تصور کنید رباتی را که پیش از رها کردن یک لیوان، دقیقاً پیش‌بینی می‌کند تکه‌های شیشه چگونه روی زمین پخش می‌شوند. این همان جهشی است که Sakana AI با جذب یکی از معماران اصلی هوش مصنوعی مدرن دنبال می‌کند.
در ۲۴ سپتامبر ۲۰۲۶، شرکت Sakana AI رسماً اعلام کرد که یورگن اشمیدهوبر (Jürgen Schmidhuber) را به عنوان مشاور علمی ارشد استخدام کرده است تا مسیر این استارتاپ را به سمت سیستم‌های خودمختار و هوش مصنوعی فیزیکی سوق دهد.
این جابجایی در حالی رخ می‌دهد که صنعت از مدل‌های زبانی صرف به سمت عامل‌هایی حرکت می‌کند که می‌توانند دنیای واقعی را شبیه‌سازی کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تمرکز بر داده‌های ایستا در حال تغییر است. این رویکرد در راستای تلاش‌های گسترده‌تر برای دموکراتیزه کردن هوش مصنوعی است، مشابه آنچه در همکاری موزیلا و Mistral برای آوردن مدل‌های وزن‌باز به مرورگر شاهد بودیم تا دسترسی کاربران به مدل‌های قدرتمند تسهیل شود. اکنون هدف رسیدن به «مدل‌های جهان» است؛ یعنی هوش مصنوعی که قوانین فیزیک را می‌فهمد. این فناوری شبیه به یک شبیه‌ساز ذهنی است که به جای حدس زدن کلمه بعدی، رفتار اشیاء در فضای سه بعدی را پیش‌بینی می‌کند.
به نقل از وب‌سایت the-decoder.com، اشمیدهوبر میراثی از پژوهش‌های بنیادی را با خود می‌آورد که شامل موارد زیر است:
- پایان‌نامه ۱۹۸۷: کارهای اولیه روی یادگیری متا و بهبود بازگشتی (یعنی ماشین‌هایی که یاد می‌گیرند چگونه یاد بگیرند).
- پژوهش‌های ۱۹۹۰-۱۹۹۱: کارهای پیشگامانه در زمینه مدل‌های جهان و تکنیک‌های یادگیری عمیق (Deep Learning) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — که زیربنای انفجار فعلی هوش مصنوعی است.
این تئوری‌ها مستقیماً بر محصولات فعلی Sakana، از جمله Darwin Gödel Machine و The AI Scientist اثر گذاشته است. طبق اعلام شرکت، اشمیدهوبر اکنون مدیریت آزمایشگاه جدید RSI را بر عهده می‌گیرد تا حلقه‌ای از پژوهش‌های خودتقویت‌کننده برای شتاب‌بخشی به هوش ماشین ایجاد کند.
برای دنیای کسب‌وکار، این یک چرخش راهبردی به سمت «هوش مصنوعی فیزیکی» است. هدف دیگر ساخت یک چت‌بات بهتر نیست، بلکه خلق سیستم‌های خودمختاری است که بتوانند با جهان فیزیکی تعامل داشته باشند. Sakana با جمع کردن نخبگان در توکیو، سعی دارد پیشتازی تاریخی ژاپن در رباتیک و شبکه‌های عصبی (Neural Network) را بازپس بگیرد. در این مسیر، رقابت بر سر مالکیت معماران و کدهای منبع شدت یافته است، درست مانند جنجال‌های اخیر پیرامون کپی‌برداری متا از پروژه متن‌باز OpenClaw که نشان‌دهنده حساسیت بالای صنعت بر روی دارایی‌های فکری است.
گام بعدی شما
- خروجی‌های آزمایشگاه RSI را دنبال کنید تا ببینید آیا بهبود بازگشتی می‌تواند سد مقیاس‌پذیری دستی مدل‌ها را بشکند یا خیر.
- بررسی کنید که چگونه مدل‌های جهان (World Models) می‌توانند جایگزین شبیه‌سازهای سنتی در صنعت رباتیک شوند.
- مقالات کلاسیک اشمیدهوبر درباره یادگیری متا را برای درک ریشه‌های هوش مصنوعی خودمختار بازخوانی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو