مدیر ارشد فناوری AMD از آینده رباتیک می‌گوید؛ هوش مصنوعی فیزیکی به واکنش‌های سریع و مصرف بهینه نیاز دارد

حوزه رباتیک اکنون به اندازه‌ای پیشرفت کرده است که دانشمندان پیشگام این عرصه، گفتگوهای عمیق‌تری را درباره نحوه ساخت این موجودات هوشمند آغاز کرده‌اند؛ رویکردی که می‌توان آن را «کالبدشناسی ربات‌ها» نامید. این موضوع شامل توجه ویژه به نحوه پیکربندی «مغز» این عوامل غیرانسانی و چگونگی برقراری ارتباط آن با بدنه فیزیکی ربات می‌شود.

انسان‌ها ارتباطی بنیادین و عمیق میان ذهن و بدن خود دارند و پیوسته آن را احساس می‌کنند. بنابراین، اگر قرار است رباتی پیشرفته در دنیای انسان‌ها حرکت کند و عملکرد مؤثری داشته باشد، باید از طراحی مشابهی بهره ببرد.

این دیدگاهی است که مارک پیپرمستر (Mark Papermaster)، مدیر ارشد فناوری و معاون اجرایی شرکت AMD، در جریان افتتاحیه همایش «هوش مصنوعی فیزیکی» (Physical AI Summit) مطرح کرد؛ رویدادی تخصصی که در اواخر ماه اکتبر برگزار شد و به بررسی پیوند هوش مصنوعی با دنیای فیزیکی پرداخت.

پیپرمستر در این مراسم، به تفصیل درباره اصل بنیادین اتصال ذهن و بدنه ربات‌ها به روش‌های نوین و چشم‌انداز این فناوری در سال‌های پیش رو صحبت کرد.

سیستم‌های بازتاب عصبی برای ربات‌ها

پیپرمستر در توضیح این ایده گفت: «در کنار مغز پردازشی، ربات‌ها به بازتاب‌های عصبی نیاز دارند. آن‌ها به نوعی حافظه عضلانی و یک سیستم عصبی محتاج هستند که در همان لحظه و بدون معطلی برای دریافت دستور از مغز، عکس‌العمل نشان دهد. بنابراین، با ورود هوش مصنوعی به دنیای واقعی و فیزیکی، این درس مهم را دوباره یادآوری می‌کنیم که ضمن حفظ تمام دستاوردهای گذشته پیرامون مغز محاسباتی و رایانش سنتی، باید سیستم واکنش‌های سریع و بازتابی را نیز در کالبد ربات تعبیه کنیم.»

او در ادامه درباره ماهیت این واکنش‌های بازتابی توضیح داد:

«من این سیستم بازتابی را چالش بزرگ بعدی در مسیر پیشرفت محاسبات و هوش مصنوعی می‌دانم؛ زیرا وقتی هوش مصنوعی وارد جهان فیزیکی می‌شود، باید بتواند در لحظه حس کند، تصمیم بگیرد و دست به عمل بزند.»

ربات‌ها در خطوط تولید و فراتر از آن

پیپرمستر با اشاره به تلاش‌های در حال انجام گفت: «ما از همین حالا کار روی هوش مصنوعی فیزیکی را آغاز کرده‌ایم تا این مفهوم را به واقعیت تبدیل کنیم و آن را در قالب کاربردهای عملی به کار بگیریم.»

او اشاره کرد که این فناوری قابلیت به‌کارگیری مستقیم در محیط کارخانه‌ها را دارد.

مدیر ارشد فناوری AMD توضیح داد: «ربات‌ها حس لامسه و بینایی را به خطوط تولید اضافه کرده‌اند. پیشرفت در این زمینه شتاب چشمگیری دارد و شرکت‌هایی نظیر آمازون ربات‌های متعددی را به کار گرفته‌اند. پیامد عملی این موضوع آن است که ربات‌ها می‌توانند خطاها و نقایص را پیش از خروج محصول از خط مونتاژ شناسایی کنند. این ماشین‌ها اکنون دوشادوش نیروی انسانی کار می‌کنند؛ امری که موجب جلب اعتماد در محیط‌های صنعتی شده و ضمن ارتقای بهره‌وری، ایمنی محیط کار را نیز تضمین می‌کند.»

او افزود که بخش عمده این فرایند بر پایش دقیق عیوب تولید تمرکز دارد.

پیپرمستر ادامه داد: «نقص در تولید می‌تواند آسیب‌های جبران‌ناپذیری وارد کند. عیوب ساختاری، بازدهی خط تولید را نابود می‌کنند و اگر پوشش آزمایشی کامل نداشته باشید، خروجی‌های نادرستی دریافت خواهید کرد. در چنین شرایطی عملاً هیچ جای خطایی وجود ندارد.»

پیپرمستر با اذعان به اینکه هدایت ربات‌های انسان‌نما به حوزه‌های نوین کاری با چالش‌های خاصی همراه است، آن را مسیری هیجان‌انگیز توصیف کرد.

او خاطرنشان کرد: «ما در AMD با انگیزه و اهداف بزرگی توسعه توان محاسباتی را به پیش می‌بریم؛ زیرا باور داریم هوش مصنوعی پتانسیل‌های انسانی را گسترش می‌دهد. مشاهده نحوه به‌کارگیری کنونی رباتیک تا ظرفیت‌های فوق‌العاده آینده نشان می‌دهد که ما چگونه می‌توانیم نقشی شتاب‌بخش ایفا کنیم و بشریت به چه دستاوردهای بزرگی دست خواهد یافت.»

تأخیر پردازش، توان مصرفی و ایمنی

بخش بعدی سخنرانی پیپرمستر به سه ویژگی کلیدی اختصاص داشت که هوش مصنوعی برای بهینه‌سازی رباتیک فیزیکی به آن‌ها نیازمند است: مدیریت مصرف انرژی، ایمنی بالا، و تأخیر پایین یا همان «واکنش‌های سریع».

او درباره چالش کاهش تأخیر توضیح داد: «ما با مدل‌های بینایی، زبان و عمل (VLA)، کنترل‌کننده‌های کل بدن و مدل‌های کنش جهان سر و کار داریم که در بستر پردازش ابری، برای افزایش توان پردازش مداوم بهینه‌سازی می‌شوند. همه این مدل‌ها از منظر بار محاسباتی بسیار سنگین هستند؛ اما در دنیای رباتیک، عامل تعیین‌کننده زمان تأخیر است. ربات نباید زمان‌بندی پاسخ لحظه‌ای را از دست بدهد. مغز ربات فرایند برنامه‌ریزی را شاید در چند ده میلی‌ثانیه انجام دهد، اما واکنش‌های بازتابی زیربنایی باید در کسری از میلی‌ثانیه و مفاصل ربات ظرف چند میکروثانیه عکس‌العمل نشان دهند. این موضوع چالش محاسباتی را به مراتب پیچیده‌تر و سنگین‌تر می‌کند.»

او درباره اهمیت مصرف انرژی در مراکز داده نیز گفت:

«ما هر روز به مقوله مصرف برق فکر می‌کنیم؛ توان مصرفی همان عملکرد است. اگر بتوانم بهره‌وری انرژی بالاتری داشته باشم، عملکرد پردازشی بیشتری به دست خواهم آورد.»

او یادآور شد که این قاعده در رباتیک به شکلی ویژه خودنمایی می‌کند.

پیپرمستر گفت: «بخش عمده انرژی یک ربات صرف موتورهای محرک آن می‌شود. از همین رو، هم‌زمان با توسعه مدل‌های توانمندتر، ربات با محدودیت ظرفیت باتری و دفع گرما روبرو است. در نتیجه، بهینه‌سازی مصرف انرژی یکی از اصلی‌ترین محدودیت‌های مهندسی به حساب می‌آید.»

در نهایت، مسئله حیاتی ایمنی مطرح می‌شود.

