مرداد
اخبار
تبدیل امواج مغزی انسان به داده آموزشی رباتها
بزرگترین مانع پیش روی رباتهای هوشمند، نه الگوریتم است و نه سختافزار؛ داده است. برای آموزش رباتها به دادهای در حدود پنج برابر کل ویدیوهای یوتیوب نیاز است و چنین دادهای اصلاً وجود ندارد. حالا یک ایدهی غیرمنتظره روی میز آمده: بهجای ضبط فقط حرکت دست کارگر، مغز او را هم بخوانیم. شرکت دادهای Encord با استارتاپ آلمانی Zander Labs همکاری کرده تا ببیند امواج مغزی میتوانند این شکاف را پر کنند یا نه.
لیست مطالب
۱) مسئلهی اصلی: دادهای که وجود ندارد
مدلهای زبانی روی متن اینترنت آموزش دیدند؛ متنی که رایگان، فراوان و از پیش موجود بود. مدلهای تصویری روی میلیاردها عکس آموزش دیدند. اما رباتها چه؟ دادهای که یک ربات برای یاد گرفتن «سفت کردن یک پیچ» لازم دارد، در هیچ آرشیو اینترنتی موجود نیست.
طبق گزارشها برآورد کارشناسان این است که برای رسیدن به جهش عملکردی در هوش مصنوعی فیزیکی، به حجم دادهای در حدود پنج برابر کل مجموعهی ویدیوهای یوتیوب نیاز است. وینیت ولمورگان، مسئول یادگیری رباتیک در Encord، جملهی کوتاهی دارد که کل ماجرا را خلاصه میکند: این داده اصلاً وجود ندارد.
تفاوت بنیادی اینجاست که دادهی متنی و تصویری را میتوان جمعآوری کرد، اما دادهی حرکت فیزیکی را باید تولید کرد. یعنی کسی باید واقعاً آن پیچ را سفت کند، در حالی که دوربین و حسگر کار او را ثبت میکنند.
۲) روشهای فعلی جمعآوری داده
طبق گزارشها Encord امروز دو مسیر اصلی را دنبال میکند:
- ویدیوی خودمحور — کارگران کارخانه دوربینی روی سر یا بدن میبندند و کار روزمرهشان ضبط میشود. نتیجه، ویدیویی است از زاویهی دید خود فرد که نزدیکترین چیز به «آنچه ربات خواهد دید» است.
- ساختارهای رهبر-پیرو — سامانههایی که در آن انسان یک بازوی کنترلی را حرکت میدهد و بازوی رباتیک عیناً آن حرکت را تکرار میکند. این روش دادهی حرکتی دقیق و قابلاجرا برای ربات تولید میکند.
هر دو روش کار میکنند، اما هر دو کند و پرهزینهاند. اینجاست که ایدهی امواج مغزی وارد میشود.
۳) ایدهی امواج مغزی چیست؟
مسئلهی ویدیو این است که فقط نتیجه را نشان میدهد، نه قصد را. دوربین میبیند دست به کدام سمت رفت، اما نمیداند فرد در آن لحظه مردد بود، اشتباه کرد و اصلاح کرد، یا با اطمینان کامل عمل کرد.
ایدهی همکاری Encord و Zander Labs این است که با هدست سنجش فعالیت مغزی، حالتهای ذهنی حین کار ثبت شود. طبق گزارشها این حالتها شامل تشخیص خطا، قصد و غافلگیری است — یعنی دقیقاً همان لایهای که در ویدیوی خام غایب است.
لوکاس گرکه، دانشمند علوم اعصاب در Zander Labs، ناظر این بخش از پژوهش معرفی شده است. منطق کار ساده است: اگر بدانیم مغز در لحظهی خطا سیگنال متمایزی تولید میکند، میتوانیم آن لحظه را در داده برچسب بزنیم و به مدل بگوییم «اینجا اشتباهی رخ داد و بعد اصلاح شد».
۴) اقتصاد عجیب حاشیهنویسی متراکم
کلید فهم این خبر، یک معادلهی اقتصادی است. طبق گزارشها حاشیهنویسی متراکم — یعنی برچسبگذاری ریزبهریز هر لحظه از داده — حدود بیست برابر گرانتر از تولید ویدیوی خام تمام میشود.
اما همان گزارشها میگویند این داده در وظایف مشخص تا حدود صد برابر مؤثرتر از دادهی خودمحور ساده است. یعنی بیست برابر هزینه، در ازای صد برابر ارزش. برای شرکتی که در رقابت دادهی رباتیک است، این معادله بهروشنی به نفع کیفیت است.
این همان درسی است که صنعت در حوزهی مدلهای زبانی هم آموخت: از جایی به بعد، افزودن دادهی بیشتر با کیفیت پایین جواب نمیدهد و باید سراغ دادهی کمحجمتر اما غنیتر رفت. تحلیل بیشتری از این محدودیتها را در بررسی ظرفیتها و محدودیتهای واقعی هوش مصنوعی بخوانید.
۵) چه کسان دیگری در این میداناند؟
طبق گزارشها نامهای دیگری هم در این حوزه مطرحاند. آزمایشگاه رباتیک اوپنایآی یکی از آنهاست و شرکت Berkshire Grey که در اتوماسیون انبار فعالیت میکند نام دیگری است که در همین گزارش به آن اشاره شده. شرکت Scale هم بهعنوان یکی از بازیگران بزرگ حاشیهنویسی داده در این بازار حضور دارد.
جالب اینکه مسئول یادگیری رباتیک Encord پیشتر در آزمایشگاه رباتیک اوپنایآی و در Berkshire Grey سابقهی کار داشته است؛ نشانهای از اینکه تجربهی این حوزه هنوز در دست جمع کوچکی از افراد است.
۶) چرا این مسیر ممکن است شکست بخورد؟
باید منصف بود: این یک پژوهش در مرحلهی آزمایش است، نه یک راهکار اثباتشده. چند ابهام جدی وجود دارد.
نویز سیگنال مغزی
سنجش فعالیت مغزی از روی پوست سر ذاتاً پر از نویز است. جدا کردن سیگنال مربوط به «تشخیص خطا» از حرکت عضلات، پلک زدن یا حواسپرتی، کار سادهای نیست و در محیط صنعتی پرسروصدا سختتر هم میشود.
تفاوت میان افراد
الگوی مغزی افراد یکسان نیست. مدلی که روی دادهی چند نفر کالیبره شده، لزوماً روی نفر بعدی همان دقت را ندارد. مقیاسپذیری این روش به حل همین مسئله وابسته است.
پرسش حریم خصوصی
ثبت فعالیت مغزی کارکنان در محیط کار، پرسشهای حقوقی و اخلاقی جدی ایجاد میکند. تفاوت میان «ضبط ویدیوی کار» و «ضبط حالت ذهنی حین کار» از نظر حریم خصوصی تفاوت کوچکی نیست و احتمالاً یکی از میدانهای اصلی مقرراتگذاری آینده خواهد بود.
۷) چرا هوش مصنوعی فیزیکی اینقدر سختتر است؟
یک مدل زبانی اگر اشتباه کند، جملهای نادرست مینویسد. یک ربات اگر اشتباه کند، چیزی میشکند یا کسی آسیب میبیند. همین تفاوت، آستانهی خطای قابلقبول را بهشدت پایین میآورد.
مسئلهی دوم، تنوع بیپایان جهان فیزیکی است. متن را میتوان توکنبندی کرد و تصویر را پیکسلبندی؛ اما یک پیچ میتواند زنگزده، لغزنده، کج یا نیمهسفت باشد و هر حالت پاسخ متفاوتی میطلبد. مدل باید نهفقط حرکت، که سازگاری با شرایط را یاد بگیرد.
مسئلهی سوم، نبود حلقهی بازخورد ارزان است. مدل زبانی از میلیونها گفتوگوی روزانه یاد میگیرد؛ ربات برای هر تکرار یادگیری باید واقعاً در جهان فیزیکی حرکتی انجام دهد که زمان و هزینه دارد.
۸) این خبر چه چیزی دربارهی آینده میگوید؟
مهمترین پیام این گزارش، جابهجایی گلوگاه رقابت است. چند سال پیش، مزیت رقابتی در معماری مدل بود؛ سپس به ظرفیت پردازشی منتقل شد؛ و حالا در حوزهی رباتیک، به مالکیت دادهی فیزیکی منحصربهفرد رسیده است.
شرکتی که به کارخانه، انبار یا خط تولید واقعی دسترسی دارد و میتواند دادهی باکیفیت از آن استخراج کند، مزیتی دارد که با پول تنها قابل خریدن نیست. این همان منطقی است که سرمایهگذاریهای سنگین اخیر روی زیرساخت و داده را توضیح میدهد؛ موضوعی که در تحلیل نقش هوش مصنوعی در کسبوکار بیشتر به آن پرداختهایم و روند روزانهاش در بخش اخبار دنبال میشود.
۹) برای مخاطب فارسیزبان چه معنایی دارد؟
در کوتاهمدت، این خبر یک گزارش پژوهشی است و محصولی از دل آن بیرون نمیآید. اما دو نکتهی کاربردی دارد.
نخست، برای کسانی که در حوزهی داده و برچسبگذاری کار میکنند: ارزش در حال انتقال از حجم به عمق است. تولید دادهی خام دیگر مزیت نیست؛ دادهی برچسبخوردهی دقیق و ساختارمند مزیت است.
دوم، برای عموم کاربران: تصور رایج «رباتها همین فردا میآیند» با واقعیت فاصله دارد. وقتی بزرگترین مانع، نبود دادهای در مقیاس پنج برابر یوتیوب است، مسیر طولانیتر از تیترهای هیجانی است. برای شناخت واقعبینانهتر مرز توانایی این ابزارها، این تحلیل و برای شروع کار عملی، راهنمای پرامپتنویسی و آموزشهای چتجیپیتی پیشنهاد میشوند.
پرسشهای پرتکرار دربارهی امواج مغزی و آموزش رباتها
واقعاً امواج مغزی برای آموزش ربات استفاده میشود؟
طبق گزارشها این کار در مرحلهی آزمایش و پژوهش است، نه تولید انبوه. Encord و Zander Labs در حال بررسی این هستند که آیا سیگنالهای مغزی میتوانند لایهی معنایی مفیدی به دادهی حرکتی اضافه کنند یا نه.
چرا برای رباتها اینقدر داده لازم است؟
چون دادهی حرکت فیزیکی برخلاف متن و تصویر در اینترنت موجود نیست و باید از صفر تولید شود. برآوردها از نیاز به حجمی در حدود پنج برابر کل ویدیوهای یوتیوب خبر میدهند.
حاشیهنویسی متراکم دقیقاً یعنی چه؟
یعنی برچسبگذاری ریز و پیوستهی داده در طول زمان، بهجای یک برچسب کلی برای کل ویدیو. طبق گزارشها این کار حدود بیست برابر گرانتر است اما در وظایف مشخص تا حدود صد برابر ارزش بیشتری تولید میکند.
آیا این روش مشکل حریم خصوصی ندارد؟
پرسشهای جدی ایجاد میکند. ثبت حالت ذهنی کارکنان در محیط کار از نظر حقوقی و اخلاقی با ضبط سادهی ویدیو تفاوت دارد و احتمالاً یکی از موضوعات اصلی مقرراتگذاری آینده خواهد بود.
چه شرکتهای دیگری در این حوزه فعالاند؟
طبق گزارشها آزمایشگاه رباتیک اوپنایآی، شرکت Berkshire Grey در حوزهی اتوماسیون انبار، و شرکت Scale در حوزهی حاشیهنویسی داده از بازیگران مطرح این میداناند.
