تصور کنید رباتی دارید که سخت‌افزار پیشرفتهای دارد اما نمی‌داند چطور یک لیوان آب را بدون شکستن جابه‌جا کند. این دقیقاً همان شکافی است که باعث شد ارزش بازار Unitree، غول رباتیک چین، در هفته‌ای که از عرضه اولیه سهام (IPO) در معادل نزدک چین گذشت، نزدیک به ۵۰ درصد سقوط کند.
این سقوط پس از دوره‌ای از هیجان شدید در میان سرمایه‌گذاران خطرپذیر رخ داد که در آن ارزش این شرکت به اوج ۶۶ میلیارد دلار رسیده بود. به نقل از تحلیلگران وب‌سایت TechCrunch در ۲۶ اوت ۲۰۲۶، دلیل این ریزش یک شکاف حیاتی است: ربات‌ها بدنه و سخت‌افزار فیزیکی را دارند، اما «دانش عملی» یا همان know-how لازم برای انجام کارهای واقعی و ارزش‌آفرین را ندارند.
صنعت رباتیک اکنون سعی دارد همان قوانین مقیاس‌پذیری (Scaling Laws) — یعنی افزایش حجم داده و محاسبات برای رسیدن به هوشمندی — را که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را متحول کرد، در دنیای فیزیکی پیاده کند. همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت گردش‌کارهای Claude 4 و GPT-5 اشاره کردیم، هوش دیجیتال جهش‌های بزرگی داشت، اما انتقال این منطق به یک بدن فیزیکی بسیار دشوارتر است. مشکل اصلی «بحران داده‌های رباتیک» است؛ یعنی داده‌های آموزشی متنوع و باکیفیت برای دست‌ورزی فیزیکی، در مقایسه با تریلیون‌ها توکن متنی که برای مدل‌های زبانی در دسترس است، تقریباً وجود ندارند.
شکاف داده و شبیه‌سازی
در کنفرانس Actuate که هفته گذشته برگزار شد، توسعه‌دهندگان گرد هم آمدند تا درباره زیرساخت‌های لازم برای عبور از این بن‌بست بحث کنند. شرکت Foxglove، که توسط کارکنان سابق Cruise تأسیس شده، گزارش داد که تعداد شرکت‌کنندگان در این رویداد از سال ۲۰۲۳ سه برابر شده و اکنون به ۱,۵۰۰ نفر رسیده است. اجماع سازندگان این است که هوش مصنوعی فیزیکی در حال حاضر در «دوران GPT-2» قرار دارد؛ یعنی نسخه‌ای اولیه که پتانسیل دارد اما هنوز قابل اعتماد نیست و به بلوغ نرسیده است.
هری مل‌سوپ، مؤسس Antioch، استدلال می‌کند که صنعت برای شکستن این سد، به حجم عظیمی از محاسبات و داده نیاز دارد. به‌طور مشخص، این بخش به GPUهایی نیاز دارد که برای رهگیری پرتو (Ray Tracing) بهینه شده باشند تا بتوان شبیه‌سازی‌های بسیار دقیقی ساخت که بتوانند دنیای واقعی را با وفاداری بالا تقلید کنند. بدون این زیرساخت‌ها، یادگیری پایان-به-پایان (End-to-End Learning) برای کارهای خاص، در ارائه عملکرد تجاری قابل‌اعتماد شکست می‌خورد و نمی‌تواند به سطح صنعتی برسد.
غلبه بر بحران داده‌های رباتیک
شرکت‌هایی مانند Avala صراحتاً خود را برای حل این «بحران داده‌های رباتیک» معرفی کرده‌اند. گلوگاه فعلی این است که تلاش‌ها برای ساخت ربات‌های همه‌منظوره که قادر به انجام هر کاری باشند، هنوز بسیار دور از دسترس است. توسعه‌دهندگان اکنون سعی می‌کنند با آزمایش مجموعه‌داده‌های متنوع‌تر و رژیم‌های آموزشی متفاوت، از استراتژی‌های آزمایشگاه‌های پیشرو هوش مصنوعی (Frontier AI Labs) تقلید کنند.
برای پیشرفت، سازندگان بر سناریوهای بهتر یادگیری تقویتی (Reinforcement Learning) تمرکز کرده‌اند. هدف این است که از برنامه‌نویسی سخت و صلب فاصله بگیرند و به سمت مدل‌هایی بروند که بتوانند از تجربه بیاموزند؛ هرچند این کار نیازمند سطح بالایی از تراکم داده‌ای است که صنعت هنوز به آن نرسیده است.
برتری خودروهای خودران
در حال حاضر، خودروهای خودران (AVs) در مسابقه هوش مصنوعی فیزیکی پیشتاز هستند. دلیلش این است که شرکت‌های خودران می‌توانند حجم عظیمی از داده‌ها را از رانندگی واقعی انسان‌ها جمع‌آوری کنند. علاوه بر این، هدف اصلی یک ماشین «اجتناب از برخورد» است که از نظر محاسباتی بسیار ساده‌تر از دست‌ورزی‌های پیچیده و ظریف مورد نیاز برای یک ربات انسان‌نماست.
این برتری باعث شده غول‌های خودران به سمت فرم‌های انسان‌نما بچرخند:
- Tesla از ابزارهای یادگیری ماشین (ML Tooling) خود برای توسعه ربات Optimus استفاده می‌کند.
- Wayve و Uber هر دو آزمایشگاه‌های رباتیک اختصاصی برای تحقیق و توسعه (R&D) در زمینه انسان‌نماها راه‌اندازی کرده‌اند.
- الکس کندال، مدیرعامل Wayve، معتقد است رباتیکِ دست‌ورزی در حال حاضر همان جایی است که خودروهای خودران ۵ سال پیش بودند.
کندال اشاره می‌کند که در حالی که زیرساخت‌های داده، شبیه‌سازی و عملیات یادگیری ماشین (ML Ops) احتمالاً بین خودروها و انسان‌نماها مشترک خواهد بود، اما مدل دنیای (World Model) هر کدام برای شبیه‌ساز، نیاز به آموزش‌های پسینی (Post-training) متفاوتی بر اساس نوع بدنه (Embodiment) دارد. او استدلال می‌کند که هنوز برای متعهد شدن به یک پلتفرم سخت‌افزاری واحد زود است، زیرا حسگرها سریع در حال تکامل هستند و یک مدل عمومی باید نسبت به سخت‌افزار بی‌تفاوت (Agnostic) باقی بماند.
تمرکز عمودی در برابر هوش عمومی
شکافی بین شرکت‌های دنبال‌کننده ربات «همه‌منظوره» و شرکت‌های متمرکز بر حوزه‌های خاص یا عمودی (Vertical) ایجاد شده است. Genesis AI که امسال ۱۰۵ میلیون دلار سرمایه در دور Seed جذب کرد، معتقد است استراتژی «اول مغز» (Brain-first) زودرس است. تئوفیل گروت، مدیرعامل این شرکت، می‌گوید هیچ مشتری‌ای رباتی همه‌منظوره نمی‌خواهد که فقط ۸۰ درصد مواقع درست کار کند.
در مقابل، برخی شرکت‌ها با حل مشکلات صنعتی خاص موفق شده‌اند:
- Gritt ربات‌هایی را برای ساخت نیروگاه‌های خورشیدی مستقر می‌کند.
- Agility بر محیط‌های صنعتی تمرکز دارد.
- Bedrock از بیل‌کننده‌های خودکار برای درک «دست‌ورزی در محیط‌های باز» (Manipulation in the wild) استفاده می‌کند.
کوین پترسون، مدیر فنی Bedrock، اشاره کرد که اگرچه با بیل‌کندن شروع کرده‌اند، اما برنامه بلندمدت آن‌ها توسعه لایه‌ای از هوش است که در مجموعه‌ای از ماشین‌های مختلف ساخت‌وساز کاربرد داشته باشد.
معمای استراتژیک تخصص
این کاربردهای محدود درآمد فوری می‌سازند، اما یک معمای استراتژیک ایجاد می‌کنند. ساخت ابزاری تخصصی با هوشی در سطح GPT-2، ریسک این را دارد که توسط رقیبی که در نهایت مدل عمومی سطح GPT-4 می‌سازد، نابود شود. با این حال، همین استقرارها در محیط واقعی، تنها راه جمع‌آوری داده‌های واقعی است که برای ساخت آن هوش عمومی ضروری است.
داده‌های خاص ممکن است تنوع کافی برای پیشبرد مدل‌های عمومی را نداشته باشند، اما برای ساخت رباتی که واقعاً ارزش ایجاد کند، حیاتی هستند. همان‌طور که گروت اشاره می‌کند، مدل‌های همه‌منظوره به دلیل نبود تمرکز عمودی ارزشی ایجاد نمی‌کنند، اما متخصص‌های محدود هم در صورت وقوع یک جهش در مدل‌های عمومی، با خطر منسوخ شدن روبرو هستند.
مسیر رسیدن به «لحظه ChatGPT»
رهبران صنعت درباره نقطه عطف هوش مصنوعی فیزیکی اختلاف نظر دارند. الکس کندال از Wayve معتقد است «لحظه ChatGPT» یک پیروزی در سطح مصرف‌کننده خواهد بود؛ مثلاً خودرویی با قابلیت خودرانی کامل (Eyes-off autonomy) که سخت‌افزارش کمتر از ۱,۰۰۰ دلار هزینه داشته باشد. او این را فرصتی میلیارد دلاری می‌بیند که در نهایت بودجه ساخت مدل‌های هوش مصنوعی تجسم‌یافته (Embodied AI) را تأمین می‌کند.
تئوفیل گروت این لحظه را «دست‌ورزی آماده‌به‌کار» (Out-of-the-box manipulation) می‌بیند؛ رباتی که بتواند با دستور زبان طبیعی و ۸۰ درصد قابلیت اطمینان، لپ‌تاپی را ببندد، چیزی را هل دهد، بکشد یا میزی را تمیز کند. برای او، این سطح از قابلیت اطمینان در کارهای ساده، معادل تجربه ChatGPT است.
در مقابل، آدریان مک‌نیل، مدیرعامل Foxglove، معتقد است به دلیل دشواری توزیع فیزیکی، هیچ «لحظه» واحدی وجود نخواهد داشت. او اشاره می‌کند ChatGPT در یک هفته از صفر به یک میلیون کاربر رسید، اما توزیع سخت‌افزار در دنیای واقعی بسیار سخت‌تر است. او معتقد است صنعت باید به جای آن، به دنبال «لحظه اپل ۲» یا «آی‌بی‌ام پی‌سی» باشد؛ جایی که یک ربات خانگی مفید به یک محصول بازار انبوه تبدیل شود.
تکامل ابزارها و زیرساخت‌ها
برای شتاب بخشیدن به این روند، Foxglove اخیراً محصولی بر اساس مدل دنیای وزن‌های باز (Open Weights) — یعنی مدل‌هایی که دستور پختشان علناً منتشر شده — به نام Cosmos شرکت انویدیا عرضه کرد. این ابزار به مهندسان اجازه می‌دهد با پرس‌وجوهای متنی (Natural Language Queries)، داده‌های متراکم بصری و لیدار (Lidar) را جست‌وجو کنند و فرآیند تریاژ و عیب‌یابی (Debugging) مدل‌ها را سریع‌تر کنند.
مدیریت این داده‌ها به دلیل حجم بسیار بالای ورودی‌های لیدار و بصری یک چالش بزرگ است. با بهینه‌سازی جست‌وجوی این داده‌ها، Foxglove قصد دارد به سازندگان مدل کمک کند تا سرعت تکرار (Iterate) و بهبود مدل‌ها را بالا ببرند.
در همین حال، استارتاپ‌هایی مانند Perceptron که در نوامبر ۲۰۲۴ توسط دانشمندان سابق Meta تأسیس شد، مدل‌های بینایی پیشرفتهای مثل Isaac 0.5 را برای تعامل kompetentتر ماشین‌ها با محیط عرضه می‌کنند. این اتفاقات با تغییرات گسترده‌تری مثل جذب سرمایه ۱.۴ میلیارد دلاری Skild AI در دور Series C با ارزش‌گذاری ۱۴ میلیارد دلار به رهبری SoftBank هم‌زمان شده است.
این تغییرات نشان می‌دهد در حالی که بازار در حال اصلاح ارزش‌های بیش از حد شرکت‌هایی مثل Unitree است، سرمایه‌گذاری روی «لوله‌کشی‌های» هوش مصنوعی فیزیکی — یعنی داده، شبیه‌سازی و بینایی — در حال شتاب گرفتن است.
گام بعدی شما
- اگر در حوزه رباتیک فعالیت می‌کنید، به جای تمرکز بر مدل‌های همه‌منظوره، روی حل یک مسئله صنعتی خاص (Vertical) تمرکز کنید تا داده‌های واقعی جمع‌آوری کنید.
- ابزارهای تحلیل داده‌های بصری مانند Foxglove را بررسی کنید تا سرعت دیباگ کردن مدل‌های بینایی خود را افزایش دهید.
- پیشرفتهای مدل‌های دنیای باز (World Models) انویدیا را دنبال کنید تا در شبیه‌سازی‌های خود از آن‌ها بهره ببرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell و نقش آن‌ها در شبیه‌سازی‌های فیزیکی مراجعه کنید.
گفتگو