تصور کنید یک بازوی رباتیک تنها با تماشای یک کلیپ کوتاه، یاد بگیرد چگونه زیپ یک کیف را باز کرده و اسکناس‌های داخل آن را بیرون بکشد. این اتفاق بدون هیچ‌گونه آموزش قبلی یا برنامه‌نویسی تخصصی برای آن تسک خاص رخ داده است. این قابلیت، هسته مرکزی فعالیت‌های شرکت Generalist AI است؛ استارتاپی در کمبریج که می‌خواهد به ماشین‌ها حسی شهودی از فیزیک — شبیه به درک طبیعی انسان از محیط — ببخشد.
بیشتر ربات‌های فعلی که توسط هوش مصنوعی هدایت می‌شوند، برای تسلط بر یک کار ساده به هزاران نمونه نیاز دارند. این روش سنتی به‌طور بدنامی ناقص و شکننده است؛ برای مثال، اگر نور محیط تغییر کند یا یک شیء تنها مقدار کمی جابه‌جا شود، سیستم اغلب با شکست مواجه می‌شود. Generalist AI قصد دارد این الگو را با ساخت یک مدل رباتیک جامع بشکند. آن‌ها به‌جای استفاده از مجموعه‌داده‌های محدود و خاص برای هر تسک، مدل خود را روی داده‌های تعامل فیزیکی با کیفیت بالا آموزش می‌دهند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های چندوجهی اشاره کردیم، ادغام بینایی و عمل (Vision-to-Action) کلید خروج هوش مصنوعی از دنیای متن به دنیای ماده است. این رویکرد یادگیری از طریق تصویر، مشابه استراتژی‌های جدید گوگل در تحلیل محتوای ویدئویی است که در آن رونوشت‌های یوتیوب به منبع اصلی پاسخ‌های هوش مصنوعی تبدیل شده‌اند تا درک عمیق‌تری از داده‌های بصری به دست آید.
زمینه و پیشینه شرکت
این شرکت توسط Pete Florence (مدیرعامل)، Andrew Barry (مدیر فنی) و Andy Zeng (دانشمند ارشد) تأسیس شده است. این تیم تجربه‌ای گسترده در Google DeepMind و Boston Dynamics دارند، جایی که پیش از این روی برخی از پیشرفته‌ترین سخت‌افزارها و مدل‌های رباتیک جهان کار کرده‌اند.
طبق گزارشی که توسط Wired در ۱۹ اوت ۲۰۲۶ منتشر شد، این شرکت به‌طور کامل از مدل‌های زبانی متن‌باز دوری کرده است. آن‌ها هوش مصنوعی خود را از صفر می‌سازند تا پیچیدگی‌های دنیای مادی را بهتر مدیریت کنند. تمرکز این رویکرد بر آموزش فیزیک جهان به ربات‌هاست؛ رویکردی که از حس شهودی فیزیکی الهام گرفته است که انسان‌ها از سنین بسیار پایین از خود نشان می‌دهند.
مکانیسم یادگیری
برای جمع‌آوری داده‌های مورد نیاز، این شرکت از یک رویکرد سخت‌افزاری منحصربه‌فرد استفاده می‌کند:
- دستکش‌های انبری (Pincer Gloves): کارکنان دستکش‌های خاصی می‌پوشند که شبیه به گیره‌های رباتیک است و دوربینهای متصل دارد. این شرکت تاکنون چندین صد عدد از این گیره‌ها را برای کارگران در مکزیک و سایر نقاط تولید کرده است.
- انتقال انسان به ربات: این دستکش‌ها نحوه انجام کارهای روزمره توسط انسان‌ها را ثبت می‌کنند و یک کتابخانه عظیم از داده‌های تعامل فیزیکی ایجاد می‌کنند. Karen Liu، متخصص رباتیک در دانشگاه استنفورد، اشاره می‌کند که این روش اجازه می‌دهد داده‌های تعامل فیزیکی در مقیاس بزرگ جمع‌آوری شوند، بدون اینکه این داده‌ها بیش از حد به یک ربات خاص گره بخورند.
- بداهه پردازی صفر-نمونه (Zero-shot): مدل‌ها می‌توانند مهارت‌های آموخته شده را به سناریوهای جدید منتقل کنند. در یک دمو، رباتی که دستور داشت با یک برس چیزی را جارو کند، وقتی برس غایب بود، با استفاده از یک خاک‌روب به‌عنوان ابزاری برای پرتاب کردن اشیاء، بداهه پردازی کرد. در موردی دیگر، وقتی یک موز در مقابل ربات قرار داده شد، ربات تصمیم گرفت از آن برای جمع کردن اشیاء استفاده کند.
جزئیات فنی و مثال‌ها
این ربات‌ها سطحی از سازگاری را نشان می‌دهند که یادآور رفتار یک انسان واقعی است. در یک تست مشخص، یک ربات دو بازو، کلیپی از شخصی را تماشا کرد که زیپ یک کیف را باز می‌کرد تا اسکناس‌ها را خارج کند. ربات با موفقیت توانست زیپ کیفی با مدل و نوع متفاوت را باز کرده و پول‌ها را بیرون بکشد. نکته‌ای که مهندسان حاضر در محل را شگفت‌زده کرد این بود که وقتی ربات در ابتدا در گرفتن پول شکست خورد، به‌طور خودکار برای به‌دست آوردن زاویه حمله بهتر، از گیره راست خود به گیره چپ سوییچ کرد.
عملکرد و بنچمارک‌ها
با وجود دموهای چشمگیر، این فناوری هنوز آماده تولید انبوه و تجاری نیست. شرکت گزارش می‌دهد که مدل‌های آن‌ها در حال حاضر تسک‌های نمایش‌داده‌شده را به‌طور متوسط در ۵۹ درصد مواقع با موفقیت انجام می‌دهند. برای استقرار تجاری در محیط‌های تولیدی یا خانگی، مهندسان معمولاً نرخ موفقیت بالای ۹۹ درصد را هدف قرار می‌دهند.
Danfei Xu، متخصص رباتیک از دانشگاه جورجیا تک، خاطرنشان می‌کند که Generalist AI به این دلیل متمایز است که مدل‌های عمومی رباتیک را تا سرحد نهایی پیش برده و علم را به‌طور موثری اجرا کرده است. او معتقد است که آن‌ها در حال حاضر در میان نزدیک‌ترین شرکت‌ها به داشتن یک محصول تجاری قابل استقرار هستند.
این چرخش به سمت «هوش فیزیکی» یادآور هیجان اولیه پیرامون GPT-3 است؛ مدل زبانی بزرگی که توسط OpenAI در سال ۲۰۲۰ منتشر شد. Pete Florence توضیح می‌دهد همان‌طور که GPT-3 به کاربران اجازه می‌داد برای یک تسک متنی جدید به مدل «پرامپت» بدهند، او می‌خواهد رباتی داشته باشد که بتوان از طریق یک ویدیو، آن را برای انجام یک عمل فیزیکی که هرگز قبلاً ندیده است، «پرامپت» کرد.
برای دنیای کسب‌وکار، این به معنای آینده‌ای است که در آن کف کارخانه‌ها برای هر خط تولید محصول جدید، نیاز به هفته‌ها برنامه‌نویسی مجدد ندارند. در عوض، یک تکنسین می‌تواند به‌سادگی ویدیویی از حرکت درست را ضبط کند و کل ناوگان ربات‌ها فوراً با آن سازگار شوند.
اینکه آیا این مدل‌ها می‌توانند در هر محیط تصورپذیری تعمیم یابند یا خیر، همچنان یک پرسش باز است. با این حال، توانایی رباتی که به‌طور خودبه‌خودی در چیدن لیوان‌ها به یک انسان می‌پیوندد — همان‌طور که در یک ویدیوی داخلی اخیر دیده شد که رباتی در ساختن یک توده مرتب از لیوان‌ها به یک مهندس کمک کرد — نشان‌دهنده جهشی به سمت عامل‌های فیزیکی واقعاً خودمختار است.
منتظر به‌روزرسانی بعدی شرکت درباره بهبود نرخ موفقیت باشید؛ زیرا عبور از مرز ۸۰ درصد، سیگنالی خواهد بود که نشان می‌دهد این ربات‌ها در حال انتقال از آزمایشگاه به انبارها هستند.
گام بعدی شما
- دنبال کردن نرخ موفقیت مدل‌های Generalist AI باشید؛ عبور از مرز ۸۰ درصد سیگنال خروج این ربات‌ها از آزمایشگاه به انبارهاست.
- بررسی مدل‌های Vision-Language-Action (VLA) برای درک نحوه تبدیل پیکسل‌ها به فرمان‌های حرکتی.
- تحلیل اثر جایگزینی برنامه‌نویسی سخت‌افزاری با «آموزش تصویری» در زنجیره تأمین.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو