تصور کنید یک ربات انساننما وارد پذیرایی خانهای ناشناس شود و بدون هیچ آموزش قبلی، مسیر خود را در میان وسایل پیدا کند. این هدف نهایی استارتاپ مخفی دانیجار هافنر در سانفرانسیسکو است؛ پژوهشگری برجسته از گوگل دیپمایند که در پاییز ۲۰۲۵ این شرکت را ترک کرد تا عاملهایی بسازد که بتوانند برای اتفاقات غیرمنتظره در محیطهای فیزیکی برنامهریزی کنند.
دفتر فعلی او در منطقه SoMa سانفرانسیسکو، فضای یک شروع تازه را دارد؛ اتاقی تقریباً خالی، بدون مبلمان و بدون تابلویی روی در. اما این فضا مملو از رباتهای انساننما در ابعاد مختلف است که از چین وارد شدهاند و مانند عروسکهای خیمهشببازی از رگالهای وسط اتاق آویزان شدهاند.
بیشتر رباتهای فعلی بر پایه حجم عظیمی از آزمون و خطاهای دنیای واقعی کار میکنند که فرآیندی کند و اغلب خطرناک است. برای درک این مشکل، تصور کنید بخواهید به رباتی یاد بدهید خانه را تمیز کند، اما تنها راهش این باشد که اجازه دهید به تکتک صندلیها و میزها برخورد کند تا بالاخره نقشه خانه را یاد بگیرد. رویکرد هافنر این تقلاهای فیزیکی را با یک شبیهسازی دیجیتال از واقعیت جایگزین میکند.
طبق گزارش MIT Technology Review که در ۸ سپتامبر ۲۰۲۶ منتشر شد، هافنر از یادگیری تقویتی مدلمحور (Model-based Reinforcement Learning) استفاده میکند. او «مدلهای جهان» میسازد؛ یعنی شبیهسازهای هوش مصنوعی که قوانین فیزیک را تقلید میکنند — شبیه به یک محیط بازی ویدئویی بسیار دقیق که ربات در آن تمرین میکند — تا عاملها بتوانند رفتار کنند و نتایج آینده را پیشبینی نمایند. این سازوکار به ربات اجازه میدهد پیش از اجرای هر حرکت در دنیای واقعی، آن سناریو را در ذهن خود «رؤیا ببیند» یا تصور کند.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت و استقرار مدلهای فیزیکی اشاره کردیم، گذار از محیطهای شبیهسازیشده به دنیای واقعی سختترین گام در رباتیک است. این چالشها در واقع بخشی از تغییر پارادایم در تبدیل سریع ایدههای هوش مصنوعی به محصولات فیزیکی است که معماریهای جدید را میطلبد.
زمینه: از آلمان تا گوگل
مسیر هافنر از شهر کوچکی در شمال شرقی آلمان آغاز شد، جایی که والدینش نوازندگان موسیقی کلاسیک بودند. او برنامهنویسی را از همسایهاش آموخت و دوران دبیرستان را با گذراندن دورههای آنلاین هوش مصنوعی سپری کرد تا بفهمد تفکر چگونه عمل میکند.
او در سال ۲۰۱۵، زمانی که دانشجوی سال دوم مهندسی در مؤسسه هاسو پلاتنر در پوتسدام بود، به عنوان پژوهشگر دانشجویی وارد گوگل برین شد. او بعدها دهها جایگاه شغلی مختلف را در گوگل برین و گوگل دیپمایند در آمریکا، کانادا و بریتانیا تجربه کرد.
در این دوران، او با اسطورههایی چون جفری هینتون، «پدرخوانده هوش مصنوعی»، و آشیش واسوانی، یکی از نویسندگان مقاله «Attention Is All You Need» که زیربنای فناوری ترنسفورمر (Transformer) — همان موتور محرک مدلهای زبانی امروزی — است، همکاری کرد.
جزئیات: تکامل رؤیاپرداز
هافنر کارآمدی این سازوکار را از طریق مجموعهای از چالشهای مجازی پیچیده به اثبات رساند:
- PlaNet: نخستین مدلی که به عاملها اجازه داد از طریق برنامهریزی پیشرو، اقدامات را اجرا کنند.
- Dreamer 2: اولین عاملی که در بازیهای آتاری ۲۶۰۰ به سطح عملکرد انسانی رسید.
- Dreamer 3: حل خودکار چالش الماس در بازی ماینکرفت.
- Dreamer 4: یادگیری استخراج الماس تنها با استفاده از دادههای ویدئویی آفلاین، بدون اینکه هرگز بازی را تجربه کرده باشد.
او برای انتقال این تواناییها به دنیای فیزیکی، پروژه DayDreamer را توسعه داد. این سامانه به رباتها اجازه میداد به تجربیات نو — مثل وقتی که کسی آنها را هل میدهد و میافتند — بدون آموزش قبلی برای آن اتفاق خاص، واکنش نشان دهند. او اکنون از سختافزارهای انساننما به عنوان کالبد فیزیکی این عاملها استفاده میکند.
تیموتی لیلیکراپ از گوگل دیپمایند، هافنر را در زمره «نیمه بالای ۱ درصد» پژوهشگران برتر میداند. لیلیکراپ اشاره کرد که هافنر اغلب بهتنهایی چیزهایی میسازد که معمولاً به تیمهای کاملی از مهندسان نیاز دارد.
این چرخش به سمت مدلهای جهان، آیندهای را ترسیم میکند که در آن رباتها بهجای ابزارهای تخصصی، به عنوان «همهفنحریف» مستقر شوند. اگر رباتی بتواند محیط جدید را بهدقت در ذهنش شبیهسازی کند، نیاز به برنامهنویسی اختصاصی برای هر مکان از بین میرود. این موضوع، اصلیترین گلوگاه ورود دستیاران انساننما به خانهها و محیطهای تجاری است.
برای کاربر نهایی، این یعنی رباتی که برای مفید بودن، نیازی به نقشه خانه شما ندارد؛ بلکه صرفاً مشاهده میکند، شبیهسازی میکند و در لحظه سازگار میشود. اثر ثانویه این فناوری، کاهش شدید هزینه و زمان مورد نیاز برای استقرار سختافزارهای خودمختار در مقیاس وسیع است.
در انتظار رونمایی رسمی از نام شرکت هافنر و نخستین نمونه اولیه تجاری آن باشید. هافنر اشاره کرده است که در حال حل مشکلی است که «جهان را تغییر خواهد داد».
گام بعدی شما
- دنبال کردن اخبار مربوط به رونمایی رسمی از نام شرکت هافنر و نخستین نمونه اولیه تجاری آن باشید.
- بررسی مقالات مربوط به World Models برای درک نحوه شبیهسازی قوانین فیزیک توسط هوش مصنوعی.
- تحلیل تفاوت بین یادگیری تقویتی مدلمحور و مدلزاد (Model-free) در رباتیک.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell و قدرت پردازشی مورد نیاز برای این شبیهسازها مراجعه کنید.
گفتگو