درون قمار ۷۰ میلیون دلاری XDOF برای رفع گلوگاه داده‌های رباتیک

اگر در حال ساخت یک مدل بنیادی (Foundation Model) — شبیه به یک مغز مرکزی که مفاهیم کلی دنیا را می‌فهمد تا بعداً برای کارهای خاص آموزش ببیند — برای رباتیک هستید، بزرگ‌ترین مانع شما نه تراشه است و نه معماری؛ بلکه کمبود داده‌های آموزشی با دقت بالاست.

XDOF، استارت‌آپی که در ۱۷ ژوئن ۲۰۲۶ از حالت پنهانی خارج شد، روی این فرضیه شرط‌بندی کرده است که گلوگاه بعدی هوش مصنوعی، حلقه‌ی بازخورد داده‌های فیزیکی است. این رویکرد یادآور تلاش‌های مشابه در مقیاس وسیع‌تر است، مشابه آنچه در قمار ۳۱۰ میلیون دلاری Odyssey برای آموزش فیزیک به هوش مصنوعی شاهد بودیم تا مدل‌های دنیای واقعی ساخته شوند. طبق گزارش شرکت، در حالی که مدل‌های زبانی روی داده‌های باز وب آموزش دیدند، ربات‌ها به داده‌های تعامل فیزیکی دقیقی نیاز دارند که تقریباً در دنیای واقعی وجود ندارند.

این شکاف دقیقاً شبیه همان چالش‌های همگام‌سازی است که در تحلیل قبلی ما درباره‌ی تنظیمات AI محلی (Local-first) بررسی کردیم؛ جایی که زیرساخت باید با بلندپروازی مدل هم‌خوانی داشته باشد. در واقع، اتکای صرف به یک مدل واحد بدون زیرساخت داده‌ای مناسب، می‌تواند ریسک‌های جدی ایجاد کند، موضوعی که در تحلیل لایه‌ی مسیریابی و جایگزینی مزیت رقابتی مدل‌ها به تفصیل بررسی کردیم. به باور تحلیلگران، کلیپ‌های کم‌کیفیت یوتیوب برای آموزش مهارت‌های پیچیده دست‌ورزی ربات‌ها کافی نیستند.

به نقل از مستندات شرکت، XDOF برای حل این مشکل ۷۰ میلیون دلار از سرمایه‌گذاران بزرگی چون Thrive Capital، a16z و Spark Capital جذب کرده است. این شرکت داده‌ها را در سه سطح جمع‌آوری می‌کند:

• داده‌های عملیات از راه دور (Teleoperation) مستقیم از خود ربات هدف.
• داده‌های عمومی از راه دور با ابزارهایی مثل GELLO — یک سامانه کنترل ارزان‌قیمت.
• داده‌های دید اول شخص که از طریق حسگرهای پوشیدنی اختصاصی جمع می‌شوند.

طبق اعلام Philipp Wu، مدیرعامل شرکت، XDOF در حال حاضر به ۲۰ مشتری، از جمله چندین آزمایشگاه پیشرو AI، خدمات می‌دهد. بر اساس داده‌های منتشر شده، این شرکت با همکاری آزمایشگاه تحقیقات AI دانشگاه UC Berkeley، مجموعه داده ABC را منتشر کرد که شامل ۱۳۰ هزار مسیر دست‌ورزی رباتیک، ۳۰۰ ساعت شبیه‌سازی و ۱۰۰ ساعت ارزیابی است.

این چرخش نشان می‌دهد که آزمایشگاه‌های پیشرو به یک «دیوار فیزیکی» برخورد کرده‌اند. ساخت انبارهای عظیم برای کالیبراسیون ربات‌ها، بار عملیاتی سنگینی است که شرکت‌هایی مثل OpenAI ترجیح می‌دهند برون‌سپاری کنند. در واقع XDOF در حال تبدیل شدن به «Scale AI دنیای رباتیک» است تا کارهای دستی دشوار را به یک API استاندارد برای هوش فیزیکی تبدیل کند.

گام بعدی شما

• اگر توسعه‌دهنده رباتیک هستید، مجموعه داده ABC را برای ارزیابی دقت مدل‌های دست‌ورزی خود بررسی کنید.
• روندهای جذب سرمایه در لایه‌ی «داده‌های فیزیکی» را دنبال کنید تا متوجه شوید کدام سخت‌افزارهای حسگری در حال استاندارد شدن هستند.
• منتظر ادغام داده‌های XDOF در بنچمارک‌های متن‌باز باشید تا جهش احتمالی در توانایی‌های حرکتی ربات‌ها را بسنجید.

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