تصور کنید می‌خواهید به یک ربات بگویید بشقاب‌ها را کجا بچیند، اما بعد از ۱۵ دقیقه کلنجار با دستورات پیچیده، خسته می‌شوید و ترجیح می‌دهید خودتان این کار را انجام دهید. این همان «شکاف تعامل» است که Enigma قصد دارد با ۷۰ میلیون دلار سرمایه اولیه از میان بردارد. این مبلغ عظیم برای پرداخت هزینه‌های تلاش در جهت رفع اصطکاک بین قصد انسان و اجرای رباتیک اختصاص یافته است. در حالی که اکثر آزمایشگاه‌ها بر ساخت مغزهای رباتیک توانمندتر تمرکز کرده‌اند، این استارتاپ مخفی معتقد است گلوگاه واقعی پیش‌روی ما نه در قدرت پردازش، بلکه در رابط کاربری است. طبق گزارش ۲۷ ژوئیه ۲۰۲۶ از TechCrunch، هدف آن‌ها این است که کنترل یک ربات را به اندازه تنظیم صدای یک رادیو قدیمی، सहज و بصری کند.
برای سال‌ها، صنعت رباتیک به‌دنبال مدل بنیادی (Foundation Model) — شبیه به یک دستورالعمل جامع که ربات با آن هر کاری را یاد می‌گیرد — برای هوش مصنوعی فیزیکی بوده است. این مدل‌ها به گونه‌ای طراحی شده‌اند که بتوانند وظایفی را اجرا کنند که هرگز به‌طور صریح برای آن‌ها آموزش ندیده‌اند. طبق بررسی منابع متعدد، اکثر شرکت‌ها برای رسیدن به این هدف از سه مکانیسم رایج استفاده می‌کنند:
- تحلیل میلیون‌ها ویدیو از وب برای استخراج الگوهای حرکتی.
- اجرای شبیه‌سازی‌های کامپیوتری پیچیده.
- جمع‌آوری داده‌های حرکتی از انسان‌هایی که دستکش‌های مجهز به حسگرهای داخلی می‌پوشند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی چالش‌های استقرار مدل‌های زبانی در دنیای فیزیکی اشاره کردیم، تفاوت بین «توانستن» و «به‌سادگی انجام دادن» بسیار زیاد است. این رویکرد بهینهسازی تعامل، یادآور استراتژی‌های مشابه در مدل‌های زبانی است؛ برای مثال استارتاپ Base44 نیز با توسعه مدل اختصاصی خود تلاش کرد تا هزینه‌های استنتاج را کاهش داده و تجربه کاربری را بهبود ببخشد. جاناتان جکوبی اشاره می‌کند که در حال حاضر همه کاربران حتی با پیشرفته‌ترین مدل‌ها، به این نقطه از سرخوردگی و اعصاب‌خردی می‌رسند. Enigma روی این موضوع شرط بسته است که مسیر پذیرش انبوه ربات‌ها، تنها یک ربات هوشمندتر نیست، بلکه یافتن راهی طبیعی‌تر برای صحبت کردن ما با آن‌هاست.
این شرکت توسط دو بنیان‌گذار، جاناتان جکوبی و گال نیو، هدایت می‌شود. آن‌ها دوستان قدیمی هستند که در نوجوانی در مسابقات هک با یکدیگر آشنا شدند. هر دو عضو سابق واحد ۸۲۰۰ ارتش اسرائیل بودند و در آنجا تحقیقات گسترده‌ای در حوزه امنیت سایبری انجام دادند. جکوبی دارای این افتخار است که جوان‌ترین کارمند تاریخ مایکروسافت باشد، زیرا توسط آساف راپاپورت، بنیان‌گذار Wiz، استخدام شده بود.
نکته جالب این است که نه جکوبی و نه نیو، متخصص رباتیک مادرزاد نبودند. آن‌ها سال گذشته با وجود فقدان تجربه مستقیم در این زمینه وارد این حوزه شدند، زیرا معتقد بودند رباتیک حاوی هیجان‌انگیزترین مسائل حل‌نشده در دنیای فناوری است. این وضعیت «غریبه بودن» در واقع یک دارایی استراتژیک است. شاردول شاه، شریک Index Ventures، ادعا می‌کند که این موضوع به آن‌ها فضای بیشتری برای خلاقیت و اصالت می‌دهد. در حالی کهe insiders یا insiders صنعت ممکن است از مهارت‌های حرکتی یا کنترل از راه دور (teleoperation) شروع کنند، Enigma با این پرسش آغاز می‌کند: «تجربه نهایی کاربر باید چگونه باشد؟»
برای اجرای این استراتژی، آن‌ها تیمی از «باهوش‌ترین دوستانشان» را از اکوسیستم فناوری اسرائیل جمع کردند. این گروه شامل فارغ‌التحصیلان آزمایشگاه‌های برتر AI، برندگان المپیاد ریاضی و افرادی است که متقاعد شدند تا از برنامه‌های دکتری خود انصراف دهند و به این پروژه بپیوندند.
به نقل از مستندات شرکت، Enigma برای یافتن رابط کاربری «کامل»، در ۲۸ ژوئیه ۲۰۲۶ یک آزمایش تعاملی گسترده و جهانی را آغاز می‌کند. این تست عمومی به هر کسی در سراسر جهان اجازه می‌دهد تا به‌صورت آنلاین با بیش از ۱۰۰ ربات اختصاصی تعامل داشته باشد. این ماشین‌ها در hangارهای تخصصی در کالیفرنیا و اسرائیل مستقر شده‌اند.
این ربات‌ها و مدل‌های زیربنایی آن‌ها کاملاً توسط خودِ Enigma از پایه طراحی و توسعه یافته‌اند. برای سنجش انعطاف‌پذیری و تست توانمندی‌ها، ربات‌ها در حال حاضر طیفی از کارهای متنوع را انجام می‌دهند:
- نقاشی کردن تصاویر با استفاده از قلم‌مو.
- شرکت در مسابقات مبارزه با شمشیر علیه یکدیگر.
- انجام آزمایش‌های شیمی ساده از طریق برداشتن و مخلوط کردن ارلن‌های حاوی مایعات.
جکوبی در حال آزمایش چندین مودالیته ارتباطی است تا ببیند کدام‌یک بدون فشارترین حس را منتقل می‌کند. او استدلال می‌کند که اگر کاربران مجبور بودند صدای رادیو را به جای چرخاندن یک دکال، با وارد کردن درصدهای دقیق تنظیم کنند، قطعاً عصبانی می‌شدند. این آزمایش بررسی می‌کند که آیا انسان‌ها روش‌های زیر را ترجیح می‌دهند:
- دستورات متنی یا صوتی ساده.
- نمایش یک نمونه ویدئویی از تکلیف مورد نظر به ربات.
- استفاده از ورودی‌های لمسی مانند ضربه زدن، کشیدن و رها کردن (Drag and Drop).
این مرحله جمع‌آوری داده‌ها صرفاً مربوط به رابط کاربری (UI) نیست؛ بلکه هدف این است که نحوه آموزش مدل‌های بنیادی زیرساختی را تعیین کند. استارتاپ امیدوار است با مشاهده اینکه انسان‌ها دوست دارند چگونه تعامل کنند، راهی برتر برای ساختارمند کردن مغز ربات پیدا کند و رابطی را کشف کند که معادل «دکمه صدای ماشین» در دنیای رباتیک باشد.
از منظر تجاری، این یک بازی پرریسک اما با پاداش بالا است. این دور سرمایه‌گذاری اولیه توسط Index Ventures و Ribbit Capital رهبری شد و سارا گوئو از Conviction Partners نیز در آن مشارکت داشت. این موج سرمایه‌گذاری در استارتاپ‌های زیرساختی هوش مصنوعی، مشابه ورود Venice AI به بازار با ارزش‌گذاری ۱ میلیارد دلاری بود که تمرکز خود را بر حریم خصوصی و دسترسی آزاد گذاشت. هرچول شرکت نقشه راه محصولی دقیقی را افشا نکرده است، اما جکوبی تایید کرد که این استارتاپ هم‌اکنون با شرکت‌هایی در بخش‌های بهداشت و سلامت، لجستیک و سرگرمی در حال همکاری است.
برای یک کاربر متوسط، این تغییر می‌تواند تفاوت بین یک ربات به عنوان ابزار صنعتی خاص و یک لوازم خانگی را رقم بزند. اگر Enigma موفق شود، «شکاف تعامل» — یعنی همان سرخوردگی ناشی از پرامپت‌نویسی دقیق — از بین می‌رود. در این صورت ما از «برنامه‌نویسی» ربات‌ها به سمت «هدایت» ساده آن‌ها حرکت می‌کنیم.
نتایج این آزمایش جهانی را دنبال کنید تا ببینید کدام رابط کاربری به عنوان برنده emerges می‌شود. حیاتی‌ترین شاخص موفقیت این خواهد بود که آیا این کنترل‌های بصری به بهره‌وری واقعی برای شرکای اولیه آن‌ها در حوزه‌های لجستیک و سلامت منجر می‌شود یا خیر.
گام بعدی شما
- نتایج آزمایش جهانی ۲۸ ژوئیه را دنبال کنید تا ببینید کدام متد تعاملی (صوتی، متنی یا لمسی) برنده می‌شود.
- اگر در حوزه لجستیک یا سلامت فعالیت می‌کنید، به دنبال مدل‌های «هدایت‌محور» به‌جای مدل‌های «دستور-محور» باشید.
- بررسی کنید که آیا رابط‌های بصری جدید می‌توانند جایگزین مهندسی پرامپت‌های پیچیده در دنیای فیزیکی شوند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell و پردازش لبه مراجعه کنید.
گفتگو