تصور کنید رباتی را بسازید که می‌داند چگونه یک لیوان را بگیرد، اما در برابر یک تکه یخ لغزنده کاملاً فلج شود. این شکاف میان «دانستن» و «توانستن» در دنیای فیزیکی، دقیقاً همان جایی است که داده‌های آموزشی تمام می‌شوند. «کمبود مطلق داده‌های آموزشی در دنیای واقعی» بحرانی‌ترین محدودیت در مسیر توسعه هوش مصنوعی فیزیکی است.
به گزارش TechCrunch در ۲۷ ژوئیه ۲۰۲۶، شرکت Encord — که یک شرکت ابزارسازی داده است — در حال حاضر در خط مقدم این نبرد در یک انبار در سن لئاندرو فعالیت می‌کند. در این مکان، یک اپراتور انسانی که هدست خوانش امواج مغزی بر سر دارد، با دقت بلوک‌های چوبی را از یک برج جنگا بیرون می‌کشد. این شرکت در حال تغییر استراتژی خود است؛ آن‌ها از مدیریت داده‌های موجود به سمت «تولید» مجموعه‌داده‌های خاصی حرکت می‌کنند که شرکت‌های رباتیک به شدت با کمبود آن‌ها مواجه‌اند.
گلوگاه داده‌های رباتیک
هوش مصنوعی فیزیکی (Physical AI) برخلاف مدل‌های زبانی بزرگ (LLM) — که مانند کتابخانه‌داری هستند که میلیاردها صفحه متن از سراسر اینترنت را خوانده و حالا با همان لحن جواب می‌دهد — هیچ کتابخانه دیجیتالی در این ابعاد ندارد. آموزش یک ربات برای دست‌کاری اشیاء نیازمند داده‌هایی با دقت بسیار بالا (High-fidelity) است که نمی‌توان آن‌ها را از یک وب‌سایت استخراج یا «اسکرپ» کرد. اکثر شرکت‌ها در حال حاضر به داده‌های خودروهای خودران یا ویدیوهای معمولی تکیه می‌کنند، اما این داده‌ها فاقد دقتی هستند که برای انجام وظایف پیچیده مورد نیاز است.
این چالش در حالی رخ می‌دهد که برخی شرکت‌ها برای غلبه بر کمبود داده‌های واقعی، به محیط‌های مجازی روی آورده‌اند؛ برای مثال پروژه Newton با شبیه‌سازی هزاران محیط موازی تلاش می‌کند لایه‌ای از فیزیک را برای هوش مصنوعی فراهم کند.
طبق اعلام وینیت ولموروگان، مدیر یادگیری ربات در Encord و متخصص سابق آزمایشگاه رباتیک OpenAI و شرکت اتوماسیون انبار Berkshire Grey، برای شکستن سد عملکرد فعلی، به مجموعه‌داده‌ای نیاز است که حجمی تقریباً ۵ برابر کل پیکره ویدیوهای یوتیوب داشته باشد. این مقیاس عظیم توضیح می‌دهد که چرا تولید داده از یک مسئله پژوهشی ساده به یک کسب‌وکار مستقل و صنعتی تبدیل شده است.
مدالیته‌های جدید داده
برای پر کردن این شکاف، Encord در حال آزمایش چندین جریان داده‌ای «خودمحور» (Egocentric) و بیولوژیکی است. آن‌ها داده‌های خودمحور را از کارخانه‌های سراسر جهان جمع‌آوری می‌کنند و از مرکز خود در سن لئاندرو برای تست مدالیته‌های جدید و تنظیم دقیق مهارت‌های خاص استفاده می‌کنند:
- یکپارچه‌سازی امواج مغزی: با همکاری استارتاپ علوم اعصاب آلمانی Zander Labs، این شرکت از هدست‌هایی برای اندازه‌گیری فعالیت‌های مغزی استفاده می‌کند. این فناوری به آن‌ها اجازه می‌دهد حالت‌های ذهنی مانند «غافلگیری»، «قصد» و «خطا» را استخراج کنند. لوکاس گهرکه، دانشمند علوم اعصاب در Zander، اشاره می‌کند که اندازه‌گیری فعالیت مغز به سازندگان مدل کمک می‌کند تا تشخیص دهند چه زمانی باید مدل‌های با تلاش بالاتر (Highest-effort models) خود را به کار بگیرند. این مرحله در حال حاضر یک اجرای آزمایشی است تا ارزیابی شود که آیا داده‌های برچسب‌گذاری شده با امواج مغزی واقعاً عملکرد را بهبود می‌بخشند یا خیر، پیش از آنکه این روند در مقیاس بزرگ اجرا شود.
- حسگرهای سیگنال عضلانی: این شرکت در حال توسعه حسگرهای ساعد است که سیگنال‌های الکتریکی عضلات را شناسایی می‌کنند. از آنجایی که ویدیوهای استاندارد اغلب نمی‌توانند کل حرکات دست را به طور کامل ثبت کنند، ولموروگان امیدوار است بر اساس این حسگرها، یک نمایش سه‌بعدی از وضعیت قرارگیری دست بسازد تا درک قوی‌تری از عملیات دست‌کاری اشیاء ایجاد شود.
- سیستم‌های پیشرو-پیرو (Leader-Follower Rigs): در این روش، خلبانان انسانی از بازوهای رباتیک جفت‌شده‌ای استفاده می‌کنند که در آن یک بازو دقیقاً حرکات انسان را تقلید می‌کند. این سیستم برای ثبت داده‌های مربوط به کارهای با دقت بالا استفاده می‌شود؛ کارهایی مانند چیدن چیپس‌های پوکر یا ریختن قهوه از قوری به داخل فنجان، که ولموروگان آن را «بسیار لرزان و دشوار» (Very sloshy) توصیف می‌کند.
تولید صنعتی دقت
مرکز عملیات Encord با طیف متنوعی از اشیاء فیزیکی تجهیز شده است تا ربات‌های دست‌کار (Manipulators) را برای وظایف خانگی و صنعتی آموزش دهد. قفسه‌های ذخیره‌سازی آن‌ها شامل کارتن‌های گل‌های مصنوعی در گلدان، کتاب‌ها، سبزیجات پلاستیکی، کیسه‌ها و دسته‌های سیم، و حتی سینی‌ها و پیمانه‌های خاک گربه است.
در یکی از ایستگاه‌ها، سوفیا اینفانته، یکی از خلبانان، بازوهای رباتیک را هدایت می‌کند تا کابل‌های اترنت را از پشت یک سرور قطع و وصل کند. این دقیقاً همان نوع داده‌های دقیقی است که اپراتورهای مراکز داده برای اتوماسیون به آن نیاز دارند. با این حال، دشواری همچنان زیاد است؛ چرا که گیره‌های رباتیک فاقد درجات آزادی و چابکی انگشتان انسان هستند.
این رویکرد تولید داده‌های دقیق، مکمل تلاش‌هایی است که برای ایجاد مدل‌های جامع‌تر صورت می‌گیرد؛ همان‌طور که مدل LingBot-VLA 2.0 توانست یک مغز واحد را برای کنترل ۲۰ بدنه رباتیک مختلف به کار بگیرد.
این شرکت تنها به ضبط ویدیو اکتفا نمی‌کند، بلکه «برچسب‌گذاری‌های متراکم» (Dense Annotations) ارائه می‌دهد. برای مثال، یک کلیپ با توصیفی فیزیکی مانند «دست راست پیچ را سفت می‌کند» علامت‌گذاری می‌شود تا مدل‌های مبتنی بر LLM بتوانند ماهیت عمل را درک کنند.
اقتصاد هوش مصنوعی فیزیکی
ولموروگان تخمین می‌زند که ارزش این برچسب‌گذاری‌های متراکم برای آموزش وظایف خاص، ۱۰۰ برابر بیشتر از «داده‌های خودمحور بی‌کیفیت» (Junky ego data) است. اما این دقت هزینه‌بر است. در حالی که استخراج داده از وب برای مدل‌های زبانی — مانند جمع‌آوری اطلاعات از سایت Stack Overflow — برای آزمایشگاه‌های پیشرو تقریباً رایگان بود، تولید داده‌های فیزیکی بسیار گران است.
ولموروگان خاطرنشان می‌کند که تولید این داده‌های باکیفیت، تقریباً ۲۰ برابر گران‌تر از جمع‌آوری ساده داده‌ها است. این موضوع باعث یک تغییر بنیادین در اقتصاد ساخت هوش مصنوعی فیزیکی می‌شود؛ داده‌ها دیگر نباید صرفاً «جمع‌آوری» شوند، بلکه باید «تولید صنعتی» شوند.
دیدگاه استراتژیک
با قرار گرفتن در جایگاهی میان ده‌ها شرکت پیشرو در رباتیک — که بسیاری از آن‌ها طبق دستور ولموروگان نام‌برده نمی‌شوند — شرکت Encord می‌تواند روندهای کل صنعت در تکنیک‌های داده را پیش از هر مشتری تک‌نفری شناسایی کند. این موقعیت به آن‌ها اجازه می‌دهد بفهمند کدام مدالیته‌ها در دنیای واقعی واقعاً باعث بهبود عملکرد مدل می‌شوند.
نیروی کار این شرکت در حال رشد است. خلبانانی مانند سوفیا اینفانته و اندرو سجا پیش از این در Scale (یکی دیگر از شرکت‌های برچسب‌گذاری داده‌های AI) کار می‌کردند. سجا که زمانی یک ربات تفکیک زباله را در یک شرکت مدیریت پسماند اداره می‌کرد، اکنون بر چالش روزانه حل وظایف آموزشی برای ربات‌ها تمرکز دارد.
این تغییر نشان می‌دهد که «قانون مقیاس‌پذیری» (Scaling Law) برای رباتیک، مربوط به معماری مدل نیست، بلکه مربوط به صنعتی‌سازی جمع‌آوری داده‌ها است. گلوگاه دیگر «مغز» هوش مصنوعی نیست، بلکه کیفیت نمونه‌هایی است که برای یادگیری در اختیار آن قرار می‌گیرد.
اگر رقابت برای ساخت ربات‌های انسان‌نما (Humanoid) را دنبال می‌کنید، منتظر نتایج آزمایش‌های Zander Labs باشید. موفقیت یا شکست داده‌های برچسب‌گذاری شده با امواج مغزی تعیین خواهد کرد که آیا سیگنال‌های بیولوژیکی به یک الزام استاندارد برای نسل بعدی هوش مصنوعی فیزیکی تبدیل می‌شوند یا خیر.
گام بعدی شما
- نتایج آزمایش‌های Zander Labs را دنبال کنید تا ببینید آیا سیگنال‌های بیولوژیکی به استاندارد جدید آموزش ربات‌ها تبدیل می‌شوند یا خیر.
- اگر در حوزه اتوماسیون صنعتی فعال هستید، روی «تولید داده» به جای «جمع‌آوری داده» تمرکز کنید.
- بررسی کنید که چگونه برچسب‌گذاری متراکم (Dense Annotation) می‌تواند نرخ خطای مدل‌های بینایی-زبانی شما را کاهش دهد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و نقش آن‌ها در استنتاج مدل‌های فیزیکی مراجعه کنید.
گفتگو