هوش مصنوعی فیزیکی در ۲۰۲۶: مدل‌های بینایی-زبان-عمل و ورود ربات‌ها به کار واقعی

بخش بزرگی از گفت‌وگوهای اخیر درباره هوش مصنوعی به نرم‌افزار محدود بوده است: دستیارهای گفت‌وگو، ایجنت‌های برنامه‌نویسی و بازیابی اطلاعات. اما در مهر ۱۴۰۵ مرکز ثقل به‌وضوح به سمت هوش مصنوعی فیزیکی (Physical AI) جابه‌جا شد؛ مدل‌هایی که جهان واقعی را درک می‌کنند، درباره کار بعدی تصمیم می‌گیرند و بدن یک ربات را برای انجام آن حرکت می‌دهند. ظرف چند روز، گوگل اعلام کرد مدل تازه‌اش Gemini 4 Argon یک بازی پرتابی را از روی ویدئو به یک ربات انسان‌نما آموخته است، NEURA Robotics یک مدل پایه چندحسی برای ناوگان ربات‌هایش معرفی کرد، Galaxea یک مدل بینایی-زبان-عمل منتشر کرد که با یک مجموعه وزن واحد هم استدلال می‌کند و هم عمل، و کره جنوبی اجازه داد ۲۰ ربات انسان‌نما در کارخانه‌ها کنار انسان‌ها کار کنند.

در این مقاله فناوری پشت این خبرها را توضیح می‌دهم، آنچه نشان داده شده را از آنچه فقط ادعا شده جدا می‌کنم و روشی عملی برای ارزیابی هوش مصنوعی فیزیکی در سازمان پیشنهاد می‌کنم.

مدل بینایی-زبان-عمل (VLA) چیست؟

اصطلاح مدل بینایی-زبان-عمل (Vision-Language-Action یا VLA) از مقاله RT-2 گوگل دیپ‌مایند (۲۰۲۳) آمده است. ایده ساده است: یک مدل بینایی-زبان را که روی حجم عظیمی از تصویر و متن اینترنت پیش‌آموزش دیده بردارید و به آن یاد بدهید فرمان‌های ربات را طوری تولید کند که انگار زبانی دیگر است. RT-2 هر فرمان، یعنی جابه‌جایی و چرخش بازوی ربات و میزان باز شدن گیره، را به رشته‌ای کوتاه از توکن‌های عددی تبدیل کرد و مدل را هم‌زمان روی نمایش‌های رباتیک و داده‌های وب آموزش داد.

نتیجه، سیاست کنترلی‌ای بود که بخشی از فهم مدل وب را به ارث می‌برد. در حدود ۶۰۰۰ آزمایش ارزیابی، RT-2 در برابر اشیا، پس‌زمینه‌ها و دستورهایی که در داده رباتیک ندیده بود، بسیار بهتر از مدل‌های پیشین تعمیم داد؛ برای مثال قرار دادن یک شیء کنار یک عدد یا نماد مشخص. مقاله درباره محدودیت‌هایی که امروز هم مهم‌اند صریح بود: ربات از داده وب حرکت تازه یاد نگرفت، چون مهارت‌های فیزیکی‌اش به نمایش‌های رباتیک محدود بود، و بزرگ‌ترین مدل ۵۵ میلیارد پارامتری از طریق یک سرویس ابری تنها با بسامد ۱ تا ۳ هرتز اجرا می‌شد.

سنگ‌بنای دوم، داده از ربات‌های گوناگون است. همکاری Open X-Embodiment بیش از یک میلیون مسیر حرکتی واقعی را از ۲۲ نوع ربات و ۲۱ مؤسسه، از جمله استنفورد، برکلی و کارنگی ملون، گرد آورد که ۵۲۷ مهارت را پوشش می‌دهد. مدل‌هایی که روی این مجموعه آموزش دیدند انتقال مثبت نشان دادند: مدل بزرگ‌تر RT-2-X در مهارت‌هایی که فقط در داده یک ربات دیگر وجود داشت، حدود سه برابر بهتر از RT-2 عمل کرد. همین یافته، یعنی این‌که یک مدل می‌تواند از بدن‌های مختلف یاد بگیرد، پایه همه ادعاهای «یک مغز، چند ربات» امروز است.

چه چیزی در ۲۰۲۶ تغییر کرد: پنج تحول

۱. مدل پایه رباتیک فراتر از دوربین می‌رود

Neuron AI که NEURA Robotics در ۲۲ مهر ۱۴۰۵ معرفی کرد، یک مدل «ادراک-زبان-عمل» توصیف شده که بینایی سه‌بعدی، لامسه و نیرو، صدا، وضعیت ربات و زبان را همراه با حافظه ترکیب می‌کند. استدلال NEURA عملی است: فقط صدا و لمس تأیید می‌کنند که یک قفل واقعاً باز شده، و ربات باید اشیایی را که از میدان دیدش خارج شده‌اند به خاطر بسپارد. به گفته شرکت، این مدل روی داده واقعی ربات، داده تقویت‌شده با شبیه‌سازی و نمایش‌های انسانی ثبت‌شده با لباس‌های مجهز به حسگر آموزش دیده و روی پنج نوع ربات این شرکت اجرا می‌شود. NEURA پیشرفت را با یک شاخص کسب‌وکاری می‌سنجد: زمان تا مهارت (Time-to-Skill)، یعنی ربات با چه سرعتی یک کار تازه را یاد می‌گیرد و آن را با اطمینان انجام می‌دهد.

۲. استدلال وارد جریان عمل می‌شود

مدل G0.5 شرکت Galaxea که در ۲۳ مهر ۱۴۰۵ منتشر شد، استدلال زنجیره‌ای و تولید فرمان را در یک جریان خودبازگشتی واحد قرار می‌دهد. مدل ابتدا زیرکارها، کادر محدودکننده اشیای هدف و راهنمای مسیر دوبعدی را می‌نویسد و سپس توکن‌های عمل را تولید می‌کند و در هر فریم برنامه‌اش را به‌روز می‌کند. چون دستور زبانی وارد همین جریان می‌شود، زبان می‌تواند رفتار را در لحظه اجرا شکل دهد: در یک نمونه، افزودن عبارت «محکم‌تر فشار بده» باعث شد ربات نیروی کافی برای روشن کردن یک توستر وارد کند. Galaxea میانگین نرخ موفقیت ۸۲٫۵ درصد را در ۱۰ کار رومیزی در ارزیابی بدون آموزش تکمیلی (zero-shot) روی DROID و نتایج بهتر از π0.5 را در کارهای طولانی BEHAVIOR-1K گزارش می‌کند، هرچند وزن‌های مدل هنوز منتشر نشده است.

۳. ویدئو و شبیه‌سازی به میدان آموزش تبدیل می‌شوند

گوگل در معرفی Gemini 4 Argon در ۲۱ مهر ۱۴۰۵ یک آزمون داخلی رباتیک را هم شرح داد: مدل ویدئوی خامی از بازی کورن‌هول (پرتاب کیسه به سوراخ) را تماشا کرد، محیط را نقشه‌برداری کرد، حرکات مفصل‌های کل بدن را محاسبه کرد و کد شبیه‌سازی را خودش نوشت. پس از انتقال به ربات انسان‌نمای Apollo ساخت Apptronik، ربات در یک آزمون واقعی هفت پرتاب پیاپی را به هدف زد. گوگل این را خط لوله «ویدئو به شبیه‌سازی به واقعیت» می‌نامد و می‌گوید هفته‌ها کار دستی مدل‌سازی شبیه‌سازی را به چند ساعت کاهش می‌دهد. گوگل همچنین امتیاز ۸۷ درصد را برای Argon در محک استدلال بدنمند ERQA گزارش کرده است.

اکوسیستم باز هم در همین مسیر است. NVIDIA در دی ۱۴۰۴ مدل‌های جهانی Cosmos را برای تولید داده مصنوعی و ارزیابی سیاست کنترلی در شبیه‌سازی، مدل Isaac GR00T N1.6 را به‌عنوان یک VLA باز و استدلال‌محور برای کنترل کل بدن ربات‌های انسان‌نما و Isaac Lab-Arena را برای ارزیابی گسترده سیاست‌های رباتیک منتشر کرد؛ مدل‌های GR00T از طریق کتابخانه LeRobot در Hugging Face در دسترس‌اند.

۴. سخت‌افزار برای یادگیری طراحی می‌شود

دست جدید Boston Dynamics برای ربات Atlas نشان می‌دهد هوش مصنوعی اکنون طراحی مکانیکی را هم شکل می‌دهد. این دست چهار انگشت و ۱۳ درجه آزادی دارد (در برابر ۷ درجه در نسل قبل)، حسگرهای فشار متراکم روی نوک انگشتان و کف دست و مفصل‌هایی با تحریک مستقیم و قابلیت بازگشت‌پذیری (backdrivable). این دست طوری ساخته شده که با دقت بالا شبیه‌سازی شود تا یادگیری تقویتی در شبیه‌سازی به سخت‌افزار منتقل شود. تیم پس از این‌که نتیجه گرفت مهارت اضافه ارزش سه محرک بیشتر و هزینه، حجم و ریسک خرابی آن‌ها را ندارد، انگشت کوچک را حذف کرد. Boston Dynamics نکته‌ای را هم مطرح می‌کند که هر خریداری باید بشنود: ابزارهای پوشیدنی جمع‌آوری داده، زمینه مفیدی ثبت می‌کنند اما سیگنال‌های دقیق عمل را که برای کنترل یک دست ماهر لازم است ثبت نمی‌کنند؛ به همین دلیل این شرکت یادگیری تقویتی در شبیه‌سازی را ضروری می‌داند.

۵. مقررات کم‌کم هم‌پا می‌شود

در ۲۱ مهر ۱۴۰۵، کمیته سندباکس تنظیم‌گری کره جنوبی معافیتی صادر کرد که به ۲۰ ربات انسان‌نمای دوپای شرکت Robros اجازه می‌دهد در فضاهای مشترک با انسان در یک شرکت بسته‌بندی نیمه‌رسانا، یک تولیدکننده قطعات خودرو، یک کشتی‌سازی و یک شرکت لجستیک کار کنند. به گزارش Seoul Economic Daily، مقررات پیشین ربات‌های صنعتی را تجهیزات ثابت پشت حصار ایمنی در نظر می‌گرفت؛ این معافیت مشروط به ارزیابی ریسک و تدابیر ایمنی است و داده‌های گردآوری‌شده مبنای استانداردهای ایمنی آینده خواهد بود.

خوانش مدیریتی این خبرها

به‌عنوان مدیر ارشد فناوری، این تحولات را واقعاً مهم می‌دانم و در عین حال با انضباط آن‌ها را می‌خوانم:

• بیشتر اعداد را خود شرکت‌ها گزارش کرده‌اند. گوگل آزمون کورن‌هول را آزمونی داخلی توصیف کرده و محک‌های G0.5 از گزارش خود Galaxea آمده است. این‌ها را نشانه‌های قوی جهت حرکت بدانید، نه تضمینی برای محیط کار شما.
• دمو با استقرار یکی نیست. یک توالی یازده دقیقه‌ای رسیدگی به لباس‌ها که NEURA قصد دارد در NVIDIA GTC برلین نمایش دهد، هماهنگی در یک کار طولانی را ثابت می‌کند؛ اما نرخ مداخله انسانی در هزار شیفت کاری را نشان نمی‌دهد.
• محدودیت‌های RT-2 از بین نرفته‌اند. مدل‌ها هنوز در محدوده مهارت‌هایی که داده رباتیکشان پوشش می‌دهد بهتر تعمیم می‌دهند و بسامد کنترل همچنان تعیین می‌کند چه چیزی در ابر و چه چیزی روی خود ربات اجرا شود.
• داده، مزیت رقابتی است. همه بازیگران جدی اکنون به اندازه مدل، از خط لوله داده‌شان حرف می‌زنند: ربات واقعی، شبیه‌سازی و نمایش انسانی. فرایندها و نیروهای ماهر سازمان شما هم دارایی داده‌ای هستند.

چطور هوش مصنوعی فیزیکی را برای سازمان خود ارزیابی کنیم

۱. از فرایند شروع کنید، نه از ربات. کارهایی را فهرست کنید که مدام تغییر می‌کنند، با قطعات یا ابزارهای متنوع سروکار دارند یا خطرناک‌اند. کارهای ثابت و پرحجم معمولاً هنوز با اتوماسیون کلاسیک بهتر انجام می‌شوند.

۲. شاخص‌ها را پیش از پایلوت تعریف کنید. زمان تا مهارت، موفقیت در شرایط متغیر واقعی، تعداد مداخله انسانی در هر ساعت، زمان چرخه و بازیابی پس از خطا. یک ویدئوی موفق، شاخص نیست.

۳. درباره قرارداد داده بپرسید. مالکیت نمایش‌ها و مهارت‌های تنظیم‌شده با کیست؟ برای مثال NEURA می‌گوید مشتریان می‌توانند مهارت‌هایشان را خصوصی نگه دارند. این موضوع را در هر قراردادی صریح کنید.

۴. بر ابزار شبیه‌سازی و ارزیابی پافشاری کنید. هر تغییر در سیاست کنترلی باید پیش از رسیدن به خط تولید، در شبیه‌سازی و روی مجموعه‌ای از محک‌ها آزموده شود؛ همان‌طور که نسخه‌های نرم‌افزار را می‌آزماییم.

۵. توان محاسباتی را برنامه‌ریزی کنید. تصمیم بگیرید چه چیزی روی ربات و چه چیزی روی سرور اجرا شود. ماژول‌های لبه توانمندتر شده‌اند؛ NVIDIA قیمت Jetson T4000 را در تیراژ ۱۰۰۰ عددی ۱۹۹۹ دلار با مصرف حداکثر ۷۰ وات اعلام کرده است.

۶. ایمنی را ورودی طراحی بدانید. کار در فضای مشترک به ارزیابی ریسک، رویه‌های روشن توقف و دخالت دستی و ثبت همه اقدام‌ها نیاز دارد؛ دقیقاً همان شرط‌هایی که کره برای معافیت خود گذاشت.

۷. گزینه‌های معماری را باز نگه دارید. مدل‌ها و چارچوب‌های باز VLA هزینه آزمایش را پایین می‌آورند و وابستگی به یک فروشنده را کم می‌کنند.

سخن پایانی

مدل‌های بینایی-زبان-عمل برای ربات‌ها همان کاری را می‌کنند که مدل‌های زبانی بزرگ برای نرم‌افزار کردند: تبدیل سامانه‌های محدود و دست‌برنامه‌نویسی‌شده به یک پایه انعطاف‌پذیر. تفاوت در این است که خطا در جهان فیزیکی با قطعه شکسته و حادثه ایمنی سنجیده می‌شود، نه با پاسخ اشتباه. سازمان‌هایی زودتر از هوش مصنوعی فیزیکی سود می‌برند که چشمگیرترین دمو را نمی‌خرند، بلکه انضباط داده، ارزیابی و ایمنی لازم را می‌سازند تا مدل‌های پایه رباتیک را به کار قابل‌اتکا تبدیل کنند.

منابع

• Gemini 4 Argon: Built to solve your hardest problems، گوگل، ۲۱ مهر ۱۴۰۵
• NEURA Robotics Introduces Neuron AI: The Brain of the Physical World، NEURA Robotics، ۲۲ مهر ۱۴۰۵
• Galaxea G0.5: A New-Generation Embodied Foundation Model That Enables Robots to Think While Acting، Galaxea Dynamics، ۲۳ مهر ۱۴۰۵
• Robot Hands for Modern AI and Real Work، Boston Dynamics
• NVIDIA Releases New Physical AI Models as Global Partners Unveil Next-Generation Robots، NVIDIA Newsroom، ۱۵ دی ۱۴۰۴
• Korea Clears Safety Rules to Put 20 Humanoid Robots on Factory Floors، Seoul Economic Daily، ۲۲ مهر ۱۴۰۵
• RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control، Brohan و همکاران، Google DeepMind، arXiv:2307.15818
• Open X-Embodiment: Robotic Learning Datasets and RT-X Models، Open X-Embodiment Collaboration، arXiv:2310.08864