانندگی خودکار است که در سطوح ۳ و ۴ به ترکیبی از داده‌های واقعی و مصنوعی متکی است. با این حال، صنعت هنوز بر سر بهترین راه مخالف است. برخی مانند World Labs شبیه‌سازی را از سیاست کنترلی جدا می‌کنند، اما رویکردهای دیگر از «مدل‌های اکشن-دنیا» (World-Action Models) استفاده می‌کنند که پیش‌بینی آینده نزدیک را مستقیماً به دستورات کنترلی گره می‌زند. متدهای دیگر، مانند سیستم چینی Orca، تلاش می‌کنند تسک‌ها را صرفاً با تماشای ویدیو و بدون هیچ‌گونه داده‌ی حرکتی واقعی در طول آموزش یاد بگیرند.

برای مدیران کسب‌وکارهای اتوماسیون، این یعنی هزینه توسعه مهارت‌های رباتیک تخصصی به‌شدت کاهش می‌یابد. اگر یک شرکت بتواند ۲۰۰۰ حالت شکست را به قیمت ۱۰۰ حالت واقعی شبیه‌سازی کند، چرخه تبدیل نمونه اولیه به خط تولید به‌شدت کوتاه می‌شود.

باید منتظر ماند و دید که این نتایج چگونه به محیط‌های روزمره و کمتر کنترل‌شده منتقل می‌شوند؛ جایی که قوانین فیزیک کمتر از محیط آزمایشگاهی قابل‌پیش‌بینی هستند.

گام بعدی شما

• بررسی مستندات پلتفرم ALOHA برای درک نحوه پیاده‌سازی داده‌های حرکتی.
• دنبال کردن نتایج انتقال این مدل‌ها به محیط‌های غیرآزمایشگاهی و غیرقابل‌پیش‌بینی.
• تحلیل اثر کاهش هزینه استنتاج در مدل‌های رباتیک بر استقرار اتوماسیون در صنایع کوچک.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.