پیپرمستر در این رابطه خاطرنشان کرد: «این ماشین‌ها قرار است در انواع محیط‌ها و درست در کنار انسان‌ها فعالیت کنند. در فضای ابری از امنیت سایبری صحبت می‌کنیم و ربات‌ها نیز به همان اندازه به آن نیاز دارند؛ اما اولویت شماره یک ما در طراحی ربات، ایمنی فیزیکی است. این موضوع به معنای استفاده از سیستم‌های ایمنی توزیع‌شده‌ای است که در صورت بروز نقص، همچنان به‌شکل ایمن به کار خود ادامه دهند (Fail-Operational)، نه اینکه صرفاً ناگهان متوقف شوند. تحقق چنین قابلیتی مستلزم یک معماری محاسباتی بنیادین و متفاوت است که در آن، تقسیم بارهای کاری و انتخاب تراشه‌های پردازشی مناسب، در کانون طراحی کل سیستم قرار گیرد.»

طراحی یکپارچه و نتیجه‌گیری

پیپرمستر در بخش دیگری از صحبت‌هایش بر ضرورت بستن «حلقه کنترل» در رباتیک تأکید کرد.

او گفت: «طراحی از بالا به پایین و از مغز آغاز می‌شود؛ یعنی جایی که برنامه‌ریزی و بخش عمده پردازش هوش مصنوعی شکل می‌گیرد. نیاز محاسباتی این بخش روز به روز سنگین‌تر می‌شود، زیرا دوربین‌ها و حسگرهای بیشتری به ربات‌ها متصل می‌شوند و مغز باید بتواند حجم عظیمی از داده‌های ورودی را ظرف چند ده میلی‌ثانیه تحلیل کند. در نهایت، تصمیمی ارزشمند است که بتوان بلافاصله آن را به مرحله عمل رساند.»

پیپرمستر در ادامه به بحث پیرامون طراحی یکپارچه کالبد ربات، استفاده از اکوسیستم‌های متن‌باز و نقش توسعه ابری پرداخت. او هم‌چنین به پرسش‌های مطرح‌شده از جمله سؤالات دانیلا روس (Daniela Rus)، رئیس آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه MIT (معروف به MIT CSAIL) پاسخ داد.

روس درباره همان سه‌گانه کلیدی یعنی ایمنی، مصرف توان و تأخیر پایین سؤال کرد.

پیپرمستر با اشاره به همکاری مشترک با رامین حسنی، هم‌بنیان‌گذار ایرانی استارتاپ Liquid AI در زمینه طراحی مدل‌های عصبی مایع (برای اطلاعات بیشتر درباره این فناوری می‌توانید اینجا را مطالعه کنید) پاسخ داد: «من شخصاً در جلسات متعدد ایده‌پردازی میان مهندسان ارشد AMD و متخصصان برجسته استارتاپ Liquid AI حضور داشته‌ام. این بهینه‌سازی باید از بالاترین سطح مدل و تنظیم دقیق آن آغاز شود و تا پیاده‌سازی موتور پردازشی، شبکه‌سازی و بسترسازی فیزیکی ادامه یابد. این یک چالش مهندسی بسیار بزرگ است؛ در دنیای هوش مصنوعی فیزیکی باید محاسبات توزیع‌شده را در نظر گرفت و بدون بهینه‌سازی در تمام لایه‌های نرم‌افزار و سخت‌افزار، دستیابی به تأخیر پایین و پاسخ بازتابی سریع ناممکن خواهد بود. حل این چالش مستلزم همکاری بسیار نزدیک همه بخش‌های این حوزه است.»

در بخش دیگری از گفتگو پیرامون موضوع مصرف انرژی و پیش‌نیازهای ساخت نسل بعدی ربات‌ها، پیپرمستر تأکید کرد:

«توان مصرفی معادل عملکرد است؛ این یک حقیقت در مراکز داده محسوب می‌شود و در دنیای رباتیک اهمیتی دوچندان دارد. ما باید مصرف انرژی را در کنار سایر ارکان حیاتی از جمله ایمنی مدیریت کنیم. برای رسیدن به این هدف، بیش از پیش به بهینه‌سازی یکپارچه در سرتاسر پشته باز هوش مصنوعی خود نیاز خواهیم داشت.»

این چشم‌انداز، تصویر روشنی از مسیر پیش روی صنعت رباتیک ارائه می‌دهد؛ مسیری که چگونگی حضور پررنگ‌تر ربات‌ها و همزیستی سازنده آن‌ها با انسان‌ها در جهان آینده را تعیین خواهد کرد.