تصور کنید می‌خواهید به یک بازوی صنعتی یاد بدهید تا قطعات ریز یک مدار را با دقت میلی‌متری جابه‌جا کند، اما به جای استخدام ده‌ها مهندس زیرساخت، تنها به چند نمونه داده نیاز دارید. این وعدهٔ اصلی Pi است که حالا با عرضه Pi API، پیچیدگی‌های سخت‌افزاری را به یک فرایند نرم‌افزاری تبدیل کرده است.
طبق اعلام این شرکت در ۱۳ اکتبر ۲۰۲۶، Pi API یک درگاه میزبانی‌شده است که تمام مراحل زیرساختی، آموزش و استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آشپز — را برای مدل‌های بنیادی رباتیک مدیریت می‌کند. این ابزار به توسعه‌دهندگان اجازه می‌دهد تا مدل‌های پیشرو رباتیک را با سخت‌افزارهای خاص خود تطبیق دهند، بدون اینکه نیاز باشد خوشه‌های محاسباتی (Compute Clusters) عظیم و گران‌قیمت خودشان را بسازند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی دسترسی مؤسسات ایمنی به مدل‌های پیشرو اشاره کردیم، صنعت هوش مصنوعی به سمتی می‌رود که سیستم‌های قدرتمند به‌جای محیط‌های بسته، از طریق سرویس‌های مدیریت‌شده در دسترس قرار گیرند. این رویکرد مشابه مدل‌های توسعه‌یافته در حوزه‌های مالی است که در آن‌ها ترکیب APIهای هوش مصنوعی با داده‌های تخصصی برای تولید خروجی‌های دقیق و کاربردی به کار می‌رود. برای اکثر شرکت‌ها، مانع اصلی در رباتیک تنها سخت‌افزار نیست؛ بلکه خط لوله عظیم یادگیری ماشین (ML Pipeline) است که برای عملکرد ربات در محیط‌های نامنظم و آشفته دنیای واقعی لازم است.
چالش زیرساخت
استقرار ربات‌ها ذاتاً دشوار است. توسعه‌دهندگان علاوه بر یافتن کاربرد درست و ساخت سخت‌افزار، به مدل‌هایی نیاز دارند که برای انجام وظیفهٔ مورد نظر به اندازه کافی هوشمند باشند. به‌طور سنتی، انطباق مدل‌های بنیادی نیازمند زیرساخت‌های پیچیده یادگیری ماشین، محاسبات عظیم و خط لوله‌های داده‌ای پیچیده است که مدیریت مستقل آن‌ها برای اکثر تیم‌ها بسیار دشوار و هزینه‌بر است.
برای مثال، تصور کنید می‌خواهید به یک ربات یاد بدهید تا یک لباس را تا کند یا یک ماده خاص را با پیمانه بردارد. معمولاً این کار نیازمند تیمی اختصاصی از مهندسان یادگیری ماشین است تا خط لوله‌های داده و خوشه‌های GPU را مدیریت کنند. Pi API این مسیر دشوار را با یک گردش‌کار سه‌مرحله‌ای جایگزین کرده است: ابتدا داده‌های نمایشی (Demonstration Data) را بارگذاری می‌کنید، سپس فرایند تنظیم دقیق (Fine-tuning) را روی محاسبات مدیریت‌شده Pi اجرا می‌کنید و در نهایت، مدل حاصل را از طریق استنتاج میزبانی‌شده (Hosted Inference) اجرا می‌نمایید.
استقرار در دنیای واقعی
به گزارش Pi، این رویکرد از طریق چندین مشارکت اولیه در صنایع مختلف اعتبارسنجی شده است تا اطمینان حاصل شود که API از طیف گسترده‌ای از کاربردها و سخت‌افزارهای رباتیک پشتیبانی می‌کند. این همکاری‌ها به Pi اجازه داد تا عملکرد مدل‌ها را در وظایف مختلف و محیط‌های عملیاتی گوناگون بسنجد:
- Actor: استقرار ماشین‌آلات سنگین خودمختار؛ به‌ویژه یک لودر چرخ‌دار که مواد را جمع‌آوری و در کامیون‌های کمپر تخلیه می‌کند. این عملیات در محیط‌های تجاری و بدون حضور اپراتور انسانی در داخل ماشین انجام شد.
- Almond: استفاده از API برای آموزش Axol، رباتی با دو باز که برای سازندگان هوش مصنوعی فیزیکی طراحی شده است. در یک مورد، این تیم تنها در چهار روز با استفاده از API توانست Axol را برای پرداخت لبه‌های (Deburring) اسپیسرهایی که در مونتاژ خودِ ربات استفاده می‌شدند، آموزش دهد؛ گامی در جهت هدف نهایی یعنی رباتی که خودش را می‌سازد.
این پروژه‌ها در ایالات متحده، ژاپن و سوئیس اجرا شده‌اند. اگرچه اکثر آن‌ها با موفقیت از طریق استنتاج ابری کار کردند، اما Pi اشاره کرد که برخی شرکا در حین استفاده در دنیای واقعی با چالش‌های مربوط به اتصال شبکه (Network Connectivity) مواجه شده‌اند.
حلقه تکرار و خطا
شرکت Pi یک الگوی ثابت در شکست‌های رباتیک شناسایی کرده است: قطعه‌ای در جای اشتباه می‌افتد، لباسی پشت‌ورو می‌شود یا ماده‌ای از پیمانه می‌لغزد. این API دقیقاً برای شتاب‌بخشی به حلقه «جمع‌آوری-آموزش-تست-شکست» طراحی شده است. توسعه‌دهندگان از داده‌های ارزیابی حاصل از شکست‌ها استفاده می‌کنند تا دقیقاً تصمیم بگیرند چه نمونه‌های نمایشی جدیدی را باید جمع‌آوری کنند و سپس فرایند تنظیم دقیق را دوباره اجرا می‌کنند.
این تغییر، گلوگاه را از مدیریت زیرساخت به کیفیت داده‌ها منتقل می‌کند. Pi ادعا می‌کند با ارائه مدل‌های π0 و π0.5 به‌عنوان پایه، مقدار داده و تلاش مورد نیاز برای انطباق با محیط‌های جدید را به‌شدت کاهش داده است. آخرین مدل موجود در API در حال حاضر تنظیم دقیق بهینه‌تری از نظر مصرف داده ارائه می‌دهد و قابلیت‌های بهبودیافته‌ای را برای شرکا فراهم می‌کند.
برای شما به‌عنوان توسعه‌دهنده، این یعنی مسئله «هوش فیزیکی» در حال تبدیل شدن به یک کالای آماده (Commoditized) است. تیم‌های کوچک دیگر نیازی ندارند فیزیک بنیادی حرکت را از صفر حل کنند؛ آن‌ها فقط باید نمونه‌های خاصی از وظیفه‌ای که می‌خواهند حل شود را ارائه دهند.
مقیاس‌بندی هوش فیزیکی
این رویکرد برای سازنده مدل نیز به اندازه کاربر سودمند است. پیاده‌سازی کاربردهای رباتیک در دنیای واقعی آسان نیست؛ tackling ساخت‌وساز رباتیک، جراحی رباتیک یا اتوماسیون انبارها، هر کدام به تنهایی نیازمند تأسیس یک شرکت کامل است. اگر هر کاربرد نیاز به حل مجدد مسئله هوش فیزیکی از نقطه صفر داشته باشد، این چالش‌ها غیرقابل عبور خواهند بود.
با قرار دادن مدل‌ها در معرض طیف وسیعی از وظایف، Pi بازخوردهایی درباره محدودیت‌های مدل‌های فعلی دریافت می‌کند تا از آن‌ها برای طراحی نسل بعدی هوش فیزیکی عمومی استفاده کند. این امر رشد اکوسیستم رباتیک را تسریع کرده و درک Pi از نحوه کاربردی‌تر کردن مدل‌ها در ابعاد گسترده‌تر را افزایش می‌دهد.
چه در حال ساخت یک بازوی تولید تخصصی باشید و چه یک لودر سنگین، تمرکز اکنون روی کیفیت داده‌های نمایشی شماست، نه اندازه رک‌های سرور شما.
توسعه‌دهندگان علاقه‌مند اکنون می‌توانند با ارسال اهداف پروژه خود به Pi، برای دسترسی به نسخه بتا درخواست دهند. علاوه بر این، Pi در حال استخدام نیرو در بخش‌های پژوهش، زیرساخت، سخت‌افزار، مدیریت افراد و عملیات است تا ابزارهای پشت این فناوری را توسعه دهد.
گام بعدی شما
- اگر روی سخت‌افزارهای رباتیک کار می‌کنید، برای دسترسی به نسخه بتا، اهداف پروژه خود را به Pi ارسال کنید.
- روی جمع‌آوری داده‌های نمایشی (Demonstration Data) با کیفیت تمرکز کنید، زیرا این تنها متغیری است که در مدل‌های ابری کنترل می‌کنید.
- مدل‌های π0 و π0.5 را برای شناسایی نقاط ضعف در تسک‌های خاص خود ارزیابی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو