هوش مصنوعی فیزیکی به مغز بزرگ‌تر نیاز ندارد، بلکه به یک سیستم عصبی محتاج است

در جریان رقابت‌های جام جهانی و رویارویی برترین ورزشکاران جهان در بالاترین سطح مسابقات، همواره این پرسش بنیادین مطرح می‌شود: چه عاملی یک ورزشکار را به سطحی استثنایی و نخبه می‌رساند؟ دانش فنی، آمادگی جسمانی یا عطش پیروزی به‌تنهایی نمی‌توانند پاسخی کامل به این پرسش باشند. تمایز اصلی در مهارت اجرا نهفته است؛ عملکرد بیخطا و درخشان در حساسترین لحظات، همان ویژگی بارزی است که برترین‌ها را از سایرین جدا می‌کند.

مفهوم «عملکرد ممتاز» امروزه در دنیای فناوری نیز اهمیتی دوچندان یافته است. هوش مصنوعی فیزیکی (Physical AI) بهدرستی توجه کارشناسان را به خود جلب کرده؛ چراکه انواع ربات‌ها، پهپادها و ماشین‌های خودران با سرعتی فزاینده در حال ظهور هستند. حال اگر قرار است این سامانه‌های هوشمند وارد زندگی روزمره انسان‌ها شوند، عملکرد ممتاز و بینقص برای آنها چه تعریفی خواهد داشت؟

درخشش و عملکرد عالی حاصل تفکر طولانی‌تر نیست

طرفداران فوتبال هنرنمایی لیونل مسی را به‌خوبی در خاطر دارند. او چنان با آرامش و با کمترین زحمت توپ را به گردش درمیآورد که گویی قوانین فیزیک را به بازی گرفته است. حرکات او طوری طراحی می‌شوند که گویا از چند ثانیه قبل گام بعدی مدافع حریف را پیش‌بینی کرده است. در نگاه اول شاید تصور شود چنین دقتی از سرعت تفکر بسیار بالاتر ناشی می‌شود؛ اما واقعیت دقیقاً برعکس است. سرعت تصمیم‌گیری در این صحنه‌ها فراتر از فرایند تفکر آگاهانه بوده و در عمل، بازتاب‌های غریزی و حسی کنترل میدان را در دست می‌گیرند.

اگر به مفهوم «عملکرد بدون تفکر آگاهانه» دقیق‌تر نگاه کنیم، ردپای آن را در تمام ارکان زندگی روزمره می‌بینیم: حفظ تعادل هنگام راه رفتن، پلک زدن یا عبور از میان جمعیتی متراکم، همگی بدون مکث فکری و با کمترین مصرف انرژی انجام می‌پذیرند. با این وجود، پیاده‌سازی چنین قابلیتی برای ماشین‌ها و ربات‌ها همچنان بزرگ‌ترین و پیچیده‌ترین مانع فنی است.

دنیای واقعی قوانین هوش مصنوعی را دگرگون می‌کند

یک مشاهده کلاسیک در تاریخ رباتیک وجود دارد که بازخوانی آن بسیار آموزنده است: کارهایی که در نگاه سنتی اوج هوشمندی انسان شمرده می‌شوند، مانند حل معادلات پیچیده ریاضی، درک استدلال‌های منطقی یا بهخاطرسپاری حجم عظیمی از داده‌ها، اموری هستند که ماشین‌ها با بیشترین سرعت و به‌سادگی انجام می‌دهند. در مقابل، مهارت‌هایی که یک کودک نوپا به‌راحتی آنها را فرا می‌گیرد، نظیر برداشتن یک فنجان، حفظ تعادل در حین ایستادن یا گام برداشتن روی موانع کوچک، مسائلی هستند که دهه‌ها مهندسان هوش مصنوعی را سردرگم کرده‌اند.

درس بنیادین این تناقض روشن است: هوشمندی پدیده‌ای نیست که بتوان آن را تنها از طریق بزرگ‌تر کردن ابعاد مغز و مدل‌های محاسباتی مقیاسپذیر کرد.

بخش اعظم هوشمندی دیجیتالی که تاکنون توسعه یافته، درون بسترهای ابری متمرکز مستقر است. اگر پرسشی از این مدل‌ها مطرح شود، سیستم ثانیه‌هایی هرچند کوتاه برای پردازش و پاسخدهی در اختیار دارد؛ اما دنیای مادی چنین صبری ندارد. پهپادی که باید در برابر وزش ناگهانی تندباد تغییر مسیر دهد، خودرویی که با ورود ناگهانی یک عابر به خیابان روبهرو می‌شود، یا رباتی که می‌خواهد قطعه حساسی را پیش از سقوط بگیرد، نمی‌توانند منتظر ارسال داده به سرورهایی دوردست بمانند. پاسخ محاسباتی باید دقیقاً در نقطه وقوع حادثه، در کسری از میلیثانیه و بدون کوچک‌ترین وقف‌های صادر شود.

از سوی دیگر، تبعات اشتباه در جهان فیزیکی تفاوت ماهوی دارد. پاسخ اشتباه در یک محیط نرمافزاری با به‌روزرسانی کدها قابل جبران است؛ اما در دنیای واقعی نمیتوان یک تصادف جادهای یا سقوط سنگین را اصلاح کرد. زمانی که هوش وظیفه کنش در دنیای فیزیکی را بر عهده می‌گیرد، شاخص‌هایی چون تاخیر حداقلی، بازدهی انرژی و پایداری عملکرد از سطح قابلیت جانبی فراتر رفته و به اصول بقای سیستم تبدیل می‌شوند.

طرحی الهامبخش بر پایه زیستشناسی

طبیعت طی صدها میلیون سال تکامل، سامانه‌های هوشمند زیستی را صیقل داده و معماری کارآمدی بر جای گذاشته است: هوش در موجودات زنده ساختاری کاملاً توزیعشده دارد. مخ وظیفه استدلال تحلیلی و تفکر هوشیار را عهدهدار است، مخچه هماهنگی حرکتی و توازن را کنترل می‌کند و نخاع مدیریت بازتاب‌های سریع و واکنشی را بر دوش می‌کشد.

لحظه لغزیدن پا روی یک سطح لیز را در نظر بگیرید؛ پیش از آنکه بخش آگاهانه مغز خطر سقوط را تحلیل کند، عضلات بدن منقبض شده و تعادل را حفظ کرده‌اند. این فرمان حرکتی هرگز به بخش استدلالگر مغز ارسال نشد؛ زیرا پردازش در آن بخش فرآیندی بسیار زمانبر به‌شمار می‌رود. استدلال، هماهنگی و واکنش بازتابی، سه سامانه مستقل ولی هم‌راستا هستند که هر کدام نوع مناسبی از توان محاسباتی را در جایگاه صحیح به کار می‌گیرند.

این همان قاعدهای است که صنعت فناوری باید در مسیر طراحی ابزارهای خود دنبال کند. ماشین‌ها زمانی هوشمندتر می‌شوند که ظرفیت پردازشی درستی در لایه‌های مختلف آنها تعبیه شود؛ دستاوردی که از طریق «معماری محور عصبی توزیعشده» دستیافتنی خواهد شد.

با الهام از ارگانیسم بدن، چنین رویکردی بر سه لایه متمایز اما متصل متمرکز است: یک لایه استدلال سطح بالا با سرعت پردازش آرامتر، یک لایه میانی برای مدیریت هماهنگی‌های حرکتی و یک لایه فوقسریع در لبه شبکه برای ثبت بازتاب‌های آنی؛ بهگون‌های که هر سطح نقشی مشخص را بر عهده گیرد.

یک ربات انساننما را در حال جابهجایی بار در انبار در نظر بگیرید. لایه استدلالگر، مسیر حرکت به سمت قفسه مقصد را تعیین می‌کند؛ لایه هماهنگی، پایداری گام‌ها را هنگام راه رفتن برقرار نگه می‌دارد؛ و اگر بهناگاه بست‌های از قفسه سقوط کرده و به بازوی ربات برخورد کند، لایه بازتابی در کسری از میلیثانیه تعادل بازو را بازمییابد و از رها شدن محموله جلوگیری می‌کند. این جنس از واکنش‌های بلافاصله فقط در پردازنده‌های لبه و به‌صورت بومی امکانپذیر است و تخصیص هوشمندانه توان محاسباتی به هر بخش، ایمنی ربات‌ها را تضمین خواهد کرد.

فهم عمیق سازوکار حاکم بر دنیای فیزیکی

سرعت واکنش شرطی حیاتی است، اما کافی نخواهد بود. ماشین برای حضور مؤثر در پیرامون خود باید قواعد فیزیکی اشیا را درک کند؛ پارامترهایی چون جرم، اندازه حرکت، نیروی اصطکاک و جهت سرنگون شدن یک جسم در صورت ورود ضربه نامتقارن. کودکان این مفاهیم را از روی جزوه‌های علمی فرانیگیرند؛ آنها قوانین دنیای واقعی را بر پایه آزمون، خطا و اصلاحات تدریجی درونی می‌کنند. با این حال، ربات‌ها چنین فرصتی برای خطا کردن ندارند؛ زیرا در محیط‌های فیزیکی، هر تجربه نادرستی می‌تواند آسیب‌های مالی و جانی به‌همراه داشته باشد.

یک ورزشکار برجسته الگوهای حرکتی خود را در قالب کتاب‌های نظری فرانمیگیرد، بلکه طی هزاران ساعت تمرین عملی این مهارت‌ها را به ناخودآگاه خود میسپارد؛ مسیری طولانی که پیاده‌سازی عینی آن در ربات‌ها غیرممکن است.

به همین سبب، جذاب‌ترین حوزه پژوهش‌های امروزی بر آموزش قابلیت «پیش‌بینی حرکتی» به‌جای «واکنش انفعالی» متمرکز شده است. مدل‌های موسوم به بینایی، زبان و عمل (Vision-Language-Action یا VLA) پلی استوار میان ادراک محیطی و کنش حرکتی پدید می‌آورند و میان مشاهدات دیداری، فرامین دریافتی و نحوه اجرای حرکت پیوندی ناگسستنی ایجاد می‌کنند.

طراحی چنین مدل‌هایی بسیار پیچیده است و بهینه‌سازی آنها برای استقرار در محدودیت‌های توان مصرفی و حافظه قطعات پردازشی لبه، چالشی حتی بزرگ‌تر به‌شمار می‌رود. کاستن از فاصله موجود میان توانایی مراکز داده عظیم و امکانات واقعی سختفزارهای میدانی، یکی از مهم‌ترین دستاوردهای مهندسی در دهه پیش رو خواهد بود.

برای غلبه بر این مانع در صنعت هوش مصنوعی فیزیکی، دو اقدام ضروری پیش رو قرار دارد: نخست، توسعه پردازنده‌های کممصرف و نیرومندی که برای تکتک لایه‌های ساختار شناختی ربات‌ها (از لایه استدلال و هماهنگی گرفته تا شبکه حسی محیطی) بهینه شده باشند؛ دوم، فراهم آوردن ابزارهای نرمافزاری و فریمورک‌های استانداردی که فرایند توسعه عوامل هوشمند خودکار در لبه شبکه را سرعت بخشند.

اعتماد، شرط ورود ربات‌ها به جامعه انسانی

به این دلیل که در عالم واقع هیچ گزینه بازگشتی (Undo) تعبیه نشده است، هوش مصنوعی فیزیکی بدون جلب اعتماد کامل هرگز جایگاه خود را نخواهد یافت.

انسان‌ها زمانی از حضور چنین سیستم‌هایی در خانه‌ها، معابر عمومی و مراکز صنعتی استقبال می‌کنند که نسبت به رفتار قابل پیش‌بینی آنها در بزنگاه‌های خطر اطمینان داشته باشند و بدانند ماشین‌ها حتی در شرایط بروز نقص فنی نیز رفتاری ایمن از خود نشان می‌دهند. چنین ضریب اطمینانی را نمیتوان در مراحل پایانی ساخت محصول به آن الصاق کرد؛ بلکه این قابلیت باید از پایین‌ترین لایه‌ها و در سطح مدارهای سیلیکونی تعریف شود تا سامانه حین برخورد با رویدادهای غیرمنتظره، ایمن‌ترین سناریو را پیاده کند.

پایدارسازی این اعتماد متقابل مستلزم طراحی مدل‌های غولپیکرتر نیست، بلکه به معماری بنیادین سیستم‌ها پیوند خورده است؛ دقیقاً بر مبنای همان ساختار چندلای‌های که طبیعت در موجودات زنده خلق کرده است. استدلال، هماهنگی و بازتاب‌های حرکتی، زمانی که هر کدام در بستری مستقل و امن وظیفه خود را پیش ببرند، کلیتی قابل اعتماد پدید می‌آورند. ساختاری که میلیاردها سال سلامت موجودات زنده را در جهانی ناپایدار تضمین کرده، مطمئنترین نقشه راه برای ماشین‌هایی است که قرار است شانهبهشانه انسان‌ها زندگی کنند.

هوش مصنوعی فیزیکی زمانی به بلوغ کامل می‌رسد که صاحب یک سیستم عصبی توزیعشده شود؛ زیرساختی طراحی شده برای ایجاد امنیت و اعتماد در تمام سطوح ادراک و عمل.