پس از چند سال پیشرفت چشمگیر در ساخت ربات‌های انسان‌نما که می‌توانند بدوند، برقصند و حتی پشتک بزنند، شرکت‌های رباتیک چین تمرکز خود را به چالش دشوارتری معطوف کرده‌اند که عبارت است از توسعه‌ی هوش مصنوعی‌ای که بتواند این ماشین‌ها را برای انجام طیف گسترده‌تری از وظایف آماده کند. این مسیر، موجی از سرمایه‌گذاری را در حوزه‌ی «هوش مصنوعی تجسم‌یافته» یا Embodied AI به راه انداخته است تا ربات‌ها برای انجام وظایف جدید در شرایط پیش‌بینی‌نشده توانمند و قابل اطمینان شوند.
طبق گزارش رویترز، داده‌های موسسه‌ی پژوهشی ITjuzi نشان می‌دهند شرکت‌های چینی فعال در زمینه‌ی هوش مصنوعی تجسم‌یافته در نیمه‌ی نخست سال ۲۰۲۶، در مجموع ۹۳٫۵ میلیارد یوان، معادل حدود ۱۳ میلیارد دلار، سرمایه جذب کرده‌اند. این رقم در قالب ۳۲۲ معامله ثبت شده و پنج برابر میزان سرمایه‌گذاری در مدت مشابه سال قبل است. بخش فزاینده‌ای از این سرمایه‌ها به شرکت‌هایی می‌رسد که به‌جای ساخت بدنه و قطعات ربات، بر توسعه‌ی هوش و نرم‌افزار آن تمرکز دارند.
با کاهش قیمت سخت‌افزار و تشدید رقابت میان تولیدکنندگان، برخی فعالان صنعت به این نتیجه رسیده‌اند که مزیت اقتصادی آینده‌ی ربات‌ها نه در بدنه و قطعات آن‌ها، بلکه در هوش مصنوعی فیزیکی خواهد بود که وظایف را به ربات واگذار می‌کند.
در همین زمینه، درموت مک‌گراث، بنیان‌گذار شرکت مشاوره فناوری ZenGen Labs در شانگهای، می‌گوید تولیدکنندگان ربات به این نتیجه رسیده‌اند که حاشیه سود اصلی از مغز ربات به دست خواهد آمد، نه از سخت‌افزار آن.
رقابت چین و آمریکا برای ساخت مغز ربات‌ها
رقابت بر سر هوش ربات‌ها، جبهه‌ی تازه‌ای در رقابت فناورانه میان چین و آمریکا ایجاد کرده است. شرکت‌های آمریکایی در برخی حوزه‌های پیشرفته پژوهش هوش مصنوعی و دسترسی به توان پردازشی قدرتمندتر، همچنان جایگاه برتری دارند. در مقابل، شرکت‌های چینی امیدوارند توان تولید صنعتی، ارتباط نزدیک با کارخانه‌ها و دسترسی به داده‌های حاصل از فعالیت‌های واقعی، به آن‌ها امکان دهد فاصله‌ی خود را با رقبای آمریکایی کاهش دهند.
شرکت‌های آمریکایی Physical Intelligence و Skild AI و Generalist از جمله بازیگرانی هستند که نرم‌افزارهایی برای آموزش مهارت‌های مختلف به ربات‌ها، بدون نیاز به بازآموزی گسترده برای هر وظیفه، توسعه می‌دهند. شرکت Generalist اعلام کرده است مدل GEN-1.5 آن پس از مشاهده‌ی یک نمایش کوتاه به مدت ۳ تا ۱۲ ثانیه، می‌تواند حدود ۶۰ درصد از وظایف ساده را انجام دهد.
در چین نیز شرکت X Square پژوهش‌هایی منتشر کرده است که نشان می‌دهد ربات‌های این شرکت می‌توانند مهارت‌های مربوط به جابه‌جایی و کار با اشیا را فقط از مشاهده‌ی یک ویدیوی انسانی بیاموزند.
با این حال، سرعت یادگیری و توانایی انتقال مهارت از یک موقعیت به موقعیت دیگر همچنان از معیارهای مهم برتری در این رقابت محسوب می‌شود. جورج استیلر، مشاور صنعت رباتیک، معتقد است آزمایشگاه‌های پیشرو آمریکایی در این زمینه معیارهای دشواری تعیین کرده‌اند، اما قوی‌ترین استارتاپ‌های چینی نیز رقبایی جدی محسوب می‌شوند.
