شکاف سخت‌افزاری؛ مانع اصلی تبدیل مدل‌های بنیادی به ربات‌های همه‌منظوره

تصور کنید یک مغز فوق‌هوشمند را در بدنی قرار دهید که حتی نمی‌تواند یک لیوان آب را بدون لرزش بلند کند؛ این دقیقاً وضعیتی است که امروز رباتیک تجربه می‌کند. اگر منتظر لحظه‌ای هستید که یک مدل واحد، تمام ربات‌های جهان را هوشمند کند، باید بدانید که مشکل فعلاً در کدها نیست، بلکه در پیچ و مهره‌هاست.

آمولیا ویشوانات (Amulya Vishwanath)، بنیان‌گذار Techable VC و مدیر سابق بازاریابی محصول در انویدیا (NVIDIA)، در ۱۶ اکتبر ۲۰۲۶ اعلام کرد که این صنعت هنوز در «عصر لگو» قرار دارد. به نقل از او، رباتیک در حال بازسازی قطعات ابتدایی است؛ یعنی چیزهایی مثل استانداردهای ایمنی، دست‌های رباتیک و محرک‌ها (Actuators) — که شبیه ماهیچه‌های مصنوعی هستند و دستورات الکتریکی را به حرکت تبدیل می‌کنند.

این دیدگاه در تضاد با باور رایجی است که می‌گوید یک مدل بنیادی (Foundation Model) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به‌زودی نیاز به ربات‌های تخصصی را از بین می‌برد. در حالی که افرادی مثل پیم دی ویت، مدیرعامل General Intuition، پیش‌بینی می‌کنند که رباتیک به‌زودی «لحظه ChatGPT» خود را تجربه می‌کند، ویشوانات معتقد است شکاف سخت‌افزاری بسیار عمیق‌تر از این حرف‌هاست. این چالش در حوزه‌های دیگر هوش مصنوعی نیز دیده می‌شود؛ برای مثال، در مدل‌های صوتی سازمانی نیز هنوز شکافی میان کیفیت لحن و سرعت استدلال وجود دارد که مانع از رسیدن به یک تحول مشابه ChatGPT شده است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های بینایی دیدیم، تخصص‌گرایی گاهی بر کلی‌گرایی پیروز می‌شود؛ درست مثل مدل Glimpse از شرکت Elorian که با ترفندهای معماری خاص، از مدل‌های کلی مثل GPT-6 پیشی گرفت. در رباتیک هم، نرم‌افزار نمی‌تواند ضعف مکانیک را جبران کند.

طبق گزارش پادکست Equity از تک‌کرانچ (TechCrunch)، استراتژی سرمایه‌گذاری ویشوانات در Techable VC بر تلاقی هوش مصنوعی فیزیکی و سه حوزه متمرکز است:

• سخت‌افزار و نرم‌افزار رباتیک
• علم مواد
• علوم زیستی

او استدلال می‌کند تا زمانی که «قطعات لگو» — یعنی رابط‌های فیزیکی بین هوش مصنوعی و جهان — استاندارد و قابل‌اعتماد نشوند، پیشرفت‌های نرم‌افزاری به سقف می‌رسند. صنعت نمی‌تواند صرفاً با مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور است — به مهارت‌های حرکتی پیچیده دست یابد. در همین راستا، برخی آزمایشگاه‌های پیشرو برای جلوگیری از پیشروی‌های کنترل‌نشده، پیشنهاداتی برای تنظیم سرعت توسعه و نظارت مستقل ارائه داده‌اند تا تعادلی میان نوآوری و ایمنی برقرار شود.

برای سرمایه‌گذاران و بنیان‌گذاران، این یعنی بزرگ‌ترین سودها احتمالاً نه از خودِ مدل‌ها، بلکه از شرکت‌هایی حاصل می‌شود که مشکلات «کسل‌کننده» مثل محرک‌ها و ایمنی را حل می‌کنند. این تغییر مسیر، ارزش افزوده را از آزمایشگاه‌های صرفاً نرم‌افزاری به سمت کسانی می‌برد که علم مواد را با یادگیری ماشین ترکیب می‌کنند.

گام بعدی شما

• به جای دنبال کردن مدل‌های زبانی جدید، پیشرفت‌های حوزه «علم مواد» (Materials Science) را رصد کنید.
• بر روی استانداردهای جهانی ایمنی رباتیک تمرکز کنید تا زمان ورود به بازار را پیش‌بینی کنید.
• بررسی کنید کدام استارتاپ‌ها روی سخت‌افزارهای «ماژولار» کار می‌کنند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک قدرت پردازشی مورد نیاز این بدنه، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.