آموزش ربات‌ها با داده‌های بازی‌های ویدئویی؛ کاهش زمان یادگیری به ۸ دقیقه

تصور کنید رباتی که برای پیمایش در یک دفتر شلوغ و متراکم، تنها به ۸ دقیقه تجربه واقعی نیاز دارد. این جهش خیره‌کننده توسط استارتاپ نیویورکی General Intuition محقق شده است تا ثابت کند صنعت رباتیک در حال رسیدن به «لحظه ChatGPT» خود است.

بیشتر تلاش‌های فعلی در حوزه رباتیک بر محیط‌های خاص و سخت‌افزارهای مجزا متمرکز است. این رویکرد تکه‌تکه‌شده، دقیقاً مشابه روزهای ابتدایی پردازش زبان طبیعی بود، پیش از آنکه GPT-3 مدل‌های همه‌منظوره را معرفی کند. همان‌طور که در تحلیل‌های قبلی ما درباره چالش‌های عامل‌های هوش مصنوعی در اجرای دستورات اشاره کردیم، حرکت به سمت استدلال مکانی-زمانی، در واقع گذار از پردازش متن به درک فیزیکی حرکت است. این رویکرد برای حل بحران کمبود داده‌های واقعی است، مشابه تلاشی که شرکت XDOF برای رفع گلوگاه داده‌های رباتیک در پیش گرفته است.

General Intuition مدل بنیادی (Foundation Model) — شبیه به یک نقشه جامع که مفاهیم کلی دنیا را می‌شناسد تا برای هر کار جدید نیازی به یادگیری از صفر نباشد — خود را با میلیون‌ها ساعت داده‌های بازی‌های ویدئویی آموزش داده است. طبق گزارش TechCrunch در ۸ جولای ۲۰۲۶، این مجموعه داده شامل نقشه‌برداری دقیق از دکمه‌هایی است که انسان‌ها فشار داده‌اند و واکنش متناظر آن‌ها در بازی. این داده‌ها شهود لازم برای درک نحوه حرکت اشیاء در مکان و زمان را فراهم می‌کنند. برای درک عمیق‌تر از این فرآیند، می‌توانید جزئیات معماری تبدیل گیم‌پلی به مهارت رباتیک را مطالعه کنید.

قابلیت‌های کلیدی این مدل عبارتند از:

• اجرای بازی‌های ویدئویی پیچیده برای ساعت‌ها بدون نیاز به دخالت انسان.
• هدایت یک ربات چهارپا تنها با استفاده از یک دوربین رو به جلو.
• پیمایش بدون نیاز به آموزش قبلی (Zero-shot) در اطراف انسان‌ها و اشیاء متحرک در محیط اداری.

شتاب مالی این شرکت با ادعاهای فنی‌اش هم‌جهت است. General Intuition به‌تازگی ۳۲۰ میلیون دلار سرمایه جذب کرده و ارزش آن به ۲.۳ میلیارد دلار رسیده است؛ دور سرمایه‌گذاری‌ای که توسط وینود کوسلا رهبری و توسط جف بزوس حمایت شد. این موفقیت مالی در ادامه جذب سرمایه‌های اولیه برای توسعه مدل‌های دنیای گیمینگ توسط این شرکت صورت می‌گیرد.

برای مالکان کسب‌وکارها و مهندسان، این یعنی هزینه استقرار ربات‌ها به‌شدت کاهش می‌یابد. به‌جای جمع‌آوری میلیون‌ها ساعت داده‌های گران‌قیمت از طریق کنترل از راه دور، شرکت‌ها احتمالاً تنها به چند دقیقه تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه خاص خبره شود — نیاز خواهند داشت. در این مدل، خودِ «مغز» به محصول تبدیل می‌شود که لایه‌ای پایه برای ماشین‌های متنوع است.

این چرخش، عملاً مغز هوش مصنوعی را از بدن ربات جدا می‌کند. General Intuition با ارائه استدلالی کلی درباره فضا، قصد دارد ساخت خودروهای خودران یا دستیارهای انسان‌نما را ۱۰ برابر آسان‌تر کند، زیرا دیگر نیازی به شروع از نقطه صفر نیست.

اگر این فرضیه درست باشد، مزیت رقابتی در رباتیک از کسانی که ربات‌های بیشتری دارند، به کسانی منتقل می‌شود که بهترین مجموعه‌داده‌های مکانی-زمانی را در اختیار دارند. در نتیجه، وابستگی به نمونه‌های اولیه فیزیکی برای مراحل ابتدایی یادگیری به‌طور مداوم کاهش می‌یابد.

گام بعدی شما

• دنبال کردن انتشار نخستین API عمومی یا کیت‌های توسعه‌دهنده شرکت برای سنجش سطح دسترسی به این مدل.
• بررسی متدهای جمع‌آوری داده‌های سنتتیک از شبیه‌سازهای فیزیکی برای کاهش هزینه‌های عملیاتی.
• تحلیل اثر جایگزینی داده‌های واقعی با داده‌های گیمینگ در دقتِ عملیاتی ربات‌های صنعتی.

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