هوش مصنوعی فیزیکی چیست؛ نگاهی تحلیلی به فناوری‌ای که قرار است روح ربات‌های آینده باشد

اصطلاح هوش مصنوعی فیزیکی (Physical AI) این روزها در کنفرانس‌های فناوری، معرفی محصولات رباتیک و حتی گزارش‌های سرمایه‌گذاری به‌کرات شنیده می‌شود. شرکت انویدیا (NVIDIA) که این اصطلاح را در سال‌های اخیر به‌طور گسترده تبلیغ کرده، آن را این‌طور تعریف می‌کند: «سامانه‌های خودمختاری مانند ربات‌ها و خودروهای خودران که می‌توانند دنیای فیزیکی را درک کنند، درباره‌ی آن استدلال کنند و کارهای پیچیده را در آن انجام دهند یا هماهنگ کنند.» اما این مفهوم فراتر از یک عبارت بازاریابی است و به تغییری واقعی در معماری هوش مصنوعی اشاره دارد؛ تغییری که می‌تواند مسیر توسعه‌ی رباتیک، خودروهای خودران و اتوماسیون صنعتی را در سال‌های آینده شکل دهد.

از هوش مصنوعی ادراکی تا هوش مصنوعی فیزیکی

جنسن هوانگ (Jensen Huang)، مدیرعامل انویدیا، پیشرفت هوش مصنوعی در دهه‌ی گذشته را در چند موج توصیف کرده است. موج نخست، هوش مصنوعی ادراکی (Perception AI) بود که با شبکه‌های عصبی کانولوشنی مانند AlexNet در سال ۲۰۱۲ آغاز شد و به ماشین‌ها امکان داد تصویر، صدا و داده‌های حسگری را تشخیص دهند. موج دوم، هوش مصنوعی مولد (Generative AI) بود که مدل‌های زبانی بزرگ مانند GPT را به وجود آورد. موج سوم، هوش مصنوعی عاملی (Agentic AI) است که در آن سامانه‌ها می‌توانند برنامه‌ریزی و اقدام مستقل انجام دهند. به گفته‌ی هوانگ، موج چهارم همین هوش مصنوعی فیزیکی است؛ هوشی که علاوه بر زبان و تصویر، قوانین فیزیک را نیز می‌فهمد؛ مفاهیمی مانند اصطکاک، اینرسی، رابطه‌ی علت و معلول، و اینکه یک جسم حتی وقتی دیده نمی‌شود همچنان وجود دارد.

بر اساس تعریف پژوهشگران دانشگاهی، از جمله یانژی وانگ (Yanzhi Wang)، استاد مهندسی برق و کامپیوتر در دانشگاه نورث‌ایسترن (Northeastern University)، هوش مصنوعی فیزیکی را می‌توان به‌طور کلی‌تر و مستقل از برند خاصی این‌گونه تعریف کرد: هر سامانه‌ی هوش مصنوعی‌ای که برای تعامل با محیط، معمولاً از طریق حسگرهای تخصصی، طراحی شده است. این تعریف فقط به ربات‌ها محدود نمی‌شود و دستگاه‌های پزشکی، خودروهای خودران، سامانه‌های تولید هوشمند و پهپادهای مجهز به هوش مصنوعی را نیز در بر می‌گیرد.

تفاوت با هوش مصنوعی مولد متداول

مدل‌های زبانی بزرگ مانند GPT یا Llama روی حجم عظیمی از متن و تصویر جمع‌آوری‌شده از اینترنت آموزش دیده‌اند. این مدل‌ها در تولید زبان، تصویر و مفاهیم انتزاعی توانایی چشمگیری دارند، اما درک محدودی از دنیای فیزیکی و قوانین آن دارند؛ برای نمونه نمی‌دانند یک توپ رهاشده با چه شتابی سقوط می‌کند یا چقدر نیرو برای برداشتن یک جسم شکننده لازم است. هوش مصنوعی فیزیکی تلاش می‌کند همین هوش مصنوعی مولد را با درک روابط فضایی و رفتار فیزیکی دنیای سه‌بعدی گسترش دهد. ورودی این سامانه‌ها می‌تواند تصویر، ویدیو، متن، گفتار یا داده‌ی حسگرهای واقعی باشد و خروجی آن، بینشی قابل‌فهم یا اقدامی است که یک ماشین خودمختار می‌تواند اجرا کند.

چرا داده‌ی واقعی کافی نیست؛ نقش داده‌ی مصنوعی و دوقلوی دیجیتال

آموزش مدل‌های هوش مصنوعی فیزیکی به داده‌ای گسترده، متنوع و از نظر فیزیکی دقیق درباره‌ی روابط فضایی و قوانین دنیای واقعی نیاز دارد. جمع‌آوری چنین داده‌ای در محیط واقعی می‌تواند کند، پرخطا، خطرناک و پرهزینه باشد؛ مثلاً آموزش یک بازوی رباتیک برای برداشتن اجسام شکننده از طریق هزاران بار آزمون‌وخطای واقعی، هم زمان‌بر است و هم می‌تواند به تجهیزات آسیب برساند. به همین دلیل، ترکیب شبیه‌سازی و آنچه انویدیا مدل‌های بنیادین جهان (World Foundation Models) می‌نامد، برای تولید داده‌ی مصنوعی (Synthetic Data) به کار گرفته می‌شود.

روند کار معمولاً با ساخت یک دوقلوی دیجیتال (Digital Twin) از یک فضای واقعی، مثلاً یک کارخانه، آغاز می‌شود. داده‌ی حسگرهای واقعی نیز می‌تواند از طریق فناوری بازسازی سه‌بعدی مستقیماً وارد این شبیه‌سازی تعاملی شود. در این فضای مجازی، حسگرها و ماشین‌های خودمختار مانند ربات‌ها اضافه می‌شوند، سناریوهای شبیه به دنیای واقعی اجرا می‌شوند و حسگرها، تعاملاتی مانند حرکت و برخورد اجسام یا نحوه‌ی تابش نور در محیط را ثبت می‌کنند. داده‌ی تولیدشده سپس می‌تواند تقویت، پالایش و برچسب‌گذاری شود تا یک سناریوی واحد به صدها نمونه‌ی متفاوت تبدیل شود.

یادگیری تقویتی: تمرین ربات در دنیای مجازی

یادگیری تقویتی (Reinforcement Learning) روشی است که در آن ماشین‌های خودمختار مهارت‌ها را در یک محیط شبیه‌سازی‌شده می‌آموزند تا بعداً در دنیای واقعی اجرا کنند. این روش به ماشین اجازه می‌دهد از طریق هزاران یا حتی میلیون‌ها بار آزمون‌وخطا، به‌صورت ایمن و سریع یاد بگیرد. هر بار که مدل یک اقدام مطلوب را با موفقیت در شبیه‌سازی انجام می‌دهد، پاداش می‌گیرد و به همین ترتیب رفتار خود را بهبود می‌بخشد. با تکرار این فرایند، ماشین خودمختار به‌تدریج مهارت‌های ظریف حرکتی لازم برای کاربردهای واقعی، از بسته‌بندی جعبه تا مونتاژ خودرو را کسب می‌کند.

معماری سه‌رایانه‌ای؛ رویکرد انویدیا برای ساخت هوش مصنوعی فیزیکی

انویدیا فرایند ساخت نسل بعدی سامانه‌های خودمختار را نیازمند سه دسته رایانه‌ی تخصصی می‌داند. نخست، رایانه‌ی آموزش با نام DGX که قدرت پردازشی گسترده‌ای برای آموزش مدل‌های بنیادین هوش مصنوعی فیزیکی فراهم می‌کند. دوم، رایانه‌ی شبیه‌سازی و تولید داده‌ی مصنوعی که ترکیبی از پلتفرم اومنی‌ورس (Omniverse) و مدل‌های کازموس (Cosmos) روی سرورهای RTX PRO است؛ این بخش، دوقلوهای دیجیتال با وفاداری بالا می‌سازد، صحنه‌ها و اشیا را به‌صورت تصادفی ایجاد می‌کند و مهارت‌های ربات را از طریق چارچوب یادگیری آیزاک‌لب (Isaac Lab) پیش از استقرار واقعی اعتبارسنجی می‌کند. سوم، رایانه‌ی اجرا که مدل نهایی روی تراشه‌های جتسون تور (Jetson Thor) یا پلتفرم درایو-ای‌جی‌ایکس (DRIVE AGX) در خود ربات، خودرو یا فضای هوشمند مستقر می‌شود تا داده‌ی حسگرها را پردازش و اقدام لازم را اجرا کند. زیرساخت داده‌ای این مجموعه نیز بر پایه‌ی استاندارد باز توصیف صحنه‌ی جهانی (Universal Scene Description یا OpenUSD) بنا شده که امکان تعامل و مدیریت یکپارچه‌ی محیط‌های سه‌بعدی پیچیده را میان صنایع مختلف فراهم می‌کند.

فراتر از انویدیا: رقابت بر سر «مدل‌های جهان»

اگرچه انویدیا صدای بلندی در این حوزه دارد، اما تنها بازیگر میدان مدل‌های جهان (World Models) نیست؛ فناوری‌ای که یاد می‌گیرد پیامد یک اقدام را در محیط پیش‌بینی کند، نه فقط اینکه چه اقدامی باید انجام شود. گوگل دیپ‌مایند (Google DeepMind) با مدل جنی ۳ (Genie 3)، جهان‌های سه‌بعدی قابل کاوش و تعاملی را از روی یک توصیف متنی یا حتی یک آدرس واقعی و بر پایه‌ی میلیاردها تصویر خیابانی گوگل می‌سازد؛ شرکت خودروی خودران وایمو (Waymo) از این فناوری برای شبیه‌سازی سناریوهای نادر و پرخطر استفاده کرده است.

فی‌فی لی (Fei-Fei Li)، پژوهشگر شناخته‌شده‌ی حوزه‌ی بینایی ماشین، مفهوم مشابهی موسوم‌به هوش مکانی (Spatial Intelligence) را پایه‌گذاری کرد و شرکتش، ورلدلبز (World Labs)، محصولی به نام مارِبل (Marble) عرضه کرده که محیط‌های سه‌بعدی قابل کاوش از روی تصویر یا متن می‌سازد. این شرکت در تیرماه امسال، استارتاپ سینیکس (SceniX) را که روی فناوری واقعیت به شبیه‌سازی به واقعیت (Real-to-Sim-to-Real) کار می‌کرد، خریداری کرد تا شکاف میان دنیای شبیه‌سازی‌شده و سخت‌افزار واقعی ربات را کاهش دهد.

از سوی دیگر، یان لوکان (Yann LeCun)، از چهره‌های شناخته‌شده‌ی یادگیری عمیق که پس از ۱۲ سال کار در متا (Meta) این شرکت را ترک کرد، استارتاپ ای‌ام‌آی‌لبز (AMI Labs) را با این استدلال راه‌اندازی کرده که مدل‌های زبانی بزرگ به‌تنهایی هرگز به هوش عمومی نخواهند رسید و مسیر درست، ساخت مدل‌هایی است که واقعاً فیزیک را می‌فهمند، نه فقط متن را پیش‌بینی می‌کنند. این رقابت جنبه‌ی جهانی هم دارد؛ برای نمونه غول فناوری چینی علی‌بابا (Alibaba) نیز مجموعه‌ای رباتیک با نام کوون (Qwen Robot Suite) را در حال آزمایش با برخی مشتریان سازمانی دارد.

کاربردهایی که همین حالا در حال شکل‌گیری‌اند

بر اساس معرفی انویدیا، هوش مصنوعی فیزیکی در چهار حوزه‌ی اصلی به کار گرفته می‌شود. در حوزه‌ی ربات‌ها، ربات‌های متحرک خودمختار (AMR) در انبارها می‌توانند با دریافت بازخورد مستقیم از حسگرهای روی خود، مسیرهای پیچیده را طی کرده و از موانع از جمله انسان‌ها دوری کنند، بازوهای رباتیک می‌توانند قدرت و زاویه‌ی گرفتن اجسام روی نوار نقاله را بر اساس وضعیت هر جسم تنظیم کنند، ربات‌های جراحی می‌توانند وظایفی مانند نخ‌کردن سوزن را بیاموزند و ربات‌های انسان‌نما به ترکیبی از مهارت‌های حرکتی درشت و ظریف همراه با درک، استدلال و تعامل با محیط نیاز دارند.

