چرا ربات‌های انسان‌نما هنوز آماده تسخیر کارخانه‌ها نیستند؟

ربات انسان نما در کارخانه

شاید شما هم فکر کنید بزرگترین مانع برای ورود ربات‌های انسان‌نما به خطوط تولید، محدودیت‌های هوش مصنوعی است. اما واقعیت این است که مشکل اصلی دیگر میزان هوشمندی این ماشین‌ها نیست.

شاون ادواردز (Shaun Edwards)، هم‌بنیان‌گذار و مدیر ارشد فناوری شرکت Plus One Robotics که سابقه درخشانی در توسعه نرم‌افزارهای رباتیک دارد، در یادداشت جدید خود به نکته قابل تاملی اشاره می‌کند. او معتقد است که تکنولوژی تا حد زیادی آماده است، اما هزینه‌های بالای تولید و منطق اقتصادی مانع از استقرار گسترده این ربات‌ها در محیط‌های صنعتی می‌شود. در ادامه این گزارش، به بررسی دقیق‌تر این موضوع می‌پردازیم.

هوش مصنوعی دیگر بهانه نیست

فناوری AI فیزیکی در سال‌های اخیر رشد بسیار سریعی داشته است. ربات‌ها اکنون می‌توانند کارهای پیچیده‌ای را انجام دهند که تا چند سال پیش غیرممکن به نظر می‌رسید. سخت‌افزارها نیز پیشرفت چشمگیری داشته‌اند. امروز شاهد Actuator های قوی‌تر و سیستم‌های بینایی بسیار دقیق‌تری هستیم. حتی مشکل همیشگی طراحی دست ربات‌ها نیز تا حد زیادی برطرف شده است.

شرکت‌هایی مثل Agility Robotics (استارتاپ توسعه‌دهنده ربات‌های دوپای انباردار) توانسته‌اند نتایج موفقیت‌آمیزی در محیط‌های واقعی ثبت کنند. از طرفی، دست‌های رباتیکی ساخت شرکت Alt-Bionics مرزهای مهارت را در ربات‌های انسان‌نما جابجا کرده‌اند. پس مشکل کجاست؟ بحث اصلی در صنعت رباتیک حالا از «آیا ربات‌ها می‌توانند این کار را انجام دهند؟» به «آیا هزینه آن‌ها توجیه منطقی دارد؟» تغییر کرده است.

انسان‌ها هنوز باید در صحنه باشند

با وجود تمام این پیشرفت‌ها، حضور انسان همچنان ضروری است. مخصوصا وقتی ربات با یک شرایط پیش‌بینی نشده روبرو می‌شود، نظارت انسانی اهمیت پیدا می‌کند. برخی از توسعه‌دهندگان روی Teleoperation یا کنترل از راه دور تمرکز کرده‌اند. در این روش، یک اپراتور انسانی به صورت مستقیم حرکات ربات را کنترل می‌کند. اما این مدل مقیاس‌پذیر نیست، چون هر ربات به یک اپراتور تمام‌وقت نیاز دارد.

مدل منطقی‌تر این است که انسان‌ها نقش ناظر سطح بالا را داشته باشند. در این حالت، یک نفر می‌تواند همزمان بر ۵۰ ربات نظارت کند و فقط در مواقعی که سیستم دچار خطا می‌شود وارد عمل شود. این مداخلات به عنوان داده‌های آموزشی برای بهبود شبکه عصبی استفاده می‌شوند تا ربات‌ها در آینده مستقل‌تر عمل کنند.

بازدهی؛ پاشنه آشیل انسان‌نماها

مهم‌ترین وعده ربات‌های انسان‌نما، انعطاف‌پذیری آن‌ها است. در تئوری، یک ماشین می‌تواند کارهای مختلفی را بدون نیاز به تغییرات سخت‌افزاری انجام دهد. اما این انعطاف‌پذیری هزینه دارد. در خطوط تولید با حجم بالا، ربات‌های تخصصی همچنان عملکرد بسیار بهتری نسبت به انسان‌نماهای همه‌کاره دارند.

به عنوان مثال، در بخش دسته‌بندی مرسولات، بهترین ربات‌های انسان‌نما می‌توانند حدود ۱۰۰۰ قطعه در ساعت جابجا کنند. این در حالی است که ربات‌های تخصصیِ همین کار، با سرعتی بین ۱۳۰۰ تا نزدیک به ۳۰۰۰ قطعه در ساعت فعالیت می‌کنند. این اختلاف فاحش، تصمیم‌گیری درباره ROI (نرخ بازگشت سرمایه) را برای مدیران آسان می‌کند. یک سیستم اتوماسیون تخصصی در محیط کارحانه معمولا بهره‌وری بیشتر و قیمت کمتری دارد.

اقتصاد و تولید انبوه؛ برگ برنده نهایی

در حال حاضر، قیمت یک ربات انسان‌نمای پیشرفته به چند صد هزار دلار می‌رسد. برای توجیه این هزینه، شرکت‌ها باید ربات را به صورت شبانه‌روزی و در چند شیفت به کار بگیرند. ربات‌های ارزان‌تر چینی نشان دادند که تولید انبوه می‌تواند قیمت‌ها را بشکند. اما موانع قانونی مانند تصمیمات اخیر کمیسیون ارتباطات فدرال آمریکا (FCC) مبنی بر ممنوعیت واردات ربات‌های چینی به دلایل امنیتی، این مسیر را نیز با چالش مواجه کرده است.

صنعت رباتیک علاقه زیادی به مقایسه مدل‌های AI دارد. اما برنده نهایی شرکتی است که بتواند سخت‌افزار پیچیده را در مقیاس انبوه تولید کند. به همین دلیل است که پروژه‌ای مثل ربات Optimus متعلق به تسلا شانس بالایی دارد. تسلا سال‌ها در زمینه تولید انبوه وسایل نقلیه الکتریکی تجربه کسب کرده و حالا این دانش زنجیره تامین را به دنیای رباتیک می‌آورد.

شرکت‌های نام‌داری مثل BMW نیز به صورت جدی وارد این بازی شده‌اند. این خودروساز آلمانی پس از تست ربات Figure 02 در کارخانه اسپارتانبورگ، حالا قصد دارد مدل جدیدتر یعنی Figure 03 را مستقر کند. این نسخه به دست‌هایی با سنسورهای لمسی، دوربین‌های تعبیه شده در کف دست، شارژ بی‌سیم و پردازش صوت مجهز شده است. با این وجود، شرکت‌های توسعه‌دهنده باید ثابت کنند که می‌توانند سیستم‌های خود را ارزان‌تر از راهکارهای سنتی اتوماسیون ارائه دهند.

اکنون ربات‌های انسان‌نما از فاز آزمایشگاهی خارج شده‌اند اما هنوز تا تجاری‌سازی انبوه فاصله دارند. نکته کلیدی این است که در مهندسی همیشه نباید دنبال پیچیده‌ترین راهکار بود. گاهی یک بازوی رباتیک ساده یا یک اتوماسیون هوشمند مبتنی بر برد ارزان‌قیمتی مثل Raspberry Pi، کارایی بسیار بالاتری نسبت به یک ربات گران‌قیمت انسان‌نما دارد. هنر مهندسی یعنی پیدا کردن بهینه‌ترین راهکار متناسب با بودجه و نیاز پروژه.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *