تصور کنید یک قرار ملاقات رایگان برای لوله‌کشی یا سیستم‌های گرمایش و سرمایش (HVAC) در واقع یک رویداد جمع‌آوری داده برای نسل بعدی رباتیک باشد. این همان فرض و استراتژی پشت برنامه‌ای است که شرکت HUMXN در ۶ اکتبر ۲۰۲۶ آغاز کرد؛ برنامه‌ای که هزینه بازدیدهای خدماتی واجد شرایط در منازل را در ازای ضبط دقیق مهارت‌های فنی به‌کار رفته در آن پرداخت می‌کند.
چرخش به سمت هوش مصنوعی فیزیکی
این رویکرد نشان‌دهنده یک چرخش بنیادین در صنعت است؛ حرکتی از هوش مصنوعی که بر اساس متون اینترنتی آموزش دیده است، به سمت هوش مصنوعی که از طریق تعاملات فیزیکی یاد می‌گیرد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های چندوجهی (Multimodal Stacks) و توانایی آن‌ها در ایجاد ترجمه بلادرنگ برای ربات‌ها اشاره کردیم، اکنون صنعت با یک کمبود بحرانی در زمینه داده‌های نمایشی (Demonstration Data) باکیفیت از دنیای واقعی مواجه است. در حالی که یک ربات می‌تواند به راحتی یک دفترچه راهنمای فنی را بخواند، اما نمی‌تواند شهود و درک یک تکنسین را هنگام تشخیص نشتی در یک زیرزمین ۱۰۰ ساله به سادگی بیاموزد.
توماس یونیس (Thomas Unise)، بنیان‌گذار این شرکت، خاطرنشان می‌کند که نسل بعدی هوش مصنوعی به چیزی فراتر از تصاویر و متون موجود در اینترنت نیاز دارد. ربات‌ها باید درک کنند که انسان‌های ماهر چگونه با دنیای فیزیکی تعامل می‌کنند. از آنجا که تکنسین‌ها روزانه میلیون‌ها وظیفه فنی را انجام می‌دهند، HUMXN راهکاری ایجاد کرده است تا مالکان خانه‌ها و شرکت‌های خدماتی بتوانند از این تخصص سود مالی ببرند.
شرکت HUMXN برای شروع، سه بازار بزرگ ایالات متحده را هدف قرار داده است: مینیاپولیس، شیکاگو و میامی. این شرکت با ارائه‌دهندگان خدمات محلی همکاری می‌کند تا قرارهای ملاقات رایگانی را در چندین دسته‌بندی ارائه دهد:
- لوله‌کشی و برق‌کاری
- سیستم‌های گرمایش و سرمایش (HVAC) و تمیز کردن کانال‌های هوا
- شست‌وشوی فرش
جزئیات فنی و سازوکارها
در لایه فنی، تکنسین‌ها فناوری‌های ضبطی (Capture Technology) را به تن می‌پوشند که تمام مراحل کار را از زاویه دید اول‌شخص (First-person perspective) مستند می‌کند. این سازوکار به شرکت اجازه می‌دهد تا ادراک انسانی، نحوه انتخاب ابزار و فرآیند حل مسئله را در محیط‌هایی ثبت کند که بازسازی آن‌ها در محیط‌های آزمایشگاهی غیرممکن است. این تلاش برای دیجیتالی کردن مهارت‌های فیزیکی، مشابه رویکرد شرکت‌هایی است که قصد دارند فرآیندهای پیچیده مهندسی را خودکار کنند، مانند استارتاپ Hestus که بر اتوماسیون طراحی مهندسی مکانیک تمرکز دارد.
بر اساس مستندات این برنامه، تمرکز بر سه محور اصلی است:
- فراتر از نتیجه: داده‌ها تنها نتیجه نهایی را ثبت نمی‌کنند، بلکه کل فرآیند را شامل می‌شوند؛ از جمله اینکه تکنسین چه بخش‌هایی را بررسی می‌کند، چه مواردی را تست می‌کند و هنگامی که شرایط محیطی تغییر می‌کند، چگونه واکنش نشان می‌دهد.
- تأییدیه: مجموعه‌داده‌ها شامل این نکته هستند که یک متخصص حرفه‌ای چگونه تشخیص می‌دهد که یک پروژه با موفقیت به پایان رسیده و استاندارد است.
- داده‌های ساختاریافته: شرکت HUMXN این نمایش‌های حرفه‌ای را به مجموعه‌داده‌های ساختاریافته تبدیل می‌کند تا برای سازمان‌های فعال در حوزه هوش مصنوعی و رباتیک قابل استفاده باشد.
انتخاب شهرهایی با اقلیم‌های متنوع و انواع مختلف ساختمان‌ها، برای این است که HUMXN اطمینان حاصل کند هوش مصنوعی با «موارد خاص» (Edge Cases) متنوعی مواجه می‌شود. برای مثال، یک سیستم HVAC در میامی چالش‌های متفاوتی نسبت به سیستم مشابه در مینیاپولیس دارد. به همین ترتیب، یک پروژه لوله‌کشی در یک ملک قدیمی در شیکاگو ممکن است تفاوت‌های اساسی با پروژه‌ای در میامی داشته باشد. این تنوع جغرافیایی از «بیش‌برازش» (Overfitting) هوش مصنوعی به یک محیط واحد جلوگیری می‌کند.
مدل اقتصادی سه طرفه
این استراتژی یک مدل اقتصادی سه طرفه ایجاد کرده است که منبع جدیدی از ارزش را به تراکنش‌های سنتی خدمات خانگی وارد می‌کند:
۱. مالکان خانه‌ها: خدمات واجد شرایط را بدون هیچ هزینه‌ای دریافت می‌کنند.
۲. شرکت‌های خدماتی: بابت کار تخصصی انجام شده توسط تکنسین‌هایشان دستمزد دریافت می‌کنند.
۳. شرکت‌های رباتیک: به مجموعه‌داده‌های کمیاب و ساختاریافته از جریان‌های کاری خبرگان دسترسی پیدا می‌کنند که تأمین آن‌ها از مسیرهای دیگر بسیار دشوار است.
برای خواننده، این اتفاق سیگنالی است برای ورود به فاز جدیدی از اقتصاد هوش مصنوعی که در آن تخصص فیزیکی به یک دارایی نقد (Liquid Asset) تبدیل می‌شود. ما به سمتی می‌رویم که «حافظه عضلانی» یک برق‌کار خبره، به اندازه مخزن کدهای یک برنامه‌نویس ارزش تجاری داشته باشد. اثر مرتبه دوم این روند، پتانسیل اتوماسیون سریع مشاغلی است که پیش از این به دلیل پیچیدگی محیطی، «ضد ربات» تلقی می‌شدند. این تغییر پارادایم در اتوماسیون محیط‌های غیرکنترل‌شده، یادآور استراتژی جسورانه Maven Robotics برای اتوماسیون جابجایی پالت‌ها در محیط‌های صنعتی است.
گسترش در آینده
همزمان با رقابت شرکت‌های رباتیک برای خروج از محیط‌های کنترل‌شده کف کارخانه‌ها، تقاضا برای این «داده‌های دنیای فیزیکی» احتمالاً گسترش خواهد یافت. HUMXN پیش‌بینی می‌کند که این نیاز در چندین حرفه ماهرانه دیگر نیز رشد کند، از جمله:
- ساخت‌وساز
- تولید صنعتی
- لجستیک
- تعمیرات خودرو
باید دید آیا دلالان داده دیگر نیز تلاش می‌کنند خدمات حرفه‌های ماهرانه را سوبسید کنند، یا اینکه صنف‌های حرفه‌ای شروع به درخواست حق امتیاز (Royalties) برای داده‌های تولید شده از تخصص اعضای خود خواهند کرد.
گام بعدی شما
- اگر در حوزه رباتیک فعالیت می‌کنید، مدل‌های آموزش مبتنی بر داده‌های نمایشی (Imitation Learning) را دنبال کنید.
- بررسی کنید آیا ابزارهای ضبط داده‌های محیطی برای بهینه‌سازی فرآیندهای داخلی کسب‌وکارتان کاربرد دارد یا خیر.
- منتظر ظهور «صنف‌های داده» باشید که ممکن است برای تخصص اعضایشان حق امتیاز بخواهند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو