تصور کنید یک سرآشپز حرفه‌ای در حالی که دوره‌ای از غذاهای خاص را در یک آپارتمان کوچک می‌پزد، دوربین ویژه‌ای روی کلاه بیسبالش نصب کرده است. این صحنه نه یک پروژه هنری و نه یک مزیت لوکس برای مشتری، بلکه یک عملیات هدفمند برای جمع‌آوری داده توسط Shift، بازوی عملیاتی استارتاپ آلمانی Microagi است. طبق گزارش‌های منتشر شده در ۳۰ جولای ۲۰۲۶، این مدل همکاری نشان‌دهنده ترندی جدید و رو به رشد در اقتصاد هوش مصنوعی است: تبادل خدمات تخصصی در برابر داده‌های حرکتی اول‌شخص انسان.
برای درک موضوع، باید دانست که در حالی کهe boom مدل‌های زبانی بزرگ (LLM) بر پایه استخراج متون از سراسر اینترنت بنا شده بود، ربات‌های انسان‌نما برای پیشرفت به «سوخت» متفاوتی نیاز دارند. آن‌ها به داده‌های بصری اول‌شخص (Egocentric Data) — یعنی ویدئوهایی که دقیقاً از زاویه دید انسان ضبط شده‌اند — نیاز دارند تا بفهمند چگونه در یک آشپزخانه ناوبری کنند یا یک چاقو را به درستی به دست بگیرند. برای اینکه یک ربات در محیط خانه واقعاً مفید باشد، باید تسلط و ظرافت یک متخصص را بیاموزد، نه اینکه صرفاً حرکات ابتدایی و ناشیانه یک آماتور را تکرار کند.
شرکت Shift این مدل را با ارائه خدمات رایگان در قطب‌های بزرگ شهری گسترش داده است. در شهر نیویورک، این شرکت خدمات نظافت رایگان را به ساکنانی ارائه کرد که اجازه دادند مراحل انجام وظایفشان ضبط شود. در سان‌فرانسیسکو، برنامه گسترده‌تر شد تا شامل تهیه غذاهای خانگی رایگان نیز بشود. تمام این ضبط‌ها روی گوشی‌های هوشمندی ذخیره می‌شوند که به دوربین‌های نصب‌شده روی سر متصل شده‌اند و هر نکته و ظرافت از جریان کاری یک متخصص را ثبت می‌کنند. این تلاش برای بهینه‌سازی جمع‌آوری داده‌ها در محیط‌های واقعی، مشابه رویکردHARDWARE-centric در پروژه‌های دیگر است؛ برای مثال، پلتفرم Grabette تلاش می‌کند با استفاده از سخت‌افزارهای ارزان‌قیمت، هزینه‌های جمع‌آوری داده‌های رباتیک را کاهش دهد.
تجربه این تبادل داده، ترکیبی از میزبانی گرم و استتیک سایبورگی است. برای مثال، سرآشپزی به نام «اولی» را در نظر بگیرید؛ او پیراهن و شلواری سفید با یک پیش‌بند قهوه‌ای پوشیده بود. روی کلاه بیسبال او، یک دوربین سفید رنگ و بلوکی شکل، تقریباً به اندازه یک GoPro، نصب شده بود. یک سیم سفید از لبه کلاه به پایین کمر او کشیده شده بود تا دوربین را به گوشی هوشمندی که خاطرات تصویری در آن ذخیره می‌شد، متصل کند.
در طول آماده‌سازی این وعده غذایی سه مرحله‌ای، دوربین تمام مراحل کار اولی را ضبط کرد؛ از آماده‌سازی پیش‌غذای «گازپاچو» گرفته تا خرد کردن قارچ‌های ترومپت. وعده اصلی با ماهی سالمون پخته به همراه سس کرمی کدو سبز ادامه یافت و در نهایت با یک دسر تیرامیسو که با دقت و ظرافت تزئین شده بود، به پایان رسید. اما فرآیند ضبط با پایان پخت غذا تمام نشد؛ اولی حتی عمل نظافت و تمیز کردن آشپزخانه را نیز ضبط کرد. این بخش بسیار حیاتی است، زیرا رباتی انسان‌نما که بتواند غذایی در سطح ستاره‌های میشلین بپزد اما قابلمه‌های سوخته و کثیف را در سینک رها کند، کاربرد محدودی در دنیای واقعی خواهد داشت.
برکان کیلیتس (Bercan Kilic)، مدیرعامل Microagi، اعلام کرده است که هدف این پروژه دوگانه است: نخست، قادر ساختن مردم برای مشارکت در اقتصاد هوش مصنوعی و دوم، آماده کردن جامعه برای آینده‌ای که با «فراوانی رباتیک» شناخته می‌شود. او این مأموریت را «دست گرفتن جامعه و دولت‌ها در کنار یکدیگر، از امروز تا رسیدن به دوران فراوانی» توصیف می‌کند.
سازوکارهای فنی و دقیق این جمع‌آوری داده شامل محورهای زیر است:
- ضبط اول‌شخص (Egocentric Recording): استفاده از دوربین‌های نصب‌شده روی سر برای ثبت دقیق هماهنگی چشم و دست از زاویه دید مستقیم انسان.
- کارهای با مهارت بالا (High-Dexterity Tasks): ضبط متخصصانی که حرکات پیچیده انجام می‌دهند (مانند ظرافت‌های لازم برای مهارت‌های کار با چاقو یا استفاده از قیف برای تزئین دسرها) تا اطمینان حاصل شود که ربات‌ها مهارت‌هایی در سطح حرفه‌ای می‌آموزند.
- ناوبری محیطی (Environmental Navigation): نقشه‌برداری از نحوه حرکت انسان‌ها در محیط‌های واقعی و نامرتب خانه — مانند مواجهه با یک فر کثیف و پاک‌نشده — برای بهبود آگاهی فضایی و درک محیطی ربات.
- تنوع مجموعه‌های خدماتی (Diverse Service Sets): گسترش فعالیت‌ها به سایر خدمات رایگان یا تخفیف‌خورده برای به دست آوردن طیف گسترده‌تری از تعاملات انسانی در محیط‌های داخلی.
کیلیتس معتقد است نتیجه این مسیر، ایجاد بازاری خواهد بود که در آن پیمانکاران با ضبط حرکات فیزیکی خود کسب درآمد می‌کنند. او پیش‌بینی می‌کند که تا همین زمان در سال آینده، ربات‌های خانگی با قیمت‌های مناسب در دسترس خواهند بود. اگرچه این ربات‌ها قادر نخواهند بود «همه» کارها را انجام دهند، اما او باور دارد که اکثر وظایف را به خوبی پیش خواهند برد و این مسیر تکاملی را مشابه وضعیت ربات‌های جاروبرقی در سال ۲۰۲۰ می‌داند.
این تغییر به سمت جمع‌آوری داده‌های فیزیکی، مفهوم «اقتصاد گیگی» (Gig Economy) را متحول می‌کند. اکنون کارگران دیگر صرفاً غذا ارسال نمی‌کنند یا تاکسی نمی‌رانند؛ آن‌ها در حال فروش «نقشه‌های مهندسی» تخصص فیزیکی خود هستند. برخی کاربران ده‌ها ساعت را با آیفون‌هایی که به سرشان بسته شده بود، برای استارتاپ‌های مختلف سپری کرده‌اند؛ برای مثال، ضبط کردن عمل هم‌زدن تخم‌مرغ‌ها برای صبحانه برای شرکت DoorDash، یا ثبت حرکات تکراری مانند بستن بند کفش.
با این حال، پرداخت‌های این «داده‌پردازان فیزیکی» اغلب ناچیز و اندک است، زیرا ارزش اصلی و جریان ثروت به سمت لابراتوار‌های هوش مصنوعی می‌رود که مدل‌های نهایی را می‌سازند. برای بسیاری از این افراد، انگیزه اصلی صرفاً کنجکاوی است تا ببینند در «آن سوی دوربین» چه می‌گذرد و چگونه حرکات روزمره آن‌ها می‌تواند برای آموزش یک ماشین به پول تبدیل شود.
اما این مسیر بدون ریسک‌های جدی نیست. یک نقص فنی در جاروبرقی Roomba شاید منجر به پخش کردن مدفوع سگ روی کف زمین شود، اما نقص فنی در یک ربات آشپز نوپا که چاقو در دست دارد، می‌تواند فاجعه‌بار و مرگبار باشد. انتقال از هوش مصنوعی دیجیتال (نرم‌افزاری) به هوش مصنوعی تجسم‌یافته (Embodied AI)، ریسک‌های ایمنی شدیدی را معرفی می‌کند که مدل‌های صرفاً نرم‌افزاری هرگز با آن‌ها مواجه نبودند؛ رباتی که ابزارهای تیز در دست دارد، در صورت بروز خطا، می‌تواند حیوانات خانگی یا انسان‌ها را به خطر بیندازد. این چالش‌های ایمنی در محیط‌های کنترل‌نشده، یادآور تجارب بحث‌برانگیز شرکت Foundation Future در به‌کارگیری ربات‌های نظامی در میدان‌های نبرد اوکراین است که خط‌کشی میان کاربرد مفید و تسلیحات مرگبار را کمرنگ می‌کند.
از نظر اقتصادی نیز، وعده یک «عصر مدینه فاضله از فراوانی» همچنان مورد مناقشه است. در حالی که رباتیک می‌تواند استانداردهای پایه زندگی را بهبود ببخشد، اما ذاتاً شکست‌های ساختاری جامعه را حل نمی‌کند. انقلاب صنعتی جهان را تغییر داد، اما امروز نابرابری ثروت بدتر از هر زمان دیگری است و بی‌خانمانی در ایالات متحده به رکورد‌های تازه‌ای رسیده است. یک انقلاب در رباتیک پتانسیل بهبود شرایط زندگی را دارد، اما لزوماً به معنای حذف فقر نیست.
پذیرندگان اولیه (Early Adopters) که توانایی پرداخت هزاران دلار برای خرید این ربات‌های خانگی در سال آینده را دارند، در واقع از داده‌هایی سود می‌برند که در خانه‌های افرادی جمع‌آوری شده است که یک وعده غذای رایگان را در ازای ضبط حرکاتشان پذیرفته بودند. در حالی که صنعت به سوی آینده‌ای با ربات‌های انسان‌نما حرکت می‌کند، ارزش فضای خصوصی شما تغییر کرده است. آشپزخانه شما دیگر فقط یک اتاق برای پخت‌وپز نیست؛ بلکه یک میدان آموزشی باارزش برای نسل بعدی ماشین‌ها تبدیل شده است.
گام بعدی شما
- اگر متخصص در یک مهارت دستی هستید، منتظر گسترش پلتفرم‌های «خرید داده حرکتی» باشید.
- روندهای مربوط به مدل‌های چندوجهی (Multimodal) را دنبال کنید تا ببینید داده‌های ویدئویی چگونه به دستورات حرکتی تبدیل می‌شوند.
- در مورد حریم خصوصی داده‌های بصری و امنیتی در محیط خانه مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو