درون استراتژی Skild AI برای جایگزینی بدنه‌های مجزا با مدل‌های بنیادی

تصور کنید یک سیستم‌عامل واحد وجود داشته باشد که هم یک بازوی صنعتی در کارخانه و هم یک ربات انسان‌نما در انبار را با یک منطق مشترک مدیریت کند. این رویای «مغز واحد»، اکنون با تزریق سرمایه‌ای عظیم به واقعیت نزدیک‌تر شده است.

ارزش شرکت Skild AI پس از جذب ۱.۴ میلیارد دلار در دور سری C، به ۱۴ میلیارد دلار رسید. این دور سرمایه‌گذاری که توسط SoftBank رهبری شد و غول‌هایی چون Nvidia، Bezos Expeditions، Macquarie Capital و 1789 Capital در آن حضور داشتند، روی آینده‌ای شرط‌بندی کرده است که در آن یک نرم‌افزار مرکزی، کنترل تمام سخت‌افزارهای رباتیک را بر عهده می‌گیرد. شرکت‌های استراتژیکی مثل Samsung، LG و Schneider Electric نیز در این جمع حضور دارند. این جهش در ارزش‌گذاری، در کنار ارزش‌گذاری‌های خیره‌کننده شرکت Unitree، نشان‌دهنده تبدیل شدن ربات‌های انسان‌نما به یکی از جذاب‌ترین قطب‌های سرمایه‌گذاری در سال ۲۰۲۶ است.

دنیای هوش مصنوعی فیزیکی در حال خروج از عصر «یک مدل برای هر ربات» است. سال‌ها بود که صنعت با شکاف «شبیه‌ساز به واقعیت» (sim-to-real) — شبیه به تفاوت بین رانندگی در بازی ویدئویی و رانندگی در ترافیک واقعی تهران — دست‌وپنجه نرم می‌کرد؛ جایی که ربات‌های آموزش‌دیده در محیط‌های مجازی، در واقعیتِ آشفته‌ی یک انبار شکست می‌خوردند. اکنون رقابت بر سر ساخت مدل‌های بنیادی (Foundation Models) است تا دنیای فیزیکی را مانند یک زبان پردازش کنند. هدف این است که ربات‌ها بتوانند وظایف را در بدنه‌های سخت‌افزاری مختلف تعمیم دهند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های چندوجهی اشاره کردیم، تعمیم‌پذیری کلید اصلی موفقیت در مقیاس است. Skild AI سخت‌افزار نمی‌سازد، بلکه محصولی به نام Skild Brain ارائه می‌دهد. این لایه نرم‌افزاری در ربات‌های چهارپا، انسان‌نما، بازوهای رباتیک رومیزی و دست‌سازهای متحرک (mobile manipulators) ادغام می‌شود. طبق گزارش Dealroom، این نرم‌افزار هم‌اکنون در ماشین‌های شرکت‌های ABB، Universal Robots و Mobile Industrial Robots تعبیه شده است. در حال حاضر، این سیستم در کارخانه‌های Nvidia در هیوستون مستقر شده و در فرودگاه لاگاردیا در حال اجرای طرح‌های آزمایشی است.

این استارتاپ سه ساله، تا کنون بیش از ۲ میلیارد دلار سرمایه جذب کرده و در نیمه اول سال ۲۰۲۵، درآمدی حدود ۳۰ میلیون دلار ثبت کرده است. Abhinav Gupta، یکی از بنیان‌گذاران شرکت که پیش‌تر آزمایشگاه FAIR متا را ترک کرد تا این شرکت را با همکاری Deepak Pathak (استاد دانشگاه کارنگی ملون) تأسیس کند، معتقد است صنعت رباتیک در ۱۲ تا ۱۸ ماه آینده به «لحظه GPT» خود می‌رسد. البته شرط‌بندی آن‌ها به‌طور مشخص روی کارخانه‌ها و انبارهاست، نه محیط‌های خانگی.

در حالی که آمریکا روی سرمایه تمرکز کرده، چین در حال بازنویسی قوانین جاده‌هاست. در ۲۵ اوت ۲۰۲۶، پیش‌نویس اصلاحیه قانون ایمنی ترافیک جاده‌ای چین برای اولین خوانش در جلسه ۲۴ام کمیته دائم چهاردهمین کنگره ملی خلق ارائه شد. این پیش‌نویس شامل ۹ فصل و ۱۷۰ ماده است.

مهم‌ترین تغییر این است که بار مسئولیت تخلفات ترافیکی در زمان فعال بودن سیستم خودران، از راننده انسانی به تولیدکننده یا واردکننده منتقل می‌شود. این اقدام، هزینه‌های انطباق (compliance cost) را برای بازیگران حوزه خودران به‌طور بنیادین تغییر می‌دهد. طبق این پیش‌نویس، خودروهای خودران باید آزمون‌های سخت‌گیرانه رعایت قوانین جاده‌ای را پاس کنند و پیش از تردد در جاده‌های عمومی، به‌صورت قانونی ثبت شوند.

علاوه بر این، اصلاحیه یک سیستم بیمه مسئولیت اجباری شخص ثالث برای حوادث ترافیکی وسایل نقلیه موتوری را الزامی می‌کند. همچنین، تبلیغات اغراق‌آمیز درباره قابلیت‌های خودران برای جلوگیری از سوءاستفاده مصرف‌کنندگان صراحتاً ممنوع شده است. سایر مفاد این پیش‌نویس شامل محدود کردن سرعت دوچرخه‌های برقی به ۲۰ کیلومتر بر ساعت و ممنوعیت «رانندگی حواس‌پرت» و دوچرخه‌سواری گروهی سازمان‌یافته (roving mob) است. این یک تغییر بزرگ نسبت به قانون اصلی سال ۲۰۰۴ و اصلاحات بعدی در سال‌های ۲۰۰۷، ۲۰۱۱ و ۲۰۲۱ است که تنها به مفاد پراکنده پرداخته بودند.

در لایه پژوهشی، تمرکز روی «مدل‌های اقدام جهانی» (World Action Models یا WAMs) است که گام‌های غیرضروری را حذف می‌کنند. مقاله جدیدی درباره DELE-w0.5 (arXiv 2608.22067) استدلال می‌کند که ربات‌ها برای درک یک عمل، نیازی به رندر کردن تک‌تک فریم‌های ویدئویی ندارند. این مدل با حذف پیش‌بینی فریم‌به‌فریم و استنتاج مستقیم توالی اقدامات از حالت‌های نهان فشرده آینده، نرخ موفقیت ۶۲.۵ درصدی را در چهار وظیفه پیچیده دست‌کاری (manipulation) و ۴۸۰ آزمایش ربات واقعی ثبت کرد. این رقم ۴۷.۵ درصد بالاتر از قوی‌ترین مدل‌های پایه است و همزمان هزینه‌های آموزش و استنتاج (Inference) را کاهش می‌دهد. این رویکرد برای غلبه بر محدودیت‌های داده‌ای، مشابه راهکارهای World Labs برای آموزش سریع‌تر ربات‌ها است که با استفاده از مدل‌های جهانی، نیاز به داده‌های واقعی حجیم را کاهش می‌دهند.

سایر پیشرفت‌های کلیدی پژوهشی عبارتند از:

• GeoWAM (arXiv 2608.23486): مدلی برای رانندگی که فضای حالت را جایگزین می‌کند تا به‌جای تصاویر دوبعدی، هندسه ابر-نقاط سه‌بعدی را پیش‌بینی کند. استدلال این مدل این است که پیکسل‌ها، هندسه، حرکت و نور را با هم در هم می‌تنگند. این مدل از یک «سر اقدام» (action head) برای پیش‌بینی مسیر خودرو استفاده می‌کند و در ارزیابی‌های حلقه-باز و حلقه-بسته، از سیاست‌های مبتنی بر تصویر پیشی گرفته است.
• LD4WAM (arXiv 2608.22403): مدلی که روی مجموعه‌داده‌ای با بیش از ۵۰۰۰ ساعت داده انسانی و رباتیک آموزش دیده است. این مدل از دینامیک‌های نهان تراز شده با حرکت برای پر کردن شکاف بین نمایش انسان و اجرای ربات استفاده می‌کند. این مدل در شبیه‌ساز RoboTwin و روی دست‌های رباتیک ظریف (dexterous hands) با موفقیت تست شده و حتی روی اشیایی که قبلاً ندیده بود، عملکرد خوبی داشت.
• The Imitator Game (arXiv 2608.22301): یک بنچ‌مارک که شکاف بین قصد انسان و مسیر ربات را به چهار سطح (L0-L3) تقسیم می‌کند. ۹ مدل پیشرو (SOTA) در سطح L3 شکست خوردند؛ جایی که گلوگاه «جایگزینی عملکردی» است (یعنی استفاده از قابلیت‌های یک شیء متفاوت برای رسیدن به همان قصد). مجموعه‌داده IG-10K همراه با این پژوهش، شامل بیش از ۲۰,۰۰۰ کلیپ جفت‌شده در ۵۰ وظیفه و ۶ دامنه است.
• Prompt-Form Collapse (arXiv 2608.23224): پژوهشی که نشان می‌دهد اضافه کردن تنها یک جمله بازیابی‌شده به پرامپت می‌تواند نرخ موفقیت VLA را از ۹۲.۴۷٪ به ۳.۰۰٪ کاهش دهد. راهکار TOWN-VLA از یک گیت مجوز استفاده می‌کند تا اطمینان حاصل شود فقط دستورات فشرده ورودی سیاست را بازنویسی می‌کنند، که موفقیت در بازوی رباتیک PiPER در ۱۵۰ آزمایش از ۵۲.۷٪ به ۷۸.۷٪ رساند.
• Consistency Loss Audit (arXiv 2608.21402): مطالعه‌ای که نشان داد اعمال «ضرر سازگاری متقاطع-نما» (cross-view consistency loss) روی خروجی‌هایی که با تغییر زاویه دید تغییر می‌کنند (مثل فریم‌های آینده) مضر است. محدود کردن این مورد تنها به بخش‌های مستقل از زاویه دید (مانند تکه‌های اقدام و مقدار)، موفقیت حلقه-بسته را در زاویه‌های دید جدید ۱۲.۲ درصد بهبود بخشید.

فراتر از تغییرات اصلی WAM، مدل‌های دیگری در حال اصلاح تعامل بین ادراک و عمل هستند:

• WorldToken (arXiv 2608.22591): تصاویر چند-نما، حس proprioception و شرط‌گذاری وظیفه را در یک توکن جهانی ادغام می‌کند. یک سیاست با ۸۵.۳ میلیون پارامتر به موفقیت ۵۹.۴۵ درصدی در ۲۳ وظیفه RoboCasa رسید.
• WAM-OPD (arXiv 2608.22364): از تقطیر روی-سیاست (on-policy distillation) برای ترمیم مدل‌های شاگرد WAM که قابلیت‌هایشان پس از شتاب‌دهی کاهش یافته بود، استفاده می‌کند.
• DreamMimic (arXiv 2608.22278): از یک مدل جهانی برای آموزش جابه‌جایی و دست‌کاری بصری کل بدن در ربات‌های انسان‌نما بهره می‌برد.
• DELTA (arXiv 2608.22033): از یک رمزگذار توجه ارتفاعی تغییرشکل‌پذیر برای رمزگشایی جای‌گذاری پایه‌های ربات‌های چهارپا در زمین‌های ناهموار استفاده می‌کند.
• CounterAlign (arXiv 2608.21740): نظارت منفی متقابل (counterfactual negative supervision) را به شبیه‌سازی رفتار VLA اضافه می‌کند تا نمونه‌های مثبت-تنها را تکمیل کند.
• GuardianBench (arXiv 2608.21928): ریسک موقعیتی نهان را با ثابت نگه داشتن صحنه و تغییر دادن تنها دستورات تست می‌کند.
• MomADv2 (arXiv 2608.23405): حافظه زمانی ناسازگار را هنگام تغییر دستورات رانندگی سرکوب می‌کند.
• OpenSCvx (arXiv 2608.21631): یک چارچوب پایتون متن‌باز برای بهینه‌سازی مسیرهای غیرخطی است.
• ISS Reconstruction (arXiv 2608.21685): از تصاویر مقیاس خاکستری Astrobee و Gaussian Splatting سه‌بعدی برای بازسازی ماژول آزمایش ژاپنی در ایستگاه فضایی بین‌المللی (ISS) استفاده می‌کند.

در بخش تجاری، تجاری‌سازی در حال رسیدن به کف کارخانه‌هاست. ربات Galbot S1، محصول یک استارتاپ چینی با دو بازو و ظرفیت جابه‌جایی ۵۰ کیلوگرم، اکنون به‌صورت شبانه‌روزی در خط تولید CATL برای عملیات‌های تخلیه پالت، حمل و پالت‌گذاری فعال است. Galbot همچنین ربات انسان‌نمای Xingzai و مدل بنیادی AstraBrain را معرفی کرد که می‌تواند به‌طور همزمان بدنه‌های دوپا، چرخ‌دار و سنگین را کنترل کند.

شرکت XPeng در حال آماده‌سازی ربات انسان‌نمای IRON برای تولید انبوه تا پایان سال ۲۰۲۶ است و عرضه رسمی آن برای سال ۲۰۲۷ برنامه‌ریزی شده است. He Xiaopeng، مدیرعامل شرکت، اشاره کرد که IRON دارای ۷۶ درجه آزادی است که ۲۱ مورد آن در هر یک از دست‌های ظریف آن قرار دارد. این واحد انسان‌نما اخیراً بیش از ۹۰۰ میلیون دلار سرمایه با ارزشی بالای ۶.۳ میلیارد دلار جذب کرده است. علاوه بر این، XPeng مدل VLA خود را به نسخه ۶.۳.۰ ارتقا داد که پارامترهای روی-دستگاه را ۳.۵ برابر افزایش و سرعت پاسخ‌دهی را برای خودروی G9L تا ۳۰۰٪ بهبود بخشید. مدل G9L بیش از ۶.۷۴ میلیون کیلومتر تست تحقیق و توسعه در ۲۶ کشور طی کرده است.

در ایالات متحده، FCC در حال سخت‌گیرانه‌تر کردن زنجیره تأمین است. قوانین جدید الزام می‌کند که ربات‌های پیشرفته متحرک مونتاژ شده در آمریکا باید تا سال ۲۰۲۸ بیش از ۶۵ درصد محتوای قطعات داخلی داشته باشند و این رقم تا سال ۲۰۲۹ به ۷۵ درصد برسد. این یک ضربه مستقیم به زنجیره تأمین فعلی است، زیرا محرک‌ها (actuators) — که ۴۰ تا ۶۰ درصد از صورت‌حساب مواد (BOM) یک ربات را تشکیل می‌دهند — به‌همراه باتری‌ها، لیدارها و کنترل‌کننده‌های موتور، عمدتاً از چین تأمین می‌شوند.

ابزارهای جدیدی برای تست محدودیت‌های هوش مصنوعی فیزیکی در حال ظهور هستند:

• GOLEM: یک ربات انسان‌نمای متن‌باز (Unitree H1-2) که برای دمونتاژ بسته‌های باتری بازیافتی خودروهای برقی طراحی شده است. این سیستم از تنظیمات Dockerized ROS 2 با دوقلوهای دیجیتال MuJoCo و IsaacLab استفاده می‌کند. تست روی بسته باتری Hyundai Ioniq 5 نشان داد که نرخ موفقیت از ۹۷٪ (در حالت معلق) به ۸۷٪ (در حالت ایستاده) و در نهایت با اضافه شدن انحراف موقعیت ناوبری به ۳۷٪ کاهش می‌یابد.
• InstructMove: بنچ‌مارکی که طراحی شده تا از اتخاذ «میان‌برهای بصری» توسط مدل‌ها جلوگیری کند. این ابزار نیازمند چندین اقدام امکان‌پذیر در یک صحنه است که تنها یکی از آن‌ها با دستور زبانی مطابقت دارد و بدین ترتیب تشخیص دسته‌بندی، تمایز ویژگی‌ها، استدلال فضایی و برداشتن-و-قرار دادن ترکیبی را تست می‌کند.
• Clinical Simulation: پژوهشگران اکنون می‌توانند یک عکس واحد از اتاق کلینیک را به یک صحنه شبیه‌سازی شده برای تست ربات تبدیل کنند. این سیستم که روی ۳۹ صحنه کلینیک چشم‌پزشکی تأیید شده، مش‌های تجهیزات و پروکسی‌های برخورد را برای محاسبه امکان‌پذیری تماس اضافه می‌کند.
• RoboColiseum: یک پلتفرم ارزیابی شبیه‌سازی جدید از تیمی در شانگهای با شکاف sim-to-real گزارش شده زیر ۱۰ درصد است.

بنچ‌مارک‌های فیزیکی در حال ورزشی‌تر شدن هستند. ربات Tiangong اخیراً رکورد دو ۱۰۰ متر خود را به ۸.۸۶ ثانیه رساند و بیش از نیم ثانیه از رکورد قبلی ۹.۳۹ ثانیه‌ای خود کاست. در کره جنوبی، دولت ابتکار K-Moonshot AI Humanoid را آغاز کرده است. هدف، تولید یک پلتفرم ملی K-humanoid ظرف سه سال، بومی‌سازی مدل‌های AI و قطعات کلیدی است و انتخاب نهایی پلتفرم از سال ۲۰۲۷ آغاز می‌شود.

تحرکات قابل توجه دیگر شامل شرکت Gatik است که دور سرمایه‌گذاری سری D به مبلغ ۲۰۰ میلیون دلار را برای گسترش ناوگان حمل‌ونقل بدون راننده خود بست. این شرکت تاکنون ۸۵,۰۰۰ تحویل کاملاً بدون راننده را برای مشتریانی چون Walmart، Tyson Foods و Loblaws انجام داده است. Gatik بیش از ۶۰۰ میلیون دلار درآمد قراردادی و نرخ تحویل به‌موقع ۹۹ درصدی دارد. در همین حال، Airbound مبلغ ۳۷ میلیون دلار برای پهپادهای VTOL (پرواز عمودی) خود جذب کرد که ۱۳,۰۰۰ پرواز خودکار را در هند، از جمله تحویل نمونه‌های پزشکی برای Narayana Health، انجام داده‌اند و مسیر ۲.۵ مایلی را که از طریق زمینی ۳ تا ۵ ساعت می‌کشید، به حدود ۷ دقیقه کاهش داده‌اند.

سرمایه‌گذاری‌ها در شرکت‌های مدل جهانی و AI تجسم‌یافته ادامه دارد:

• Generalist AI: مبلغ ۲۰۰ میلیون دلار در دور جدیدی به رهبری 8VC جذب کرد، تنها دو ماه پس از دور ۴۰۰ میلیون دلاری در ژوئن. این شرکت اخیراً Gen-1.5 را منتشر کرد که به ربات اجازه می‌دهد یک وظیفه جدید را از طریق یک بار نمایش یاد بگیرد (با میانگین نرخ تکمیل ۵۹٪ در ۱۰ وظیفه نمونه).
• General Intuition: پس از سرمایه‌گذاری‌های Valor و Point72 و تغییر تمرکز به سمت رباتیک، اکنون ارزشی حدود ۶ میلیارد دلار دارد.
• NEC: صندوق Orchestrating Future این شرکت، سرمایه‌گذاری استراتژیکی در Dexmate، سازنده ربات انسان‌نمای VEGA، انجام داده است.
• JAKA Robotics: درآمد نیمه اول سال را ۳۲۰ میلیون یوان گزارش کرد که درآمد بخش AI تجسم‌یافته آن ۴۵ میلیون یوان بود (افزایش ۲۰ برابری نسبت به سال قبل). این شرکت ادعا می‌کند مدل DobotWAM آن به نرخ موفقیت ۹۹.۲۵٪ در LIBERO رسیده است.
• Keenon Robotics: مدل KOM 3.0 را معرفی کرد که یک مدل جهانی فضای نهان را در ربات‌های خدماتی ادغام می‌کند. ربات انسان‌نمای XMAN-R1 این شرکت، جریان‌های کاری خودکار باریستا را در WRC به نمایش گذاشت. این شرکت گزارش داده که مجموع محموله‌هایش از ۱۰۰,۰۰۰ واحد در ۶۰ کشور فراتر رفته است.

اتوماسیون در حال گسترش به سخت‌ترین بخش‌های زنجیره تأمین است. اسناد داخلی نشان می‌دهد Amazon در حال برنامه‌ریزی برای ایستگاه‌های تحویل کاملاً خودکار به نام «Tetromino» است. در حالی که سخنگویان آمازون این ارقام را «غیردقیق» می‌خوانند، اسناد حاکی از یک طرح آزمایشی در سال ۲۰۲۸ با سرمایه‌گذاری ۱۰۳ میلیون دلاری است که احتمالاً از سیستم ذخیره‌سازی و بازیابی پالت Boxbot برای افزایش ۱۰ برابری سرعت بارگیری استفاده می‌کند. آمازون همچنین اشاره کرد که تعداد بازوهای رباتیکش در سال ۲۰۲۶ بیش از دو برابر خواهد شد.

در فضای روبوتاکسی، Waymo شهر مونیخ را به عنوان اولین شهر عرضه خود در اتحادیه اروپا تعیین کرده و شرکت Waymo Germany GmbH را در ژوئن ثبت کرد؛ آماده‌سازی‌های مشابهی در مادرید نیز در جریان است. همزمان، Zoox روبوتاکسی بدون فرمان خود را از لاس‌وگاس به سان‌فرانسیسکو گسترش داد.

برای رهبران کسب‌وکار، ارزش‌گذاری Skild AI ثابت می‌کند که ارزش واقعی در رباتیک از «بدن» به «مغز» منتقل شده است. سخت‌افزار در حال تبدیل شدن به یک کالای عمومی (commoditized) است؛ خندق رقابتی اکنون داده‌هایی است که برای آموزش مدل جهانی استفاده می‌شود. اگر شرکتی بتواند مدلی بسازد که روی هر بدنه‌ی رباتیک کار کند، کل اکوسیستم را کنترل می‌کند.

با این حال، قوانین محتوای داخلی FCC یک اصطکاک خطرناک ایجاد می‌کند. اجبار به تغییر مسیر از محرک‌های چینی بدون داشتن جایگزین آماده آمریکایی، می‌تواند سرعت استقرار را درست در لحظه‌ای که نرم‌افزار آماده مقیاس‌پذیری است، کاهش دهد. صنعت در واقع در رقابتی بین آمادگی نرم‌افزاری و ملی‌گرایی زنجیره تأمین قرار دارد.

منتظر عرضه IRON شرکت XPeng و نهایی شدن قوانین ترافیکی چین باشید. این‌ها تعیین می‌کنند که آیا «لحظه GPT» برای ربات‌ها در انبارها اتفاق می‌افتد یا در دادگاه‌ها متوقف می‌شود.