در چین، شرکت‌هایی مانند X Square و Galaxea و Spirit AI که به‌طور تخصصی روی هوش ربات‌ها کار می‌کنند، طبق اطلاعات منتشرشده از سوی شرکت‌ها، هرکدام به ارزش‌گذاری حدود ۳ میلیارد دلار رسیده‌اند. یانگ چیان، هم‌بنیان‌گذار و مدیر عملیات X Square، هدف این شرکت را عبور از ربات‌هایی که صرفاً با کد هدایت می‌شوند و رسیدن به ماشین‌هایی عنوان می‌کند که بتوانند از نوعی تفکر برای انجام وظایف برخوردار باشند.
تولیدکنندگان باسابقه‌ی ربات نیز سرمایه‌گذاری در Physical AI را افزایش داده‌اند. شرکت UBTech برای جذب دانشمند ارشد توسعه‌ی مدل‌های هوش مصنوعی، حقوق ۱۲۴ میلیون یوانی، معادل حدود ۱۸ میلیون دلار، شامل سهام و مزایا، اعلام کرده است. همچنین بر اساس اطلاعاتی که به رویترز رسیده، شرکت Unitree حدود ۳۰ پژوهشگر را برای توسعه‌ی مدلی از هوش مصنوعی به کار گرفته است که بتواند رفتار اشیا را پیش‌بینی کند.
داده‌های فیزیکی؛ پیشران آموزش ربات‌ها
برخلاف چت‌بات‌ها که می‌توانند با حجم عظیمی از متن‌های اینترنتی آموزش ببینند، ربات‌ها برای یادگیری به داده‌هایی نیاز دارند که تعامل واقعی با جهان فیزیکی را توصیف کند. جمع‌آوری چنین داده‌هایی دشوارتر و پرهزینه‌تر است و شرکت‌ها برای حل این مسئله، روش‌های مختلفی را دنبال می‌کنند.
برخی شرکت‌ها از انسان‌ها می‌خواهند وظایف را به‌صورت عملی نمایش دهند. گروهی دیگر از حسگرهای پوشیدنی برای ثبت حرکت و نیروی واردشده استفاده می‌کنند و تعدادی نیز محیط‌های شبیه‌سازی‌شده را برای آموزش ربات‌ها به کار می‌گیرند. با وجود این تلاش‌ها، هنوز هیچ شرکت مشخصی به‌عنوان رهبر قطعی این حوزه شناخته نشده است.
شرکت Spirit AI، به گفته گائو یانگ، هم‌بنیان‌گذار این شرکت، حدود هزار نفر را برای ثبت فعالیت‌های روزمره و صنعتی به کار گرفته است. شرکت ACE Robotics نیز از حسگرهای پوشیدنی برای ثبت حرکات کارکنان فروشگاه‌ها و هتل‌ها استفاده می‌کند.
واحد رباتیک شرکت Ant Group با نام Robbyant اعلام کرده است که مدلی را با استفاده از ۱۶۰ هزار ساعت داده آموزش داده است که ۵۰ هزار ساعت آن شامل حرکت‌های هدایت‌شده‌ی ربات توسط انسان بوده است. این شرکت همچنین نرم‌افزار خود را با ۲۰ پیکربندی رباتی از ۱۷ برند مختلف آموزش داده تا یک مدل هوش مصنوعی بتواند روی انواع ماشین‌ها اجرا شود.
شبیه‌سازی می‌تواند هزینه آموزش را کاهش دهد، اما محدودیت‌هایی دارد. جری وانگ از شرکت Manycore Tech که محیط‌های شبیه‌سازی‌شده برای آموزش هوش مصنوعی طراحی می‌کند، می‌گوید شبیه‌سازی‌ها نمی‌توانند تمام تعاملات فیزیکی دنیای واقعی را به‌طور کامل بازتولید کنند. این محدودیت به‌ویژه هنگام کار با اشیای انعطاف‌پذیر، مانند کابل‌ها، اهمیت پیدا می‌کند.
از نگاه یانگ چیان در شرکت X Square، کیفیت داده‌ها حتی از تنوع آن‌ها و جمع‌آوری داده در مقیاس بسیار بزرگ مهم‌تر است. این موضوع نشان می‌دهد که رقابت برای ساخت مغز ربات‌ها صرفاً به افزایش حجم داده محدود نمی‌شود؛ داده‌ها باید دقیق، مرتبط و به‌اندازه کافی نماینده شرایط واقعی باشند.
از نمایش توانایی تا انجام کار در محیط واقعی
برخی شرکت‌های چینی اکنون در حال آزمایش این مسئله هستند که آیا نرم‌افزارهایشان می‌توانند ربات‌ها را قادر کنند در مواجهه با مسئله‌ای ناآشنا، راه‌حل تازه‌ای پیدا کنند یا خیر.
جو مینگ‌شوان، مسئول توسعه‌ی هوش مصنوعی ربات Aether در شرکت JoyIn Technology، نمونه‌ای از آزمایش این شرکت را شرح داده است. در این آزمایش، ربات بارها تلاش کرد هدفونی را در کمدی قرار دهد که خارج از دسترس آن بود، اما موفق نشد. پس از آنکه مهندسان ویدئوهایی از نحوه انجام این کار توسط انسان‌ها به ربات نشان دادند، ربات جعبه‌ای را به سمت کمد هل داد و تلاش کرد با بالا رفتن روی آن، به محل موردنظر برسد. به گفته‌ی جو، ربات در هر بار تلاش، رفتار متفاوتی را بررسی می‌کرد.
با این حال، استفاده از ربات‌ها در محیط‌های صنعتی به سطح بالایی از قابلیت اطمینان نیاز دارد و فضای چندانی برای آزمون‌وخطای کنترل‌نشده باقی نمی‌گذارد. شرکت تولیدکننده‌ی باتری CATL اعلام کرده است که ربات‌های Spirit AI در کارخانه‌ی این شرکت، سیم‌ها را در فرایند آزمایش بسته‌های باتری متصل می‌کنند و نرخ موفقیت در این عملیات بیش از ۹۹ درصد است.
شرکت‌های چینی با محدودیت‌هایی در دسترسی به تراشه‌های پیشرفته‌ی انویدیا، ناشی از کنترل‌های صادراتی آمریکا، مواجه‌اند. برخی شرکت‌ها می‌کوشند با توسعه مدل‌های کارآمدتر، استفاده از داده‌های مصنوعی و شبیه‌سازی، نیاز خود به توان پردازشی را کاهش دهند. تولیدکنندگان داخلی تراشه، از جمله هواوی، نیز در حال ساخت جایگزین‌هایی برای سخت‌افزار انویدیا هستند؛ اما هنوز روشن نیست این تلاش‌ها تا چه اندازه می‌توانند اثر محدودیت دسترسی به تراشه‌های پیشرفته را جبران کنند.
در کنار محدودیت‌های پردازشی، نگرانی درباره ارزش‌گذاری‌های بالا و ازدحام شرکت‌ها در این بازار نیز بر تأمین مالی و عرضه اولیه سهام برخی کسب‌وکارهای رباتیک تأثیر گذاشته است. بنابراین، رشد سرمایه‌گذاری به‌تنهایی تضمین نمی‌کند که همه شرکت‌های فعال در این حوزه به محصولات تجاری پایدار دست پیدا کنند.
آیا ربات‌ها به نقطه عطفی مانند ChatGPT می‌رسند؟
وانگ شینگ‌شینگ، بنیان‌گذار Unitree، گفته است این شرکت در ماه اکتبر، مدل GPT-6 شرکت OpenAI را روی ربات‌هایش آزمایش کرده و نتایج امیدوارکننده‌ای به دست آورده است. او همچنین معتقد است اگر GPT-7 در سال آینده عرضه شود، ممکن است صنعت رباتیک به نقطه عطفی مشابه «لحظه ChatGPT» برسد.
مقاله‌ی مرتبط: چرا هوش مصنوعی فیزیکی به معماری جدیدی برای مقیاس‌پذیری نیاز دارد؟
از نظر وانگ، چنین نقطه عطفی زمانی محقق می‌شود که ربات‌ها بتوانند با دریافت دستورهای صوتی، ۸۰ درصد از وظایف را در محیط‌های ناآشنا انجام دهند. این معیار، سطحی از تعمیم‌پذیری را هدف قرار می‌دهد که در آن، ربات برای هر محیط یا وظیفه‌ی تازه به برنامه‌نویسی و آموزش جداگانه نیاز نداشته باشد.
با این حال، کارشناسان هشدار می‌دهند که موفقیت در نمایش توانایی‌های متنوع، لزوماً به معنای آمادگی برای استفاده‌ی تجاری گسترده نیست. جورج استیلر می‌گوید اگر منظور از نقطه عطف، نخستین نمایش موفق یک مدل در انجام مجموعه‌ای گسترده از وظایف ناآشنا باشد، ممکن است پیش‌بینی‌های خوش‌بینانه درست از آب درآیند، اما اگر پرسش این باشد که چه زمانی مشتریان می‌توانند در عمل و به‌طور مداوم به چنین ربات‌هایی اتکا کنند، احتمالاً باید به‌جای چند ماه، چند سال زمان در نظر گرفت.