استارتاپ چینی Spirit AI که در زمینه توسعه «مغز رباتها» و هوش مصنوعی تجسمیافته فعالیت میکند، پیشبینی کرده است که رباتهای انساننما تا اواسط سال ۲۰۲۷ بتوانند دستورات گفتاری را به زبان طبیعی دریافت کنند و برای انجام وظایف پیچیده، مجموعهای از اقدامات فیزیکی مناسب را اجرا کنند. گائو یانگ، همبنیانگذار و دانشمند ارشد این شرکت، در گفتوگو با رویترز این پیشرفت را مشابه نقطه عطفی دانست که ChatGPT در حوزه هوش مصنوعی مولد ایجاد کرد.
Spirit AI که در سال ۲۰۲۴ تأسیس شده است، روی توسعه فناوریهای موسوم به هوش مصنوعی تجسمیافته (Embodied AI) تمرکز دارد؛ حوزهای که در آن مدلهای هوش مصنوعی باید علاوه بر درک زبان و اطلاعات، بتوانند محیط فیزیکی را نیز درک کنند و بر اساس آن دست به اقدام بزنند. گائو یانگ معتقد است با وجود پیشرفت سریع سختافزار رباتهای انساننما، بخش مربوط به هوش و کنترل ربات همچنان یکی از نقاط ضعف اصلی زنجیره فناوری رباتیک محسوب میشود.
به گفته گائو، Spirit AI انتظار دارد تا اواسط سال ۲۰۲۷ به نقطهای برسد که آن را معادل مرحله GPT-۳ در توسعه مدلهای هوش مصنوعی میداند. در این مرحله، کاربر میتواند با ربات به زبان طبیعی صحبت کند و ربات نیز تلاش کند مجموعهای از اقدامات فیزیکی منطقی را برای انجام یک وظیفه مشخص اجرا کند. این شرکت در حال حاضر حدود هزار نیروی قراردادی در سراسر چین دارد که در خانهها و کارخانهها با استفاده از تجهیزات جمعآوری داده، حرکات انسان را ثبت میکنند.
رویترز در جریان بازدید از مرکز جمعآوری داده Spirit AI در پکن مشاهده کرده است که افرادی مجهز به حسگر، حرکاتی مانند باز کردن یخچال، باز کردن گاوصندوق و بریدن سبزیجات با چاقو را بهصورت تکراری انجام میدهند. این دادههای فیزیکی برای آموزش مدلهای رباتیک مورد استفاده قرار میگیرند. Spirit AI اعلام کرده است که رباتهایش در انجام وظایف ساده در محیطهای ساختاریافته مانند اتاق نشیمن، به نرخ موفقیت ۹۰ درصدی رسیدهاند.
گائو یانگ گفته است که یک تا دو سال آینده میتواند آغاز استفاده صنعتی از این رباتها باشد و انتظار میرود حدود دو سال دیگر، رباتهای انساننما برای انجام وظایف ساده در محیطهای خدماتی تجاری نیز مورد استفاده قرار گیرند. با این حال، ورود گسترده رباتهای انساننما به خانهها به زمان بیشتری نیاز خواهد داشت، زیرا محیطهای خانگی از نظر تنوع اشیا، شرایط محیطی و نوع وظایف بسیار پیچیدهتر هستند. او برآورد کرده است که استفاده مفید از رباتهای انساننما در خانهها دستکم به هشت سال زمان نیاز دارد.
Spirit AI در حال حاضر دهها ربات انساننمای چرخدار Moz1 را در خطوط تولید شرکت باتریسازی CATL و شرکت خردهفروشی JD.com مستقر کرده است. JD.com یکی از سرمایهگذاران این استارتاپ نیز محسوب میشود. این شرکت حدود ۳۰۰ کارمند دارد و از زمان تأسیس خود بیش از ۶۷۰ میلیون دلار سرمایه جذب کرده است. ارزشگذاری فعلی Spirit AI حدود ۲۰ میلیارد یوان، معادل تقریبی ۲.۹ میلیارد دلار، اعلام شده است.
یکی از محورهای اصلی فعالیت Spirit AI، جمعآوری دادههای واقعی برای آموزش رباتها است. برخلاف برخی شرکتهای رباتیک که برای کاهش هزینه آموزش مدلها از شبیهسازهای مجازی استفاده میکنند، Spirit AI بخش عمده دادههای آموزشی خود را از تعامل واقعی انسانها با محیط و اشیای فیزیکی جمعآوری میکند. گائو معتقد است شبیهسازها در مدلسازی اجسام سخت عملکرد مناسبی دارند، اما آموزش تعامل با اشیای انعطافپذیر، مانند کابلهای برق، همچنان دشوار است.
این شرکت همچنین به جای تمرکز صرف بر ثبت حرکات کاملاً دقیق، از دادههایی با تنوع بیشتر استفاده میکند. به گفته گائو، در برخی مراکز آموزش ربات در چین ممکن است یک حرکت بیش از ۵۰ بار تکرار شود تا تنها یک نمونه حرکتی دقیق و قابل استفاده به دست آید، اما Spirit AI دریافته است که استفاده از دادههای متنوعتر و حتی حرکات دارای خطا میتواند به بهبود سریعتر مدلها کمک کند.
با افزایش توانایی رباتها، موضوع ایمنی نیز اهمیت بیشتری پیدا میکند. گائو یانگ معتقد است در شرایط فعلی، مدلهای هوش مصنوعی رباتیک هنوز آنقدر بالغ نیستند که خطر رفتار مستقل و خارج از کنترل به مهمترین نگرانی تبدیل شود، اما با ورود رباتها به محیطهای شلوغ و غیرقابلپیشبینی مانند فروشگاهها و خانهها، الزامات ایمنی اهمیت بیشتری پیدا خواهد کرد. Spirit AI اعلام کرده است که رباتهای این شرکت از سامانه کنترل نیروی تمامبدنه استفاده میکنند و در صورت تشخیص نیروی بیش از حد هنگام تعامل با محیط، ترمز اضطراری بهصورت خودکار فعال میشود.
گائو همچنین گفته است که با رسیدن مدلهای پایه رباتیک به مراحل بالاتر بلوغ و خودمختاری، پژوهش درباره ایمنی و همراستاسازی هوش مصنوعی در رباتها اهمیت عملی بیشتری پیدا خواهد کرد. در حال حاضر Spirit AI تلاش میکند با ترکیب مدلهای هوش مصنوعی، دادههای واقعی و سامانههای کنترل ربات، فاصله میان درک دستورات انسانی و اجرای آنها در دنیای فیزیکی را کاهش دهد.