در حوزه‌ی خودروهای خودران، مدل‌های استدلال بینایی-زبان-اقدام (VLA) داده‌ی حسگرها را در لحظه پردازش می‌کنند تا خودرو بتواند در جاده‌ی آزاد یا خیابان شهری تصمیم بگیرد. در حوزه‌ی فضاهای هوشمند نیز، دوربین‌های ثابت و مدل‌های بینایی ماشین در کارخانه‌ها و انبارها به بهبود برنامه‌ریزی مسیر و ایمنی کمک می‌کنند.

نمونه‌های واقعی این کاربردها را می‌توان در اخبار اخیر صنعت رباتیک هم دید؛ برای نمونه شرکت‌هایی مانند فیگور ای‌آی (Figure AI) ربات‌های انسان‌نمای خود را در خط تولید بی‌ام‌و (BMW) در کارولینای جنوبی به‌مدت بیش از یک سال آزموده‌اند و در این مدت، این ربات‌ها در تولید بیش از ۳۰ هزار خودرو مشارکت داشته‌اند. هواپیمایی ژاپن ایرلاینز (Japan Airlines) نیز ربات‌های انسان‌نمای مبتنی بر پلتفرم یونیتری (Unitree) را برای بارگیری چمدان و نظافت کابین در فرودگاه هانه‌دا (Haneda) به آزمایش گذاشته است. در گزارش‌های پیشین ویکی‌ربات، عبارت «هوش مصنوعی فیزیکی» بارها از زبان مدیران شرکت‌ها شنیده شده؛ برای نمونه مدیر ارشد سافت‌بانک (SoftBank) هنگام سرمایه‌گذاری ۲۰۰ میلیون‌دلاری در گرویس روباتیکس (Gravis Robotics)، این مفهوم را محور چشم‌انداز آینده‌ی شرکت در حوزه‌ی خودکارسازی ماشین‌آلات ساختمانی توصیف کرد.

بزرگ‌ترین چالش: شکاف میان شبیه‌سازی و واقعیت

با وجود همه‌ی این پیشرفت‌ها، بزرگ‌ترین مانع فنی این حوزه همچنان پابرجاست: شکاف شبیه‌سازی-به-واقعیت (Sim-to-Real Gap). این اصطلاح به افت عملکردی اشاره دارد که هنگام انتقال رفتارهای آموخته‌شده در شبیه‌سازی به سخت‌افزار واقعی رخ می‌دهد. این شکاف از دو مسیر جداگانه ایجاد می‌شود: شکاف دیداری، ناشی از تفاوت کیفیت رندر، نورپردازی و بافت تصویر با دنیای واقعی؛ و شکاف دینامیکی، ناشی از مدل‌سازی ناقص برخورد، اصطکاک و تأخیرهای واقعی محرک‌ها و حسگرها. روش رایج برای کاهش شکاف دیداری، تصادفی‌سازی دامنه (Domain Randomization) است؛ یعنی آموزش مدل روی طیف گسترده‌ای از تغییرات تصادفی نور و بافت محیط شبیه‌سازی‌شده تا مدل به جای وابستگی به جزئیات خاص شبیه‌سازی، ساختار فیزیکی پایدار را یاد بگیرد. اما این روش به‌تنهایی برای رفع شکاف دینامیکی کافی نیست، چون تصادفی‌سازی درون یک موتور فیزیک ثابت انجام می‌شود که ممکن است فرضیات ساختاری‌اش، مانند مدل برخورد اجسام صلب، با واقعیت هم‌خوانی نداشته باشد.

حتی مدل‌های جهانِ مبتنی بر ویدیو هم از این مشکل مصون نیستند؛ به گفته‌ی برخی پژوهشگران این حوزه، مدل‌هایی مانند جنی ۳ هنوز از نظر فیزیکی کاملاً دقیق نیستند و اجسام گاهی از داخل یکدیگر عبور می‌کنند، و پایداری این مدل‌ها معمولاً تنها برای چند دقیقه برقرار می‌ماند. به باور فی‌فی لی، هیچ آزمایشگاهی هنوز این شکاف را به‌طور کامل نبسته است و بیشتر نمایش‌های آزمایشگاهی هنوز به محیط‌های کنترل‌شده، مجموعه‌ی محدودی از اشیا و وظایف کوتاه‌مدت محدود می‌مانند؛ فاصله‌ی میان یک نمایش تبلیغاتی قانع‌کننده و رباتی که به‌طور قابل‌اعتماد در یک آشپزخانه، انبار یا اتاق عمل کار کند، همچنان زیاد است.

اندازه‌ی بازار و موج سرمایه‌گذاری

جذابیت اقتصادی هوش مصنوعی فیزیکی، حجم سرمایه‌ی واردشده به آن را به‌شدت افزایش داده است. جنسن هوانگ بازار قابل دسترس صرفاً برای ربات‌های انسان‌نما را تا ۴۰ تریلیون دلار برآورد کرده است؛ رقمی که به گفته‌ی برخی تحلیلگران، نحوه‌ی نگاه وال‌استریت به حوزه‌ی رباتیک را تغییر داده است. تنها در نیمه‌ی نخست سال ۲۰۲۶، بیش از سه میلیارد دلار در استارتاپ‌های مدل‌های جهان سرمایه‌گذاری شده است؛ ورلدلبز بیش از ۲۳۰ میلیون دلار جذب کرده، و ای‌ام‌آی‌لبز با ارزش‌گذاری حدود سه میلیارد یورو، پانصد میلیون یورو سرمایه گرفته است، آن‌هم پیش از عرضه‌ی نخستین محصولش. به گزارش برخی نهادهای مالی، تنها در سال ۲۰۲۵ بیش از ۳۴ میلیارد دلار وارد حوزه‌ی رباتیک شده است.

نقد و تردیدها

با این حال، همه‌ی کارشناسان این حوزه با روایت خوش‌بینانه‌ی شرکت‌های سازنده هم‌نظر نیستند. برخی از تحلیلگران یادآوری می‌کنند که عباراتی مانند «لحظه‌ی ChatGPT برای رباتیک» بیشتر بیانیه‌ای بازاریابی است تا توصیفی دقیق از وضعیت فعلی فناوری. تجربه‌ی چند دهه‌ی اخیر رباتیک نشان داده وعده‌ی خودکارسازی کامل بارها تکرار شده، اما در عمل تنها بخش‌بخش و به‌کندی محقق شده است. از سوی دیگر، کمبود داده‌ی اقدام (Action Data) – یعنی داده‌ای که نشان دهد کدام حرکت چه پیامد فیزیکی‌ای دارد – برخلاف داده‌ی متنی و تصویری اینترنت که به‌وفور در دسترس است، هنوز یکی از تنگناهای اصلی آموزش این مدل‌هاست، به‌ویژه برای ربات‌های انسان‌نما با ده‌ها مفصل متحرک.

هوش مصنوعی فیزیکی را می‌توان محل تلاقی سه روند بزرگ دهه‌ی اخیر دانست: پیشرفت مدل‌های بنیادین هوش مصنوعی، افزایش قدرت محاسباتی شبیه‌سازی، و نیاز روزافزون صنایعی مانند ساخت‌وساز، تولید و لجستیک به جبران کمبود نیروی کار. آنچه این حوزه را از رباتیک سنتی متمایز می‌کند، تلاش برای آموزش ماشین‌ها از طریق میلیون‌ها تجربه‌ی شبیه‌سازی‌شده به‌جای برنامه‌نویسی دستی هر حرکت است. با این حال، شکاف میان دنیای مجازی و واقعیت فیزیکی، همچنان مانعی جدی بر سر راه تبدیل این وعده‌ها به محصولاتی قابل‌اعتماد و در مقیاس گسترده است.