تصور کنید مدیر یک انبار هستید که با ده‌ها ربات و صدها کارگر سر و کار دارید، اما هیچ سیستمی برای هماهنگ کردن آن‌ها ندارید. در این وضعیت، حتی پیشرفته‌ترین ربات‌ها هم تبدیل به موانعی در مسیر تردد می‌شوند، نه ابزاری برای سرعت بخشیدن به کار.
بسیاری از شرکت‌های رباتیک در حال حاضر در رقابتی برای ساخت سریع‌ترین موتورها یا دقیق‌ترین دست‌های انسان‌نما هستند، اما Destro AI روی یک شرط متفاوت شرط‌بندی کرده است: راز موفقیت در رباتیک، نه در سخت‌افزار، بلکه در «هماهنگ‌سازی» (Orchestration) است. این استارتاپ که به‌تازگی از حالت مخفیانه خارج شده، ۸ میلیون دلار سرمایه در مرحله Seed جذب کرده تا لایه‌ای از هوش مصنوعی بسازد که به انسان‌ها و ربات‌ها دقیقاً بگوید کجا باشند و چه کنند.
برای درک بهتر، انبار را مانند یک ارکستر بزرگ تصور کنید؛ در حالی که اکثر شرکت‌ها سعی دارند ویولنی بهتر بسازند، Destro در حال ساختن «رهبر ارکستر» است. این تغییر در تمرکز به آن‌ها اجازه می‌دهد تا بدون اجبار شرکت‌ها به بازسازی کل تأسیساتشان حول یک سخت‌افزار خاص، به‌سادگی در جریان‌های کاری موجود ادغام شوند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، لایه‌های مدیریتی معمولاً نقطه‌ای هستند که بیشترین اصطکاک و در عین حال بیشترین پتانسیل بهینه‌سازی را دارند. این رویکرد یادآور استراتژی استفاده از سوارم‌های هماهنگ در توسعه نرم‌افزار است که نشان می‌دهد مدیریت جمعی ابزارها بسیار کارآمدتر از بهینه‌سازی تک‌تک آن‌هاست.
مانتان پاوار (Manthan Pawar)، بنیان‌گذار شرکت که حدود هشت سال را در صنعت زنجیره تأمین و رباتیک ایالات متحده گذرانده است، معتقد است بسیاری از رقبایش شکست می‌خورند چون توسط مهندسانی هدایت می‌شوند که فقط می‌پرسند «چه چیز باحالی می‌توانم بسازم؟». پاوار که مدرک کارشناسی ارشد رباتیک را از NYU Tandon دریافت کرده، استدلال می‌کند که دلیل پیروزی Destro دقیقاً این است که آن‌ها خود را یک شرکت رباتیک نمی‌دانند.
با تمرکز بر مشکلات واقعی مشتری به‌جای فرم فیزیکی و ظاهر ربات، Destro از هزینه‌های هنگفت تحقیق و توسعه (R&D) مربوط به تولید سخت‌افزار گریخته است. این استراتژی «ناب» (Lean) شرکت را در مسیری قرار داده است که بتواند تا پایان سال جاری میلادی به وضعیت جریان نقدی مثبت (Cash Flow Positive) برسد.
به نقل از گزارش TechCrunch، رویکرد این شرکت در حال حاضر در شرکت Yusen Logistics، غول حمل‌ونقل کره جنوبی، در حال اثبات ارزش خود است. ریچارد برونل، مدیر اتوماسیون در Yusen، اشاره کرد که استارتاپ‌های بزرگ و نام‌دار دیگر به‌دلیل عدم انطباق با جریان کاری واقعی در محیط‌های «کراس-داکینگ» (Cross-docking) شکست خورده‌اند. کراس-داکینگ فرآیند تخلیه کالا از یک کامیون و دسته‌بندی سریع آن‌ها در بارهای ترکیبی برای تحویل نهایی است.
در ابتدا، تمرکز Destro بر روی «برداشت و بسته‌بندی» (Picking and Pack) بود؛ یعنی فرآیند مرتب کردن کالاهای مختلف در بسته‌های تکی. اما پاوار پس از ملاقات با برونل — که مدیریت اتوماسیون حدود ۳۰ مرکز در ایالات متحده را بر عهده دارد — متوجه شد که چالش کراس-داکینگ اساساً همان مشکل قبلی است. در حالی که Yusen در حال حاضر از اتوماسیون‌های ثابت مانند نوار نقاله‌ها و مرتب‌کننده‌ها استفاده می‌کند و ربات‌های تخلیه تریلر و جاروب‌های کف خودکار را آزمایش می‌کند، اما فاقد سیستمی برای مدیریت محیط کراس-داکینگ بود.
Destro این چالش را با استقرار سیستم‌عامل Mothership حل کرد. این سامانه تمام عملیات را مدیریت می‌کند — از هدایت انسان‌ها و چرخ‌دستی‌ها تا مدیریت کامیون‌ها — و ردیابی‌های مبتنی بر کاغذ را حذف کرده و آن‌ها را با یک جریان دیجیتال سیستماتیک جایگزین می‌کند. برای مدیریت حرکت فیزیکی، آن‌ها از سیستم‌عامل Vision استفاده می‌کنند که بر پایه مدل‌های بینایی-زبانی-کنشی (Vision-Language-Action Models) با وزن‌های باز (Open Weights) — شبیه به دستور پختی که علناً منتشر شده تا هر کسی بتواند آن را اجرا کند — برای تفسیر تصاویر دوربین‌ها و کنترل حرکات ربات عمل می‌کند.
جزئیات استقرار این سیستم به شرح زیر است:
- شریک سخت‌افزاری: در اولین مرحله آزمایشی در شمال غرب اقیانوس آرام، از سه ربات جابه‌جا‌کننده متعلق به شرکت Miva Robotics استفاده شد. وظیفه این ربات‌ها یافتن بارهای کاملی است که توسط انسان‌ها تخلیه شده و سپس آن‌ها را به مقصد نهایی برسانند.
- مقیاس فعلی: Destro در حال گسترش این طرح آزمایشی اولیه به یک استقرار کامل با ۲۶ ربات است.
- توسعه: دومین مرحله استقرار با ۱۷ ربات در یکی از تأسیسات Yusen در کالیفرورنیای جنوبی در حال آغاز است.
- سرمایه‌گذاران: این دور از جذب سرمایه Seed توسط Base10 Partners و Bonfire Ventures رهبری شد و CoFound Partners نیز در آن مشارکت داشت.
پیروزی Destro بر رقبایش در نهایت به لایه هماهنگ‌سازی بازمی‌گشت. یکی از رقبای آن‌ها رباتی ارائه داده بود که می‌توانست چرخ‌دستی‌ها را به‌صورت نقطه-به-نقطه جابه‌جا کند، اما قادر به مدیریت فرآیند بارگیری یا تخلیه نبود. رقیبی دیگر ابزارهای مدیریت ناوگان را فراهم کرده بود، اما برای انجام تمام هماهنگی‌ها به یک انسان نیاز داشت. Destro پیروز شد چون هدایت خودکار را در کل فرآیند اعمال کرد.
پاوار معتقد است ربات‌ها و مدل‌های بنیادی (Foundation Models) — مثل زیربنای یک ساختمان که بقیه اجزا روی آن بنا می‌شوند — صرفاً پلتفرم هستند و Destro «هارنس» (Harness) یا چارچوب پیرامون این پلتفرم‌ها را می‌سازد. او ادعا می‌کند که بدون این لایه پیچیده هماهنگ‌سازی، اتوماسیون در این جریان‌های کاری با ارزش بالا غیرممکن است. او قصد دارد این مدل جریان کاری بارگیری کراس-داکینگ را در هزاران انبار دیگر «کپی-پیست» کند.
با این حال، یک مانع بزرگ باقی مانده است: مهارت دست (Dexterity). مدل‌های متن‌باز فعلی و بدن‌های رباتیک عمومی در انجام کارهای پیچیده دست‌کاری (Manipulation) دچار مشکل هستند. هنوز مشخص نیست آیا سازندگان دست‌های فوق‌پیشرفته یا مدل‌های انسان‌نما اجازه می‌دهند شرکتی مثل Destro روی تکنولوژی آن‌ها لایه مدیریتی بسازد، یا اینکه خودشان سعی می‌کنند بازار هماهنگ‌سازی را تصاحب کنند.
برای مدیران انبار، این یعنی عصر «تکنولوژی برای تکنولوژی» به پایان رسیده است. برونل تأکید می‌کند که هنوز کاربرد مناسبی برای ربات‌های انسان‌نمای دوپا پیدا نکرده است، هرچند در حال ارزیابی یک ربات انسان‌نمای چرخ‌دار است. همان‌طور که برونل می‌گوید، اتوماسیون تنها زمانی مفید است که یک مشکل عملیاتی واقعی را حل کند. پیروزی Destro نشان می‌دهد که ارزش واقعی در رباتیکِ هوش مصنوعی، از «فلز» به سمت «مدیریت فرآیند» در حال حرکت است.
حضور Destro در رویداد TechCrunch Disrupt در ماه اکتبر را دنبال کنید؛ جایی که آن‌ها در بخش Battlefield رقابت خواهند کرد تا ثابت کنند مدل «شرکت رباتیکِ غیررباتیک»، مقیاس‌پذیرترین مدل در صنعت لجستیک است.
گام بعدی شما
- اگر در حوزه لجستیک فعال هستید، به‌جای بررسی سخت‌افزارهای تک‌منظوره، روی ابزارهای Orchestration تمرکز کنید.
- مدل‌های Vision-Language-Action را برای درک نحوه تبدیل تصویر به دستور عملیاتی دنبال کنید.
- حضور Destro در رویداد TechCrunch Disrupt در ماه اکتبر را برای مشاهده عملیاتی‌ترین مدل مقیاس‌پذیری در لجستیک رصد کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو