اگر یک مهندس رباتیک هستید که سال‌ها با مشکل عدم تطابق شبیه‌سازهای آزمایشگاهی با سخت‌افزار واقعی دست‌وپنجه نرم کرده است، خبر امروز برای شماست. در ۸ ژوئیه ۲۰۲۶، شرکت Robbyant از زیرمجموعه Ant Group با انتشار متن‌باز LingBot-VLA 2.0، این شکاف دیرینه را با یک مغز واحد برای ۲۰ بدنه مختلف پر کرد. این مدل توانسته است با بهره‌گیری از یک مجموعه داده عظیم ۶۰,۰۰۰ ساعته، کنترل ۲۰ بدنه رباتیک مختلف را در اختیار بگیرد.
این تحول در حالی رخ می‌دهد که بخش «هوش مصنوعی فیزیکی» (Physical AI) را با تبی شدید مالی روبه‌رو هستیم. در حالی که مدل‌های زبانی بزرگ (LLM) تنها در دنیای دیجیتال حکمرانی می‌کنند، صنعت اکنون در رقابتی شدید برای حل مسئله «تجسم» (Embodiment) است؛ یعنی توانایی هوش مصنوعی برای تعامل با دنیای واقعی بدون اینکه به محض خروج از محیط کنترل‌شده، شکست بخورد. این تلاش‌ها برای جمع‌آوری داده‌های باکیفیت، یادآور سرمایه‌گذاری‌های جسورانه شرکت XDOF برای رفع گلوگاه داده‌های رباتیک است که هدف آن تسریع یادگیری مدل‌ها در محیط‌های واقعی بود. این چرخش تنها در کدها نیست، بلکه در بازار سرمایه نیز دیده می‌شود و شرکت‌ها برای تبدیل شدن به نخستین «سهام‌های هوش مصنوعی فیزیکی» رقابت می‌کنند.
مکانیک LingBot-VLA 2.0
بر اساس مستندات فنی منتشر شده در مقاله arXiv 2607.06403، مدل LingBot-VLA 2.0 یک مدل بنیادی از نوع بینایی-زبانی-کنش (VLA) است. این مدل — که شبیه به یک مترجم همه‌کاره است که هم تصویر را می‌بیند، هم دستور را می‌فهمد و هم می‌داند کدام عضله ربات را تکان دهد — از یک خط لوله داده‌ای تخصصی بهره می‌برد:
- ۶۰ هزار ساعت داده کلی: این حجم عظیم شامل ۵۰ هزار ساعت مسیرهای واقعی ربات‌ها که ۲۰ بدنه مختلف را پوشش می‌دهد و ۱۰ هزار ساعت ویدیوهای اول‌شخص انسانی است که برای ارائه بستر رفتاری به مدل کمک می‌کند.
- کنترل یکپارچه: استفاده از یک فضای کنشی ۵۵ بُعدی که به طور همزمان سر، کمر، پایه متحرک و دست‌های چنگ‌زن (dexterous hands) را کنترل می‌کند.
- رفع شکاف زمانی: برای حل مشکل مزمن صنعت که ربات‌ها «در آزمایشگاه درخشان و در دنیای واقعی ناکام» هستند، تیم سازنده یک متخصص کنشی MoE (ترکیبی از خبره‌ها) بدون اتلاف در سطح توکن و تقطیری دوگانه (dual-query distillation) پیاده‌سازی کرده است. این رویکرد به‌طور خاص شکاف زمانی در پیش‌بینی حرکات آینده را هدف قرار داده است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تکامل مدل‌های چندوجهی اشاره کردیم، ادغام حس‌های مختلف برای رسیدن به عملگرهای دقیق، هدف نهایی این صنعت است.
بحث مدل‌های جهان (World Model)
در همین تاریخ، سیل مقالاتی با موضوع «مدل‌های جهان» در Hugging Face منتشر شد که باعث به راه افتادن یک بحث گسترده در صنعت شد تا مشخص شود آیا این اصطلاح تنها به یک کلمه تبلیغاتی (Buzzword) تبدیل شده است یا خیر.
دستاوردهای علی‌بابا
تیم علی‌بابا به رهبری Haoyu Zhao و همکاران، دو اثر مهم ارائه داد. نخست RynnWorld-4D (arXiv 2607.06559) که استدلال می‌کند داده‌های RGB به تنهایی برای دستکاری رباتیک کافی نیستند. در عوض، آن‌ها مدل‌های RGB، عمق و جریان نوری (RGB-DF) را به‌طور مشترک مدل‌سازی کردند تا دینامیک‌های چهاربعدی را ثبت کنند. این امر به ربات اجازه می‌دهد نه تنها صحنه را شناسایی کند، بلکه پیش‌بینی کند که ساختار سه‌بعدی محیط در حین تعاملات چگونه تکامل می‌یابد (HF↑70).
دومین اثر آن‌ها، RynnWorld-Teleop (arXiv 2607.06558) است که مفهوم «دورکاری دیجیتال» (Digital Teleoperation) را پیشنهاد می‌دهد. آن‌ها با جایگزینی ربات‌های واقعی با یک مدل مولد جهان، جمع‌آوری داده را از محدودیت‌های فیزیکی جدا کردند. این کار مسیر ارزان‌تری برای یادگیری مقیاس‌پذیر ربات‌ها فراهم می‌کند، زیرا دیگر نیازی نیست اپراتور به سخت‌افزار خاصی متصل باشد (HF↑65).
سایر پژوهش‌های مدل جهان
در کنار علی‌بابا، پژوهش‌های متنوع دیگری نیز منتشر شد:
- AlayaWorld: توسعه یافته توسط Kaipeng Zhang و همکاران (arXiv 2607.06291)، بر تولید ویدیوهای «بلندمدت و قابل بازی» برای بازی‌ها و سناریوهای تعاملی تمرکز دارد تا اطمینان حاصل شود که جهان مدل پس از چند ثانیه فرو نمی‌پاشد یا دچار انحراف نمی‌شود (HF↑64).
- MoWorld: مدل فلش شرکت MoxinCore (arXiv 2607.06216) ادعای عملکرد ۵۰ فریم بر ثانیه با هزینه‌ای تقریباً ۷۰٪ کمتر را دارد.
- پیش‌فرض‌های هندسی: پژوهشی در مورد یادگیری پیش‌فرض‌های هندسی ۴ بعدی برای مدل‌های کنش جهان با کارایی استنتاج بالا (arXiv 2607.05468).
- شتاب‌دهنده بدون آموزش: کارهای جدیدی بر روی افزایش سرعت استنتاج بدون نیاز به آموزش مجدد برای مدل‌های VLA تمرکز کرده‌اند (arXiv 2607.06370).
- انتقال بهینه: پژوهش‌های جدید در مورد یادگیری Q-Learning انتقال بهینه برای شتاب‌بخشی به استنتاج و هدایت سیاست‌های جریان (arXiv 2607.06262).
واکنش‌های نظری و انتقادی
وانگ ژونگیوان، رئیس آکادمی هوش مصنوعی پکن (BAAI)، با تأکید بر اینکه «تولید ویدیو برابر با مدل جهان نیست»، این فضا را به چهار دسته تقسیم می‌کند: زبان، پیکسل، سه‌بعدی و بازنمایی بصری. او اشاره می‌کند که بازتولید فیزیک با تولید پیکسل‌های واقع‌گرایانه تفاوت بنیادی دارد.
این دیدگاه توسط Finn Rasmus Schäfer و همکاران (arXiv 2607.05966) تقویت شد. آن‌ها با ارائه یک تجزیه و تحلیل تشخیصی توضیح دادند که چرا آینده‌های تخیلی مدل‌ها شکست می‌خورند. استدلال آن‌ها این است که مدل‌ها آینده را بر اساس «کینماتیک» (اشیاء چگونه باید حرکت کنند) تصور می‌کنند و نه بر اساس «دینامیک» (نیروها چگونه تکامل می‌یابند)، که این امر منجر به انحراف شدید از واقعیت فیزیکی در بازه‌های زمانی بلند می‌شود.
در همین حال، مقاله «تعریف و نقشه راه برای مدل‌های جهان» (arXiv 2607.06401) تلاش می‌کند مرزهای این اصطلاح را در حالی که سرمایه‌گذاران به دنبال آن هستند، مشخص کند. این فشار آکادمیک در میان اختلافات علنی بزرگان صنعت مانند Fei-Fei Li، Yann LeCun و Jensen Huang درباره مسیر حرکت مدل‌های جهان رخ می‌دهد.
سرمایه و تجاری‌سازی
بازارهای مالی به این تغییرات فنی با ارزش‌گذاری‌های تهاجمی و پذیرش‌های سطح بالا در بورس پاسخ داده‌اند.
ورود به بازارهای عمومی
شرکت Momenta با نماد 6880.HK در بورس هنگ‌کنگ پذیرفته شد و تقریباً ۷۵۰ میلیون دلار سرمایه جذب کرد. این عرضه که با عنوان «نخستین سهم هوش مصنوعی فیزیکی» معرفی شد، ۴۱۴ برابر تقاضای بیش از حد داشت و در روز نخست ۳٪ رشد کرد. Cao Xudong، بنیان‌گذار این شرکت، رویکرد خود را به «ساخت موشکی که قبل از رفتن به ماه، قابلیت تولید انبوه داشته باشد» تشبیه کرده و از مدل جهان R7 و روایت «چرخ‌دنده‌ی داده» (Data Flywheel) استفاده می‌کند.
در مقابل، شرکت Reconova که به عنوان «نخستین سهم هوش مصنوعی تجسم‌یافته بصری» شناخته می‌شد، در روز نخست ۳.۰۵٪ پایین‌تر از قیمت عرضه بسته شد و ارزش بازار آن حدود ۵.۵ میلیارد هنگ‌کنگ دلار بود. این نشان می‌دهد بازارهای ثانویه نسبت به برچسب «هوش مصنوعی تجسم‌یافته» محتاطانه‌تر از بازارهای اولیه عمل می‌کنند.
شرکت Easun Zhijia (Eacon)، سازنده کامیون‌های معدنی خودران سطح L4 که توسط CATL حمایت می‌شود نیز در هنگ‌کنگ پذیرفته شد. سهام این شرکت در طول روز تا ۱۴٪ رشد کرد و ارزش بازار آن به حدود ۱۲ میلیارد یوان (۱۳.۵ میلیارد هنگ‌کنگ دلار) رسید. این شرکت که در شانگ‌هانگ استان فوجی‌ان مستقر است، در عملیات معدنی بدون راننده تخصص دارد و کامیون‌های خود را در مقیاس واقعی در معادن به کار گرفته است. با این حال، چشم‌انداز شرکت از زیان‌های انباشته حدود ۱.۲ میلیارد یوان طی سه سال خبر می‌دهد که نشان‌دهنده فاصله زیاد بین عملیات مقیاس‌پذیر و سودآوری است.
دورهای تامین مالی خصوصی
- LimX Dynamics: این شرکت انسانی-رباتیک مستقر در شنژن، نزدیک به ۲۰۰ میلیون دلار در یک دور Pre-IPO جذب کرد. این موفقیت پس از دور Series B در فوریه ۲۰۲۶ با حضور JD.com، SAIC Motor و NIO به دست آمد. محصولات آن‌ها شامل ربات‌های انسان‌نمای اندازه کامل و ربات چندوجهی TRON است.
- Wujie Power: توسط Zhang Yufeng، هم‌بنیان‌گذار Megvii تأسیس شد و در دور Angel بیش از ۲۰۰ میلیون دلار از صندوق‌های وابسته به JD.com، C Capital و Hony Capital جذب کرد. یک دور Pre-A دیگر به مبلغ نزدیک به ۲۰۰ میلیون دلار در حال تکمیل است که مجموع جذب سرمایه در نیمه اول ۲۰۲۶ را به چندین صد میلیون دلار می‌رساند. تمرکز این شرکت بر «مغز همه‌منظوره» برای دستکاری‌های تجسم‌یافته است.
- SIASUN Duoco Robotics: این شرکت هوش مصنوعی صنعتی (بخشی از آکادمی علوم چین) صدها میلیون یوان در دور Series A+ به رهبری Hongtai Fund و CDH Baifu جذب کرد و صندوق Chengtong و Volkswagen JuDing نیز در آن مشارکت داشتند. مزیت رقابتی آن‌ها بیش از یک دهه تجربه صنعتی است و بازوهای رباتیک کنترل‌شده با نیرو (Force-controlled) آن‌ها در سال ۲۰۲۶ در حجم بالا عرضه شده‌اند.
- Queue: مبلغ ۱۲.۶ میلیون دلار برای ساخت «اولین داروخانه رباتیکی کاملاً خودکار جهان» جذب کرد تا کمبود نیروی کار در پر کردن نسخه‌ها را حل کرده و کارایی تحویل دارو را بهبود بخشد.
- Dogtooth (UK): مبلغ ۱۴ میلیون پوند برای خودکارسازی برداشت میوه‌های نرم مانند توت‌فرنگی جذب کرد. این پروژه نیازمند حل همزمان مشکل شناسایی رسیدگی میوه و چنگ‌زدن منعطف و تطبیقی است.
استقرار و زیرساخت
Waymo در حال گسترش جای پای بدون راننده‌ی خود با راه‌اندازی همزمان در سن‌دیگو، لاس‌وگاس، تامپا و دنور است. دسترسی اولیه محدود به کارکنان وایمو است و دسترسی عمومی متعاقب آن خواهد بود. آن‌ها در حال حاضر مدل Hyundai Ioniq 5 را با رانندگان ایمنی تست می‌کنند. در این راستا، تضمین امنیت در محیط‌های باز اهمیت حیاتی دارد، مشابه آنچه در سامانه Halos انویدیا برای ایجاد لایه‌ی ایمنی سخت‌افزاری و نرم‌افزاری روبوتاکسی‌ها مشاهده می‌کنیم.
AgiBot با غول جهانی قطعات خودرو، Aptiv، برای استقرار ۱۰۰ ربات در یکی از کارخانه‌های Aptiv در سال ۲۰۲۶ شریک شده است. این اقدام به عنوان اولین خوشه صنعتی هوش مصنوعی تجسم‌یافته در مقیاس ۱۰۰-واحدی در کشور معرفی شده و هدف آن رسیدن به ۱,۰۰۰ واحد تا سال ۲۰۲۷ است. البته این ارقام در مرحله برنامه‌ریزی و نمایش هستند و نیاز به تایید از طریق تحویل واقعی دارند.
مقیاس صنعتی و موارد استفاده تخصصی
- Midea KUKA قراردادهایی با Winner Medical و Winner Recycling به ارزش بیش از ۳۰۰ میلیون یوان برای خطوط تولید تجهیزات مصرفی پزشکی و مواد بازیافتی منعقد کرد. چنین سفارشات اتوماسیون در مقیاس بزرگ، همچنان قابل‌اعتمادترین منبع جریان نقدی برای رباتیک صنعتی هستند.
- Amazon نسل جدید ربات‌های انبار را با قابلیت شناسایی خودکار بسته‌ها و برنامه توسعه ۱۲ میلیارد دلاری در اروپا با هدف جریان بسته‌های «بدون نیاز به تحویل دستی» رونمایی کرد.
- New Hope Group، conglomeration کشاورزی چین، جایگزینی نیروی انسانی با ربات‌ها برای پرورش خوک‌ها را آغاز کرده است تا در مواجهه با کاهش قیمت گوشت خوک، حاشیه سود خود را حفظ کند.
- BYD رسماً وارد رقابت ربات‌های انسان‌نما شده است. اولین مورد استفاده آن‌ها «دستیار خرید هوشمند در فروشگاه» است که از یکپارچگی عمودی در کنترل موتور و قابلیت‌های زنجیره تأمین بهره می‌برد. این پروژه فعلاً در مرحله برنامه‌ریزی سناریوها و لانچ اولیه است.
بررسی واقع‌بینانه: بنچ‌مارک‌ها و طراحی
با وجود تمام این تبلیغات، توانایی واقعی این ربات‌ها همچنان پایین است. یک بنچ‌مارک جدید به نام RoboDojo (که به «کنکور ورودی تجسم‌یافته» معروف شده) ۳۰ سیاست رباتیک رایج را در ۶۰ تکلیف (۴۲ شبیه‌سازی شده و ۱۸ واقعی) مقایسه کرد. در حالی که انسان‌ها نمره ۱۰۰ گرفتند، قوی‌ترین مدل هوش مصنوعی تنها توانست به نمره ۱۲.۸ برسد که وضعیت واقعی توانمندی‌های تجسم‌یافته را برملا می‌کند.
سایر پیشرفت‌های فنی
- FORGE (arXiv 2607.05780): از استدلال مسیر نقاط کلیدی برای فعال‌سازی «تعمیم عملکردی» استفاده می‌کند. این کار به ربات اجازه می‌دهد از یک کفش یا سنگ به عنوان چکش استفاده کند، زیرا روی «نحوه استفاده» از ابزار تمرکز می‌کند نه روی «ظاهر» آن.
- طراحی لوکوموشن (arXiv 2607.06186): Yan Pan و همکاران، دو بازو را روی ساق‌های یک ربات چهارپا ادغام کردند. این طراحی اجازه می‌دهد وظایف دو-دستی بدون به خطر انداختن پایداری حالت ایستاده (و بدون نیاز به بلند شدن روی دو پا یا تکیه به عقب) انجام شود.
- TAP (دانشگاه فودان و مؤسسه نوآوری شانگهای): مهارت موتوری را از تراز زبانی جدا می‌کند و ربات‌ها را آموزش می‌دهد تا ابتدا «حرکت کنند» و سپس «دستورات را دنبال کنند»، که ثابت شده نرخ موفقیت را افزایش می‌دهد.
- ForesightSafety-VLA: یک بنچ‌مارک تشخیصی ایمنی جدید که ۱۳ دسته ریسک را تعریف می‌کند و نشان می‌دهد بسیاری از مدل‌های VLA در حالی که موفق به نظر می‌رسند، در واقع خطرناک هستند.
- سایر پژوهش‌ها: بنچ‌مارک‌های جدید مانند ThorArena بر تعامل فیزیکی انسان‌نما تمرکز دارند (arXiv 2607.06052)، در حالی که Lift3D-VLA استدلال‌های هندسی سه‌بعدی و دینامیکی را به VLA اضافه می‌کند (arXiv 2607.06564). LAMP بر پیش‌فرض‌های کنشی نهفته برای یادگیری دست‌های چنگ‌زن متمرکز است (arXiv 2607.06323). همچنین گروه Scaramuzza روی این موضوع تحقیق کردند که چرا یادگیری عمیق باعث بهبود Visual SLAM می‌شود (arXiv 2607.06023).
پیامدهای استراتژیک
برای خوانندگان تجاری، حرکت Mistral AI به سمت رباتیک از طریق تصاحب شرکت اتریشی Emmi AI سیگنالی است مبنی بر اینکه آزمایشگاه‌های مدل‌های پیشرو، هوش مصنوعی فیزیکی را دیگر یک رشته جداگانه نمی‌بینند. Mistral در حال ادغام شبیه‌سازی فیزیک و دانش مهندسی در پلتفرم‌هایی برای تولیدات هوافضا، انرژی و ساخت نیمه‌هادی‌ها است.
ما شاهد تغییر از هوش مصنوعی «فقط دیجیتال» به هوش «تجسم‌یافته» هستیم، جایی که مزیت رقابتی در ادغام شبیه‌سازی فیزیک و سخت‌افزار با دقت بالا نهفته است. این روند توسط زنجیره تأمین سخت‌افزاری حمایت می‌شود:
- دست‌های چنگ‌زن (Dexterous Hands): تأمین مالی در سه ماهه اول به نزدیک ۵ میلیارد یوان رسید و پیش‌بینی می‌شود محموله‌های سالانه از ۷۰,۰۰۰ واحد فراتر رود. دقت به ۰.۱ میلی‌متر رسیده و طول عمر آن‌ها از ۱ میلیون چرخه عبور کرده است.
- محاسبات و حسگری: شرکت BIOSTAR مدل EdgeComp MS-NAT4000 را بر اساس NVIDIA Jetson Thor T4000 برای محاسبات داخلی (onboard) عرضه کرد. MIT تراشه‌ای توسعه داد که نقشه‌های سه‌بعدی بلادرنگ را تنها با استفاده از توان مصرفی یک LED می‌سازد. بخش بینایی ماشین OFILM اکنون به‌طور مستقل عمل کرده و به شرکت‌های رباتیکی مانند UBTech و DEEP Robotics خدمات می‌دهد.
- مهاجرت استعدادها: فارغ‌التحصیلان سابق «جوانان نابغه» هواوی، نه شرکت تأسیس کرده‌اند که بیش از ۷.۷ میلیارد یوان جذب کرده‌اند. به‌طور خاص، استارت‌آپ Zhao Lichen هدف خود را «سیستم‌عامل Agentic تجسم‌یافته» قرار داده و در ۶ ماه گذشته با به‌کارگیری سیستم‌های کنترل کیفیت تولید انبوه و چرخ‌دنده‌ی داده‌ی رانندگی خودکار، بیش از ۱ میلیارد یوان جذب کرده است.
در نهایت، نوسان سهام Reconova و نتایج مختلط RoboDojo نشان‌دهنده یک «دره ناامیدی» قریب‌الوقوع است. موفقیت صنعت اکنون به گذار از «درخشش آزمایشگاه» به تحویل خوشه‌های ۱۰۰-واحدی AgiBot و استقرار‌های مقیاس‌پذیر مشابه بستگی دارد.
گام بعدی شما
- اگر توسعه‌دهنده هستید، مستندات LingBot-VLA 2.0 را در GitHub بررسی کنید تا با ساختار VLA آشنا شوید.
- نتایج محک RoboDojo را دنبال کنید تا بفهمید شکاف واقعی بین مدل‌های زبانی و عملگرهای فیزیکی کجاست.
- تحولات سهام شرکت‌های رباتیک در بورس هنگ‌کنگ را رصد کنید تا روند پذیرش تجاری این فناوری را بسنجید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو