تصور کنید برای آموزش یک ربات در یک بستنی‌فروشی، مجبور باشید ۳۰۰ ساعت وقت صرف مدل‌سازی دستی محیط کنید. شرکت Hesai Group اکنون این بازه زمانی را به تنها ۱۵ دقیقه رسانده است. در ۱۴ اکتبر ۲۰۲۶، این شرکت از Kosmo پرده‌برداری کرد؛ موتور داده‌های دنیای سه‌بعدی که هدفش پر کردن شکاف میان واقعیت فیزیکی و شبیه‌سازی رباتیک است.
چالش هوش مصنوعی فیزیکی
هوش مصنوعی فیزیکی به داده‌هایی نیاز دارد که هم دقیق باشند، هم ارزان و هم در مقیاس بالا در دسترس. سال‌ها بود که توسعه‌دهندگان مجبور بودند بین این سه ویژگی یکی را فدا کنند و اغلب برای دستیابی به دقت، مقیاس‌پذیری را قربانی می‌کردند. شائوچینگ شیانگ (Shaoqing Xiang)، هم‌بنیان‌گذار و مدیر فنی Hesai، اشاره کرد که برطرف کردن هم‌زمان این سه نیاز، یک مشکل همیشگی در این صنعت بوده است. او تأکید کرد که Kosmo دقیقاً برای غلبه بر این چالش طراحی شده است تا تبدیل محیط‌های واقعی به داده‌های قابل آموزش و دارایی‌های قابل ساخت برای سازندگان آسان‌تر شود.
این چالش دقیقاً شبیه همان دشواری است که در حوزه بینایی ماشین برای گذار از تصاویر ایستا به دنیاهای تعاملی می‌بینیم؛ موضوعی که همان‌طور که در تحلیل قبلی ما درباره‌ی AniMix و تبدیل حیوانات واقعی به دارایی‌های دیجیتال اشاره کردیم، محور اصلی پیشرفت‌های اخیر است.
سامانه Kosmo این مشکل را با ترکیب دوربین فضایی Kosmo One و پلتفرم ابری Kosmo World حل می‌کند. سخت‌افزار آن یک دوربین فضایی 8K با تعریف بسیار بالا (Ultra-HD) است که لایدار (Lidar) با وضوح بالا، یک سنسور تصویربرداری یک اینچی و یک واحد اندازه‌گیری اینرسی (IMU) با دقت بالا را یک‌جا دارد. این دوربین هندسه، رنگ و بافت را با همگام‌سازی در سطح میکروثانیه ثبت می‌کند. بر اساس اطلاعات منتشرشده تا اکتبر ۲۰۲۶، Hesai این محصول را به عنوان نخستین دوربین فضایی هوش مصنوعی در جهان معرفی می‌کند که دارای یک سیستم تصویربرداری 8K یکپارچه است.
مشخصات فنی و عملکرد
طبق اعلام Hesai، این سامانه قابلیت‌های زیر را ارائه می‌دهد:
- سرعت اسکن: یک اپراتور واحد می‌تواند فضای داخلی ۱۰۰ متر مربعی را در حدود ۱۵ دقیقه اسکن کند. دوربین قابلیت اسکن فوری پس از روشن شدن، راهنمای هوشمند برای کاربر و امکان بازگشت به اسکن با یک کلیک را ارائه می‌دهد.
- دقت: بازسازی با روش Gaussian Splatting (پاشش گوسی) — شبیه به تبدیل نقاط پراکنده به ابرهای رنگی برای ساخت مدل‌های سه‌بعدی — به دقت میلی‌متری در هندسه می‌رسد و متریال‌ها، نورپردازی و سایه‌ها را با دقت بازتولید می‌کند.
- قدرت پردازش: پلتفرم Kosmo World داده‌های ثبت‌شده را تا ۵ برابر سریع‌تر از محصولات مشابه به مدل‌های سه‌بعدی تبدیل می‌کند، هرچند این سرعت بسته به صحنه و حجم داده‌ها متفاوت است.
- وضوح: در حالی که دوربین با حداکثر کیفیت 8K ثبت می‌کند، حداکثر وضوح خروجی (Export) برای کاربران 6K است.
پلتفرم Kosmo World از یک «هسته فضایی» (Spatial Core) برای تولید هم‌زمان داده‌های پاشش گوسی، مش (Mesh) و عمق در یک صحنه واحد و سازگار استفاده می‌کند. در اینجا هوش مصنوعی زاینده (Generative AI) — مثل نقاشی ماهری که جاهای خالی یک تابلوی ناقص را با دقت پر می‌کند — شکاف‌های احتمالی که از دید اسکنر پنهان مانده را می‌پوشاند و بافت‌ها را بازسازی می‌کند. همچنین قطعه‌بندی معنایی (Semantic Segmentation) اشیاء را به صورت مجزا شناسایی می‌کند. نکته کلیدی این است که پلتفرم می‌تواند زاویه دید را با ویژگی‌های دوربین یک ربات خاص تطبیق دهد تا شکاف «شبیه‌ساز به واقعیت» (Sim-to-Real) کاهش یابد؛ یعنی ربات وقتی از محیط مجازی به اتاق واقعی می‌رود، به دلیل تفاوت در دید، دچار شکست یا سردرگمی نشود.
در یک استقرار واقعی در فروشگاه Dairy Queen، گزارش شده است که نرخ موفقیت ربات Sharpa به ۹۹٪ رسید. نرخ شکست این ربات به یک‌دهم مقادیر قبلی کاهش یافت، زیرا ربات روی یک دوقلوی دیجیتال تقریباً بی‌نقص از فروشگاه واقعی آموزش دیده بود.
فراتر از رباتیک: سینما و نقشه‌برداری
کاربرد این موتور به تولید محتوای سطح بالا و سینمایی هم می‌رسد. در فیلم‌سازی، اسکن، بازسازی و ویرایش یک خیابان اروپایی به وسعت ۱۰ هزار متر مربع با Kosmo یک هفته زمان می‌برد، در حالی که ساخت دکور فیزیکی برای چنین محیطی حدود دو ماه طول می‌کشد. Hesai ادعا می‌کند این روش می‌تواند هزینه‌های کل را تا ۸۰٪ کاهش دهد. برای یک صحنه داخلی ۲۰۰ متر مربعی، تلاش مورد نیاز با Kosmo حدود دو روز-نفر است، در حالی که مدل‌سازی سنتی CG به ۱۴ روز-نفر نیاز دارد.
این رویکرد در کنار ابزارهای جدید تولید ویدیو، استانداردهای بصری را جابه‌جا می‌کند؛ مشابه آنچه در ادغام مدل‌های FLUX و SDXL برای تولید ویدیوهای سینمایی در مرورگر شاهد بودیم که دسترسی به کیفیت‌های بصری بالا را تسهیل کرده است.
این شرکت جریان‌های کاری خود را با رندرکننده RenderMan شرکت پیکسار یکپارچه کرده است و پیکسار در پاسخ، یک آموزش رسمی به همراه منابع قابل دانلود منتشر کرده است. همچنین Hesai با Yuemo Studio برای فیلم‌سازی‌های کمک‌گرفته از هوش مصنوعی همکاری می‌کند تا محیط‌های واقعی ثبت‌شده را با محتوای تولید شده توسط AI ترکیب کند.
در بخش نقشه‌برداری، Hesai با Amap (پلتفرمی با نزدیک به یک میلیارد کاربر فعال ماهانه) شریک شده است. آن‌ها بازسازی‌های موزه‌ی Gravity Art و گالری PIFO را از طریق قابلیت «نمای خیابان پرنده» (Flying Street View) در Amap منتشر کرده‌اند. هدف بلندمدت این است که مسیریابی از «پیدا کردن فروشگاه» به «پیدا کردن یک محصول خاص در داخل آن فروشگاه» تغییر کند.
هوش فضایی و اکوسیستم‌ها
این تغییر به معنای حرکت به سمت «هوش فضایی» (Spatial Intelligence) است. با ارائه موقعیت دقیق دوربین (Pose) و اطلاعات عمق، یک فضای اسکن‌شده می‌تواند بیش از ۱۰ هزار مسیر آموزشی (Trajectory) تولید کند. این یعنی توسعه‌دهندگان با همان هزینه جمع‌آوری یک مسیر واقعی، ۱۰۰ برابر داده باکیفیت‌تر دریافت می‌کنند.
Hesai سامانه Kosmo را به عنوان یک اکوسیستم باز هوش فضایی معرفی کرده است. این شرکت دسترسی به داده‌های خام ثبت‌شده و دارایی‌های سه‌بعدی را فراهم کرده و یکپارچگی با NVIDIA Isaac Sim، Isaac Lab، Unreal Engine، RenderMan و Houdini را ایجاد کرده است. همچنین با TRIC، یکی از شرکای سازمان ملل، برای خلق یک اثر هنری دیجیتال غوطه‌ورکننده از «کلبه کاهگلی دو فو» در چنگدو همکاری می‌کند.
گسترش سخت‌افزاری
تلاش‌های Hesai به داده‌ها ختم نمی‌شود. این شرکت در حال گسترش فعالیت‌های خود به حوزه محرک‌های رباتیک (Actuation) است و ماژول‌هایی تولید می‌کند که نیروی دست رباتیک Sharpa Wave را تأمین می‌کنند. این دست چگالی قدرت سه برابری نسبت به رقبا دارد و در عین حال ۳۷٪ کوچک‌تر است. این ماژول‌ها در حال حاضر بخشی از طراحی مرجع انسان‌نمای Isaac GR00T انویدیا هستند و در دانشگاه‌های استنفورد و برکلی مورد استفاده قرار می‌گیرند.
این پیشرفت در سخت‌افزار، مکمل تکامل حس‌های رباتیک است؛ درست مانند توسعه مدل Neuron AI که حس لامسه و شنوایی را به ربات‌های صنعتی اضافه کرد تا تعامل فیزیکی با محیط دقیق‌تر شود.
تا پایان سه ماهه دوم ۲۰۲۶، تعداد تحویلات تجمعی این ماژول‌های محرک از ۱۰ هزار عدد گذشت. شرکت پیش‌بینی می‌کند که با گسترش تولید از ماژول‌های دست به مفصل‌های کامل بدن، تعداد محموله‌ها در سال ۲۰۲۷ به اعداد شش‌رقمی برسد.
این گسترش پس از یک دهه رشد است که در آن تحویلات لایدار Hesai برای نه سال متوالی دو برابر شده است. ایفان لی (Yifan Li)، مدیرعامل شرکت، موتور داده‌های دنیای سه‌بعدی و موتور حرکتی رباتیک همراه آن را محرک‌های رشد دوم شرکت می‌داند. او می‌گوید: «در دهه گذشته، ماشین‌ها را قادر ساختیم دنیا را ببینند؛ در دهه آینده، ربات‌ها را قادر می‌سازیم دنیا را بفهمند و تغییر دهند.»
برای رهبران کسب‌وکار، این یعنی هزینه «آموزش» یک محیط جدید به ربات در حال سقوط است. مانع اصلی برای استقرار هوش مصنوعی تجسم‌یافته (Embodied AI) دیگر توانایی فیزیکی ربات نیست، بلکه سرعت دیجیتالی کردن دنیایی است که ربات در آن زندگی می‌کند.
گفتگو