IFR: فروش ۷۰۰۰ ربات انسان‌نما در سال ۲۰۲۵

اگر امروز مدیر یک انبار لجستیکی یا خط تولید هستید، باید بدانید که ربات‌های انسان‌نما از مرحله‌ی «نمایش‌های جذاب آزمایشگاهی» عبور کرده و به یک دارایی صنعتی تبدیل شده‌اند. این تغییر وضعیت با یک عدد مشخص ثبت شد: ۷۰۰۰ واحد فروش جهانی در سال ۲۰۲۵.

فدراسیون بین‌المللی رباتیک (IFR) در سپتامبر ۲۰۲۶ رسماً اعلام کرد که برای نخستین بار در تاریخ ۳۰ ساله‌ی خود، ربات‌های انسان‌نما را به عنوان یک دسته‌بندی آماری مجزا تعریف کرده است. این اقدام نشان می‌دهد که این ماشین‌ها دیگر صرفاً کنجکاوی‌های علمی نیستند، بلکه به یک کلاس دارایی صنعتی تبدیل شده‌اند. با این حال، طبق گزارش IFR، این تعداد هنوز بخش کوچکی از بازار کل است و کمتر از ۲٪ از ۵۴۲ هزار نصب ربات صنعتی در سال ۲۰۲۴ را تشکیل می‌دهد. سوزان بیلر، دبیرکل IFR، در گفتگو با رویترز تأکید کرد که این ربات‌ها هنوز «سهم اندکی» از مجموع جهانی دارند.

بیشتر این فروش‌های اولیه به مؤسسات پژوهشی اختصاص یافته یا برای جمع‌آوری داده‌های هوش مصنوعی زاینده (Generative AI) — شبیه به یک دانشجوی مشتاق که برای یادگیری، هزاران ساعت ویدیو از کارهای روزمره را تماشا می‌کند — استفاده شده‌اند. اگرچه خودروسازان پیشگام پذیرش این فناوری بوده‌اند، اما اکثر کارخانه‌ها در حال حاضر تنها تعداد تک‌رقمی یا دورقمی از این ماشین‌ها را به کار گرفته‌اند. در مقابل، تحلیلگران تحقیقاتی بانک آمریکا تخمین می‌زنند که امسال ۹۰ هزار واحد و تا سال ۲۰۳۰ حدود ۱.۲ میلیون ربات انسان‌نما ارسال شود.

فشار تجاری برای تجاری‌سازی انسان‌نماها

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های بنیادی برای رباتیک اشاره کردیم، شکاف بین سخت‌افزار و نرم‌افزار در حال بسته شدن است. اکنون سخت‌افزارها در دسترس‌تر و تخصصی‌تر شده‌اند. شرکت Zhiyuan Robotics از طریق واحد Qiyuan، در ۲۰ سپتامبر ۲۰۲۶ در شانگهای از ربات‌های شخصی Q1 و T1 رونمایی کرد. سفارشات این ربات‌ها از اول اکتبر ارسال می‌شود. قیمت این مدل‌ها از ۱۹,۹۹۹ یوان برای نسخه‌های استاندارد شروع می‌شود. مدل Q1 یک واحد جمع‌وجور ۸۸ سانتی‌متری با وزن ۱۵ کیلوگرم است که از قطعات ساختاری پوسته به‌صورت متن‌باز (Open-source) بهره می‌برد. مدل T1 تطبیق‌پذیرتر است و می‌تواند بین حالت انسان‌نما با چرخ و حالت چهارپا تغییر وضعیت دهد.

برای نیازهای پیشرفته‌تر، نسخه‌ی Explorer مدل Q1 با قیمت ۲۶,۹۹۹ یوان و نسخه‌ی Pro مدل T1 با قیمت ۲۹,۹۹۹ یوان عرضه شده‌اند. این قیمت‌گذاری آن‌ها را در رقابت مستقیم با R1 شرکت Unitree قرار می‌دهد که قیمت آن از ۲۹,۹۰۰ یوان شروع می‌شود. این رقابت قیمتی در حالی رخ می‌دهد که چالش‌های شدید در دسترسی به داده‌های آموزشی باکیفیت پیش‌تر باعث نوسان در ارزش بازار شرکت Unitree شده بود. تیان هوا، مدیرعامل شرکت، ادعا می‌کند که خط تولید آن‌ها به‌طور متوسط هر ۲.۵ دقیقه یک واحد ارسال می‌کند. شرکت مادر, Sanwei New Materials، در نیمه اول سال ۱۶۴ میلیون یوان در این کسب‌وکار سرمایه‌گذاری کرده و پیش‌پرداخت‌های مشتریان تا کنون به ۲۱۰ میلیون یوان رسیده است.

در بخش صنعتی، شرکت Brilliance Auto اخیراً نخستین واحد «Quantum One» را در شن‌یانگ تحویل داد. این ربات از «مغزی» ساخت AgiBot (برند مصرف‌کننده‌ی Zhiyuan Robotics) استفاده می‌کند. این ربات در حال حاضر در کارخانه‌های تولید صندلی و تریم داخلی برای جمع‌آوری داده‌ها مستقر شده است و توسط تیمی متشکل از بیش از ۲۰۰ برچسب‌گذار (Labeling team) پشتیبانی می‌شود. این تحویل، بیشتر یک نقطه شروع برای شرکت است تا آغاز تولید انبوه.

لجستیک سریع‌ترین نرخ پذیرش را دارد. در کره جنوبی، شرکت CJ Logistics دو ربات انسان‌نما با دو بازو را برای بسته‌بندی مواد ضربه‌گیر در مرکز توزیع Olive Young در استان گیونگی (Yongin) مستقر کرده است. برای مقیاس‌پذیری این روند، CJ با شرکت RLWRLD تفاهم‌نامه‌ای امضا کرد تا مدل‌های بنیادی (Foundation Models) — مثل یک دستورالعمل جامع که ربات را برای هر نوع جابه‌جایی آماده می‌کند — مخصوص وظایفی چون چیدمان (Picking)، مرتب‌سازی و بازرسی کیفیت توسعه دهند. CJ پیش از این در سال گذشته سرمایه‌گذاری مستقیم در سهام RLWRLD انجام داده بود.

پیشرفت‌ها در هوش مصنوعی فیزیکی و کنترل

نرم‌افزارها اکنون در حال حل «گلوگاه‌های» شکست در وظایف طولانی‌مدت هستند. چارچوب جدیدی به نام PARTS (یادگیری تقویتی ربات واقعی روی زیر-وظایف گلوگاهی) نرخ موفقیت ربات Franka را از ۵۰٪ به ۹۵٪ رسانده است. این سیستم با منجمد کردن سیاست پیش‌آموزش‌دیده و آموزش اصلاحات باقی‌مانده تنها روی زیر-وظایف بحرانی با استفاده از یک انتخاب‌گر تولیدشده توسط عامل و یک طبقه‌بندی‌کننده موفقیت، این جهش را ایجاد کرده است. در ربات دو بازوی YAM نیز موفقیت از ۳۲٪ به ۶۱٪ رسید. این روش تنها به چند ده دقیقه اجرای واقعی ربات برای هر وظیفه نیاز دارد و ۲۵ درصد بهتر از روش‌های تنظیم دقیق (Fine-tuning) — شبیه به وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — عمل می‌کند.

پژوهش‌های دیگر بر رفع شکاف بین شبیه‌سازی و واقعیت تمرکز دارند:

• VLA-Feedback: یک مدل VLA مبتنی بر انتشار (Diffusion-based) که آخرین مرحله‌ی حذف نویز را به عنوان یک رابط بازخورد بازطراحی کرده است. این مدل از یک حلقه با فرکانس بالا برای اصلاح تک‌تک اقدامات با استفاده از آخرین مشاهدات، بدون نیاز به اجرای مجدد کل VLM استفاده می‌کند. این رویکرد نرخ موفقیت در وظایف شبیه‌سازی‌شده پویا را از ۲۷.۵٪ به ۸۵٪ و در ربات‌های واقعی از ۵۱٪ به ۷۳٪ رساند.
• AtomEgo: مطالعه‌ای که ۲۶۵۹ ساعت داده را برای تحلیل ترکیب ویدیوهای اول‌شخص انسانی در پیش‌آموزش گردآوری کرد. این تحقیق با مقایسه آموزش مشترک، انتقال پیشرونده و مدل‌سازی مشترک ویدیو-اکشن، نتیجه گرفت که بهبودها تنها در صورتی با حجم داده افزایش می‌یابند که کیفیت همراستاسازی (Alignment) بالا باشد.
• GALA: معرفی نمایش حرکتی یکپارچه (UEMR) که اکشن‌های پنهان بصری را با اکشن‌های پنهان هندسی سه-بعدی مجری (End-effector) ترکیب می‌کند. این امر به مدل اجازه می‌دهد حرکات ظریف در سطح انگشتان را از ویدیوهای بدون برچسب انسانی یاد بگیرد و به ۷۵.۵٪ موفقیت در ربات‌های واقعی و ۶۸.۳٪ در RoboCasa-GR1 برسد.
• MT-WAM: یک مدل جهان-اکشن (World-action model) که مسیرهای نقاط دوبعدی و ویژگی‌های بصری را در حین آموزش برای یادگیری دینامیک پیش‌بینی می‌کند. این مدل به ۹۸.۲٪ موفقیت در LIBERO و ۷۳.۷٪ در LIBERO-Plus رسید (۲۳.۸ درصد بالاتر از Fast-WAM) و موفقیت ربات‌های واقعی را از ۶۷٪ به ۷۷.۸٪ افزایش داد.
• ForceTwin: سیستمی که از یک گیره حسگر نیرو دستی برای شناسایی اینرسی، اصطکاک و دمپینگ جهت ساخت دوقلوهای دیجیتال استفاده می‌کند. با استفاده از یک باقی‌مانده عصبی برای نیروهای وابسته به وضعیت (مانند بسته‌شوندگان درب)، این سیستم به نرخ تکمیل ۸۷٪ در ۹ ترکیب شیء-مجسم بر روی ربات‌های Spot و Franka FR3 رسید که بسیار بیشتر از دوقلوهای صرفاً کینماتیکی (۵۷٪) است.
• SkelWAM: استفاده از نمایش اسکلتی با یک وضعیت مشترک ۲۵-بعدی (خط مرکزی، وضعیت TCP، دستورات گیره). این مدل اجازه می‌دهد مهارت‌های یادگرفته شده توسط Franka به‌صورت Zero-shot به سایر ربات‌ها از طریق رمزگشای محدودیت منتقل شود. در محک LIBERO-Cross10، این مدل به ۴۳.۳٪ موفقیت رسید که ۳۶.۲ درصد بالاتر از قوی‌ترین خط پایه بود.
• LIMBO: رباتی با ۲۹ درجه آزادی (DOF) که یک تابع مانع کنترل وضعیت-اکشن را از داده‌های جعبه-سیاه یاد می‌گیرد. این قابلیت به ربات اجازه می‌دهد بدون نیاز به فیلتر ایمنی آنلاین، از برخورد با توپ‌ها اجتناب کرده یا از زیر میله‌ها خم شود. با تنظیم تمرکز نمونه‌برداری، ربات حتی مانور «تکیه به عقب» برای عبور از زیر موانع را آموخت.

زیرساخت‌ها و سیستم‌های خودگردان

در حوزه زیرساخت، رانندگی خودکار به سمت استانداردهای فدرال می‌رود. NHTSA و SAE ائتلاف ASCEND را برای توسعه استانداردهای عملکردی سیستم‌های رانندگی خودکار راه‌اندازی کردند. قوانین فعلی FMVSS بر اساس خودروهای مسافربری متداول است؛ هدف ASCEND ایجاد قوانینی برای خودروهای بدون فرمان و پدال، مانند Cybercab یا Zoox است. جاناتان موریسون، مدیر حقوقی NHTSA، اشاره کرد که این اقدام می‌تواند مشکل پراکندگی قوانین ایالتی را کاهش دهد.

در بخش سخت‌افزار، شرکت Einride سیستم نسل بعدی رانندگی خودکار خود را بر پایه NVIDIA Drive Hyperion بازسازی می‌کند. این سیستم از تراشه‌های Blackwell برای آموزش مدل و Cosmos برای شبیه‌سازی سناریوها استفاده خواهد کرد. Einride اخیراً یک کامیون L4 بدون کابین را در آلمان با همکاری Lidl عرضه کرده است. این شرکت در حال حاضر چندین صد کامیون الکتریکی را اداره می‌کند و انتظار دارد ناوگانش تا سال ۲۰۲۸ به ۱۵۰۰ تا ۲۰۰۰ خودرو برسد که ۸۰٪ آن‌ها قابلیت اتوماسیون دارند.

در بخش حمل‌ونقل جاده‌ای، Kodiak کامیون‌های بدون راننده خود را از طریق PrePass با سیستم‌های نظارتی جاده‌ای تگزاس و لوئیزیانا یکپارچه کرد. این فرآیند خودکار، نتایج بازرسی پیشرفته را به افسران ارسال می‌کند تا آن‌ها تصمیم بگیرند آیا کامیون می‌تواند از ایست بازرسی عبور کند یا خیر. طبق قوانین CVSA، کامیون‌های بدون راننده باید هر ۲۴ ساعت گواهی عدم نقص ایمنی دریافت کنند. چاس ورستر، مدیر فناوری PrePass، بیان کرد که مانع بعدی برای مقیاس‌پذیری، زیرساخت‌های خارج از خودرو است. هدف Kodiak عملیات تجاری در بزرگراه‌ها تا پایان سال ۲۰۲۶ است. هم‌زمان، شرکت Torc (متعلق به دایملر) تست‌های پذیرش بدون راننده را با سرعت ۱۰۵ کیلومتر بر ساعت (۶۵ مایل) در یک مسیر بسته در تگزاس با موفقیت به پایان رساند. این کامیون از مدل Freightliner Cascadia با سیستم‌های پشتیبان (Redundant) استفاده می‌کرد. پیتر وون اشمیت، مدیرعامل Torc، از «قابلیت اطمینان چشمگیر» خبر داد و هدف تجاری‌سازی را سال ۲۰۲۷ تعیین کرد. این پیشرفت‌ها در مسیر بهینه‌سازی عملیات صنعتی است، مشابه آنچه در بهبود زمان عملیاتی معدن Shougang از طریق کامیون‌های خودران مشاهده شد.

چشم‌انداز سرمایه و زنجیره تأمین

سرمایه‌گذاری‌ها اکنون به سمت «حواس» رباتیک سرازیر شده است. استارتاپ PaXini که در زمینه حسگرهای لمسی فعالیت می‌کند، ثبت برای عرضه اولیه سهام (IPO) را در ۲۰ سپتامبر در اداره نظارت بر اوراق بهادار پکن به پایان رساند. این شرکت با ارزش پس از سرمایه‌گذاری بیش از ۱۰ میلیارد یوان و جذب مجموعاً بیش از ۴ میلیارد یوان، بیش از یک میلیون تراشه حسگر لمسی ارسال کرده است. BYD بزرگ‌ترین سرمایه‌گذار خارجی این شرکت است و این دو در ماه اوت قراردادی برای جمع‌آوری داده‌ها امضا کردند. سایر سهامداران شامل JD.com، TCL و SAIC Motor هستند.

به همین ترتیب، SemiDrive حدود یک میلیارد یوان در دور Series C+ جذب کرد. سرمایه‌گذاران شامل Waldencast Ventures (بنیان‌گذاری شده توسط لیپ-بو تان، مدیرعامل سابق اینتل) و صندوق گروه سرمایه‌گذاری Shaanxi هستند. SemiDrive بیش از ۱۴ میلیون تراشه گرید خودرویی ارسال کرده و پس از دور Series B+ در سال ۲۰۲۴، ۱۴ میلیارد یوان ارزش‌گذاری شد. خطوط تولید R1، D9 و E3-R این شرکت، «مغز، مخچه و مفاصل» هوش مصنوعی تجسم‌یافته (Embodied AI) را پوشش می‌دهند.

سایر جذب‌های سرمایه قابل توجه شامل موارد زیر است:

• Zhongyi Embodied: جذب نزدیک به ۱۰۰ میلیون یوان در دور Angel به رهبری سهامداران Andachi Intelligent. پلتفرم Tiangong این شرکت، ناوگان‌های رباتیک چندبرندی را برای گردشگری و بازرسی مدیریت می‌کند و بیش از ۴۰ تولیدکننده را با سفارشاتی نزدیک به ۱۰۰ میلیون یوان متصل کرده است.
• Fangqi Technology: جذب ده‌ها میلیون یوان در دور Angel با همکاری Tus-Star Ventures. این استارتاپ بنیادگذاری شده در دانشگاه تسینگ‌هوا بر «مدل‌های جهانی معنایی» تمرکز دارد و در چالش کارهای خانگی BEHAVIOR 2026 استنفورد مقام دوم را کسب کرد.

رباتیک تخصصی و استقرار در بازارهای نیچ

اتوماسیون انبارها همچنان در حال گسترش است. Hai Robotics در حال استقرار بیش از ۱۵۰۰ ربات بالارونده HaiPick Climb برای یک خرده‌فروش بزرگ مد در اروپا است. این بزرگ‌ترین استقرار جهانی از این نوع است که از روش چیدمان کالا-به-شخص (Goods-to-person) و ذخیره‌سازی دو-عمقی استفاده می‌کند. Hai Robotics در چشم‌انداز IPO اخیر خود در هنگ‌کنگ، درآمد نیمه اول سال را ۱.۱۱۸ میلیارد یوان گزارش کرد.

در همین حال، سامسونگ یک تیم اختصاصی AX/PI را در واحد فناوری زیرساخت و تولید جهانی بخش DS ایجاد کرده است. این تیم بر رباتیک محیط‌های Fab برای تعمیر و نگهداری تجهیزات تمرکز دارد تا کارهای تکراری را که در حال حاضر توسط کارکنان پیمانکاری انجام می‌شود، جایگزین کند.

در سئول، مهندسان انویدیا ماه آینده در کارخانه داده‌های LG Electronics مستقر می‌شوند. این مرکز توسعه مشترک، داده‌های واقعی و مصنوعی را ترکیب می‌کند تا به ۱۰۰ هزار ساعت داده برای آموزش مدل بنیادی رباتیک LG برسد، با برنامه‌ای برای اجرای چندین صد ربات در محل تا پایان سال.

برای کسانی که بازار سخت‌افزارهای سطح بالا را دنبال می‌کنند، Unitree دستِ مکانیکی Dex5-S را عرضه کرد. این محصول با قیمت ۳۹,۹۰۰ یوان، ۲۲ درجه آزادی، مقیاس ۱:۱ با دست انسان و مفاصل Back-drivable با حفاظت در برابر ضربه را ارائه می‌دهد. این قیمت تقریباً ۴۰٪ قیمت کل ربات G1+ (۹۵,۰۰۰ یوان) است. علاوه بر این، WPG یک طراحی مرجع برای دست مکانیکی بر پایه تراشه‌های NXP را معرفی کرده است.

ابزارها و محک‌های نوظهور

زیرساخت‌های متن‌باز جدید سرعت توسعه را بالا برده‌اند. RPent که توسط دانشگاه تسینگ‌هوا، Infinigence AI و Zhengxing Innovation عرضه شد، از یک مدل بزرگ برای برنامه‌ریزی و VLAها برای اکشن‌های موتور استفاده می‌کند. این سیستم به ۹۲.۶٪ موفقیت در LIBERO-PRO دست یافت و سرعت تکمیل وظایف را ۷ برابر افزایش داد. این ابزار در حال حاضر با ربات‌های Franka، YAM و SO101 یکپارچه شده است. همچنین Unitree وزن‌های مدل UnifoLM-WLA-1.0 را به‌صورت باز منتشر کرد که توانایی تکمیل ۶۴ وظیفه مختلف را نشان داده است.

سایر هایلایت‌های پژوهشی شامل ZYT-World است؛ یک مدل جهانی رانندگی با هفت دوربین که یک معلم ۴۰-مرحله‌ای را به یک تولیدکننده تک-مرحله‌ای تبدیل کرده و سرعت تولید را ۱۰۷.۷ برابر افزایش داده است. در حوزه ایمنی، SafeStage حدود ۹۷ سناریوی ریسک را برای ارزیابی ایمنی در مراحل پیش، حین و پس از اجرا معرفی کرد.

همگرایی سخت‌افزارهای استاندارد، حسگرهای لمسی و یادگیری تقویتی متمرکز بر گلوگاه‌ها نشان می‌دهد که عدد ۷۰۰۰ واحد گزارش شده توسط IFR، کفِ بازار است نه سقف آن. صنعت از آزمایش‌های کلی به سمت استقرار در وظایف خاص حرکت می‌کند.

گزارش کامل داده‌های ربات‌های صنعتی و خدماتی IFR را در ۲۴ سپتامبر دنبال کنید تا جایگاه انسان‌نماها را در برابر کوبات‌ها (Cobots) بسنجید.

گام بعدی شما

• اگر توسعه‌دهنده هستید، مدل‌های باز منتشر شده توسط Unitree را برای تست قابلیت‌های کنترل موتور بررسی کنید.
• برای مدیران عملیاتی، بررسی مدل‌های «تک‌وظیفه‌ای» (Task-specific) به‌جای ربات‌های همه‌کاره، بازگشت سرمایه سریع‌تری دارد.
• گزارش کامل داده‌های ربات‌های صنعتی و خدماتی IFR را در ۲۴ سپتامبر دنبال کنید تا جایگاه انسان‌نماها را در برابر کوبات‌ها (Cobots) بسنجید.

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