مهر
اخبار
دست تازه ربات اطلس؛ وقتی بوستون‌داینامیکس برای آموزش هوش مصنوعی طراحی می‌کند
بوستون‌داینامیکس نسل تازه‌ای از دست رباتیک را برای ربات دوپای اطلس رونمایی کرده؛ دستی که دیگر فقط برای گرفتن اشیا ساخته نشده، بلکه مستقیماً برای تغذیهٔ مدل‌های هوش مصنوعی با داده‌های واقعی طراحی شده است.
لیست مطالب
۱. چه خبری منتشر شد؟
شرکت بوستون‌داینامیکس، یکی از شناخته‌شده‌ترین نام‌های دنیای رباتیک، نسل تازه‌ای از دست مکانیکی ربات دوپای معروفش، اطلس، را معرفی کرد. این اعلامیه در وبلاگ رسمی شرکت منتشر شد و به‌سرعت در رسانه‌های فناوری بازتاب گسترده‌ای پیدا کرد؛ چون برخلاف اغلب اخبار هوش مصنوعی که حول مدل‌های زبانی و چت‌بات‌ها می‌چرخد، این‌بار صحبت از سخت‌افزاری است که مستقیم با فیزیک دنیای واقعی سروکار دارد. اگر می‌خواهید دیگر اخبار هوش مصنوعی را هم دنبال کنید، این مسیر را از دست ندهید؛ روند رباتیک انسان‌نما این روزها هم‌پای پیشرفت مدل‌های زبانی حرکت می‌کند.
نکتهٔ قابل‌توجه این است که این رونمایی تنها چند ماه پس از آن اتفاق افتاد که مالکیت کامل بوستون‌داینامیکس به گروه هیوندای رسید؛ اتفاقی که از همان زمان به‌عنوان نشانه‌ای از ورود جدی صنعت خودرو به حوزهٔ هوش مصنوعی فیزیکال تفسیر شده بود. حالا با این نسل تازهٔ دست، می‌توان دید که این سرمایه‌گذاری به‌سمت محصولی ملموس و قابل اندازه‌گیری حرکت کرده است؛ محصولی که هدفش دیگر فقط نمایش در رویدادهای تبلیغاتی نیست، بلکه ورود به خطوط تولید واقعی است.
۲. مشخصات فنی دست تازه: سیزده درجه آزادی
دست جدید اطلس چهار انگشت دارد: یک شست با چهار درجه آزادی در پیکربندی شبیه دست انسان، و سه انگشت دیگر که هرکدام سه درجه آزادی برای باز و بسته شدن و کنترل نوک انگشت دارند. در مجموع این دست ۱۳ درجه آزادی حرکتی دارد؛ رقمی که نسبت به نسل قبلی با تنها ۷ درجه آزادی، جهشی بزرگ محسوب می‌شود. از نظر اندازه، این دست کمی بزرگ‌تر از دست انسان متوسط است و از نظر قدرت، به‌طور میانگین از دست انسان قوی‌تر عمل می‌کند؛ به‌حدی که توانسته یک یخچال کوچک پرشده با وزنی بیش از ۴۵ کیلوگرم را حمل کند.
چرا طراحی مفصل‌ها اهمیت دارد؟
مهندسان بوستون‌داینامیکس تمام مفاصل این دست را به‌گونه‌ای طراحی کرده‌اند که هیچ سیمی از روی اتصالات عبور نکند؛ این یعنی ریسک خرابی و گیر کردن سیم‌ها در حرکت‌های پرتکرار به‌شدت کاهش می‌یابد. همچنین از یک نوع عملگر یکسان در سراسر دست استفاده شده که ترکیبش با انتقال‌دهندهٔ قابل‌بازگشت (backdrivable)، کنترل نیرو و حرکت را شفاف و قابل‌پیش‌بینی می‌کند؛ ویژگی‌ای که برای مدل‌سازی دقیق در نرم‌افزارهای شبیه‌سازی حیاتی است.
یکی دیگر از نکات مهم طراحی، تمرکز شرکت بر تولید انبوه بوده است. برخلاف بسیاری از نمونه‌های آزمایشگاهی رباتیک که برای یک‌بار ساخت و نمایش طراحی می‌شوند، بوستون‌داینامیکس از همان ابتدا این دست را با نگاه به خطوط تولید صنعتی و تکرارپذیری بالا طراحی کرده است. این یعنی هر دست ساخته‌شده باید رفتار تقریباً یکسانی با نمونه‌های دیگر داشته باشد؛ ویژگی‌ای که برای آموزش یکپارچهٔ مدل‌های هوش مصنوعی روی ده‌ها یا صدها ربات هم‌زمان ضروری است، چون هر انحراف کوچک در سخت‌افزار می‌تواند داده‌های آموزشی را مخدوش کند.
۳. چرا انگشت کوچک حذف شد؟
یکی از جالب‌ترین بخش‌های این داستان، تصمیم عمدی تیم مهندسی برای حذف انگشت کوچک بود. طبق توضیح خود شرکت، اعضای تیم طراحی -از جمله مدیر فنی پروژه- یک روز کامل را با چسباندن انگشت کوچک خودشان به انگشت کنار آن گذراندند تا دقیقاً بفهمند غیاب این انگشت چه تأثیری روی انجام کارهای روزمره می‌گذارد. نتیجهٔ این آزمایش ساده اما مؤثر این بود که چهار انگشت با ۱۳ درجه آزادی، دقت و توانایی کافی برای اغلب وظایف واقعی را فراهم می‌کند؛ بدون آنکه هزینه، حجم و ریسک خرابی سه عملگر اضافه برای ساخت انگشت پنجم را به همراه داشته باشد. یکی از مهندسان مکانیک پروژه در توضیح این انتخاب گفته است که دستیابی به دو یا سه حرکت اضافه، ارزش پیچیدگی مهندسی بیشتر را نداشت؛ جمله‌ای که به‌خوبی نشان می‌دهد طراحی سخت‌افزار رباتیک همیشه یک مصالحه میان اهداف رقیب است.
۴. حسگرهای فشاری و داده‌ای که هوش مصنوعی نیاز دارد
شاید مهم‌ترین تفاوت این نسل با نسل‌های قبلی، در حسگرهای آن باشد نه در شکل ظاهری‌اش. کف دست و نوک تمام انگشت‌ها به حسگرهای فشاری متراکم مجهز شده‌اند که همراه با حسگرهای درون‌مفصلی با نرخ بالا، داده‌های لحظه‌ای دقیقی از نیرو، فشار و وضعیت حرکت تولید می‌کنند. این داده‌ها دقیقاً همان چیزی است که مدل‌های هوش مصنوعی برای یادگیری دست‌کاری اشیا به آن نیاز دارند؛ چون بدون اطلاعات لمسی دقیق، یک مدل هوش مصنوعی نمی‌تواند تفاوت میان گرفتن محکم یک ابزار فلزی و گرفتن ملایم یک شیء شکننده را یاد بگیرد.
۵. هدف اصلی: یادگیری تقویتی و انتقال از شبیه‌سازی به دنیای واقعی
بوستون‌داینامیکس به‌صراحت اعلام کرده این دست مشخصاً برای «انتقال یادگیری از شبیه‌سازی به دنیای واقعی» (sim2real) و یادگیری تقویتی طراحی شده است. در عمل، این فرایند به این شکل کار می‌کند: ابتدا مدل‌های هوش مصنوعی در یک محیط شبیه‌سازی‌شده با دقت دینامیکی بسیار بالا آموزش می‌بینند، جایی که می‌توانند هزاران بار یک حرکت را با تغییرات تصادفی تکرار کنند بدون آنکه سخت‌افزار واقعی آسیب ببیند. سپس همان رفتار آموخته‌شده، با تنظیمات کم، به ربات واقعی منتقل می‌شود. شرکت از نتایج اولیه‌ای خبر داده که نشان‌دهندهٔ انتقال موفق این یادگیری در وظایف دینامیکی و سریع است؛ موضوعی که نشان می‌دهد صنعت رباتیک دیگر صرفاً به برنامه‌نویسی دستی حرکت‌ها متکی نیست، بلکه مانند آموزش مدل‌های زبانی، به داده و تکرار تکیه می‌کند.
بوستون‌داینامیکس همچنین اشاره کرده که بخش قابل‌توجهی از چابکی و سرعت دست‌کاری اشیا، محصول کنترل حلقه‌بسته با نرخ بالا و تنظیم دقیق نیرو است؛ چیزی که به‌سادگی از روی نمونه‌برداری حرکات انسانی قابل یادگیری نیست. به‌بیان دیگر، صرفاً فیلم‌برداری از دست یک انسان در حال انجام یک کار و کپی‌کردن آن حرکت، کافی نیست؛ ربات باید بتواند خودش در لحظه نیروی لازم را حس کند، آن را تنظیم کند و در صورت خطا، مسیر را اصلاح کند. همین تفاوت است که یادگیری تقویتی مبتنی بر شبیه‌سازی را به روش اصلی آموزش این نسل از ربات‌ها تبدیل کرده است.
۶. کاربردهای صنعتی: از دریل تا جوشکاری
از نظر کاربردی، این دست برای کارهای واقعی محیط کار طراحی شده است، نه فقط نمایش در آزمایشگاه. طبق اعلام بوستون‌داینامیکس، دست جدید قادر است ابزارهایی مثل دریل، پیچ‌گوشتی برقی، سنگ‌زن، میخ‌کوب و حتی مته جوشکاری را بگیرد و فعال کند. قابلیت چرخاندن دوباره یک شیء درون دست و بازیابی سریع در صورت لیز خوردن آن نیز از ویژگی‌های کلیدی اعلام‌شده است. این تمرکز روی کار واقعی نشان می‌دهد چرا هوش مصنوعی برای کسب‌وکارهای صنعتی اهمیتی رو‌به‌رشد پیدا کرده؛ یک کارخانه دیگر نباید فقط به نیروی انسانی برای کارهای تکراری و پرخطر متکی باشد.
۷. جایگاه در رقابت گستردهٔ هوش مصنوعی فیزیکال
این حرکت بوستون‌داینامیکس را باید در بستر رقابتی بزرگ‌تری دید که این روزها میان شرکت‌های فناوری برای تسلط بر «هوش مصنوعی فیزیکال» در جریان است. همان‌طور که در دنیای مدل‌های زبانی شرکت‌های بزرگ در رقابتی شبیه به مقایسهٔ چت‌جی‌پی‌تی و دیپ‌سیک قرار دارند، در دنیای رباتیک هم هر شرکت مدل متفاوتی از ترکیب نرم‌افزار و سخت‌افزار را دنبال می‌کند. تفاوت اصلی اینجاست که یک ربات، برخلاف یک مدل زبانی مانند آنچه در پس‌زمینهٔ شرکت‌هایی مثل OpenAI ساخته می‌شود، باید هم‌زمان با قوانین فیزیک، اصطکاک، وزن و شکنندگی دنیای واقعی کنار بیاید؛ موضوعی که فاصلهٔ میان یک دموی جذاب در ویدئو و یک سیستم قابل‌اعتماد در خط تولید را به‌خوبی روشن می‌کند.
۸. محدودیت‌ها و مسیر پیش رو
با وجود پیشرفت چشمگیر، هنوز فاصله‌ای میان نمایش‌های کنترل‌شده و استقرار واقعی در خطوط تولید انبوه وجود دارد. بسیاری از تحلیل‌گران حوزهٔ رباتیک معتقدند که پتانسیل واقعی و محدودیت‌های هوش مصنوعی دقیقاً در همین‌جا خودش را نشان می‌دهد؛ یک حسگر دقیق یا یک دست با درجه آزادی بالا، به‌خودی‌خود تضمین نمی‌کند که مدل هوش مصنوعی پشت آن بتواند در شرایط غیرمنتظره و محیط‌های کاملاً جدید هم به همان خوبی عمل کند. تمایز میان دموهای جذاب و مهندسی واقعی و قابل‌تکرار، موضوعی است که در مقالهٔ توهم هوش مصنوعی در برابر مهندسی واقعی هم به‌تفصیل بررسی شده است؛ همان تمایزی که برای ارزیابی درست این دست تازه هم باید در نظر گرفت.
۹. پرسش‌های متداول
آیا این دست جایگزین کارگران انسانی در کارخانه‌ها می‌شود؟
در کوتاه‌مدت خیر؛ هدف اعلام‌شده بوستون‌داینامیکس، کمک به کارهای تکراری، سخت یا خطرناک است، نه جایگزینی کامل نیروی انسانی. مسیر رسیدن به استقرار گسترده در خطوط تولید واقعی هنوز زمان و آزمایش فراوان می‌خواهد.
چه فرقی میان این دست و نسل قبلی ربات اطلس وجود دارد؟
نسل قبلی تنها ۷ درجه آزادی داشت و بیشتر برای گرفتن متنوع اشیا طراحی شده بود؛ نسل تازه با ۱۳ درجه آزادی و حسگرهای فشاری پیشرفته، تمرکزش را از «گرفتن» به «دست‌کاری دقیق و آموزش هوش مصنوعی» تغییر داده است.
این فناوری چه ارتباطی به هوش مصنوعی مدل‌های زبانی دارد؟
هر دو حوزه از یک منطق مشترک پیروی می‌کنند: نیاز به حجم بالای داده برای یادگیری. اگر برای کار با چت‌بات‌ها به دنبال یادگیری درست پرامپت‌نویسی هستید، می‌توانید آموزش‌های چت‌جی‌پی‌تی را هم ببینید؛ چون منطق «یادگیری از داده و تکرار» در پس‌زمینهٔ هر دوی این فناوری‌ها مشترک است.
چه زمانی ممکن است این دست‌ها وارد خطوط تولید واقعی شوند؟
بوستون‌داینامیکس تاریخ دقیقی برای استقرار گستردهٔ تجاری اعلام نکرده، اما با توجه به سرعت پیشرفت اخیر و حمایت مالی گروه هیوندای، بسیاری از تحلیل‌گران انتظار دارند نمونه‌های اولیهٔ صنعتی ظرف یک تا دو سال آینده در کارخانه‌های منتخب آزموده شوند؛ پیش از آنکه استقرار در مقیاس وسیع‌تر آغاز شود.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
