کمبود داده ترمز ربات‌های انسان‌نما را کشید؛ استارتاپ Maxinsights برای حل این چالش ۳۰ میلیون دلار جذب کرد

بر اساس گزارش کرانچ‌بیس (Crunchbase)، سرمایه‌گذاران در نیمه نخست سال ۲۰۲۶ بالغ بر ۴۷٫۴ میلیارد دلار وارد حوزه هوش مصنوعی فیزیکی کرده‌اند؛ رقمی که تقریباً چهار برابر سرمایه‌گذاری‌های انجام‌شده در نیمه دوم سال ۲۰۲۵ است. بااین‌حال، هنوز داده‌های کافی برای آموزش ربات‌های انسان‌نما جهت انجام تمامی کارهای مورد انتظار وجود ندارد. اکنون استارتاپ نوپایی به نام Maxinsights موفق به جذب سرمایه‌گذاری اولیه (Seed) ۳۰ میلیون دلاری شده است تا این گلوگاه اساسی را برطرف کند.

اما این شرکت چگونه می‌خواهد این بحران را حل کند؟

با پرداخت دستمزد به افراد واقعی تا هنگام کار، دوربین‌هایی را به تن کنند.

در حال حاضر بیش از ۵ هزار نیروی کار در ۶ کشور جهان، دوربین‌های اختصاصی Maxinsights را روی سر، مچ دست و قفسه سینه خود نصب می‌کنند و هنگام انجام کارهای روزمره مانند چیدن ظروف در ماشین ظرف‌شویی، درست کردن اسموتی یا شستن خودرو، مشغول به کار می‌شوند. استارتاپ Maxinsights این ویدیوهای اول‌شخص را به داده‌های آموزشی باکیفیت برای مدل‌های پایه رباتیک تبدیل می‌کند.

یوگوآن یوآن (Yuguan Yuan)، بنیان‌گذار و مدیرعامل Maxinsights، در گفت‌وگو با رسانه‌ها توضیح داد: «مدل‌های زبانی نوشتن را با خواندن محتوای اینترنت یاد گرفتند؛ بستری که انسان‌ها چندین دهه آن را با متن پر کرده بودند. اما ربات‌ها از چنین مزیتی بی‌بهره‌اند. هیچ آرشیو ویدیویی از زاویه دید اول‌شخص وجود ندارد که نشان دهد انسان‌ها چگونه ظروف را در ماشین ظرف‌شویی می‌چینند درحالی‌که دست‌هایشان در قاب دوربین مشخص باشد.»

استارتاپ Maxinsights در نظر دارد چنین آرشیوی بسازد؛ اقدامی که می‌تواند قفل میلیاردها دلار سرمایه‌گذاری در حوزه سخت‌افزارهای هوش مصنوعی فیزیکی و ربات‌های انسان‌نما را باز کند. این شرکت اعلام کرده است تاکنون بیش از ۲ میلیون ساعت ویدیو ثبت کرده که ۱٫۵ میلیون ساعت آن کاملاً برای آموزش مدل‌ها آماده‌سازی شده است. هم‌اکنون بیش از ۳۰ مشتری، از جمله آزمایشگاه‌های پیشرو هوش مصنوعی و توسعه‌دهندگان مدل‌های پایه، از داده‌های این شرکت استفاده می‌کنند.

بخشی از این داده‌ها همین حالا در مغز پیشرفته‌ترین و خبرسازترین ربات‌های سال جاری قرار گرفته است.

یوآن می‌گوید: «ما تمام ۲۰۰ هزار ساعت داده‌های دید اول‌شخص (Egocentric) مورد نیاز مدل GENE-26.5 را تأمین کردیم و بزرگ‌ترین تأمین‌کننده داده برای مدل Dyna-2 نیز هستیم.»

مدل GENE-26.5 جدیدترین مدل ارائه‌شده از سوی Genesis AI است؛ شرکتی که با ربات انسان‌نمای Eno و دست‌های رباتیک فوق‌العاده چابک آن در پختن صبحانه، سر و صدای زیادی به پا کرده است. مدل Dyna-2 نیز یک مدل پایه رباتیک توسعه‌یافته توسط شرکت Dyna Robotics است؛ یکی از مجموعه‌هایی که صندوق سرمایه‌گذاری BOT ETF وابسته به RoboStrategy روی آن سرمایه‌گذاری کرده است.

جانسون وانگ (Johnson Wang)، هم‌بنیان‌گذار Genesis AI، در بیانیه‌ای اظهار داشت: «ربات‌ها باید از پیچیدگی‌ها و تنوع زندگی روزمره بیاموزند و مجموعه‌داده‌های آزمایشگاهی و به‌شدت کنترل‌شده به‌تنهایی قادر به ثبت این ظرافت‌ها نیستند. ما در توسعه مدل GENE-26.5 روی ویدیوهایی از کارهای روزمره تمرکز کردیم که افراد آنها را کاملاً طبیعی انجام داده بودند؛ داده‌هایی که بخش عمده آن توسط Maxinsights تأمین شد تا به مدل‌های ما در درک طیف وسیع‌تری از موقعیت‌های دنیای واقعی کمک کند.»

یک ربات به چه میزان از این دست داده‌ها نیاز دارد؟ یوآن معتقد است این رقم بسیار فراتر از موجودی فعلی تمام شرکت‌ها است. یاد دادن یک مهارت خاص به ربات یک بحث است، اما اینکه بتواند در آشپزخانه‌ای کار کند که قبلاً هرگز آن را ندیده، داستانی کاملاً متفاوت خواهد بود.

دستیابی به این سطح ممکن است به داده‌هایی تا ۵ برابر حجم فعلی و تنوعی به‌مراتب بیشتر نیاز داشته باشد.

مدیرعامل این استارتاپ می‌گوید: «مدل Dyna-2 با عبور از مرز یک میلیون ساعت ویدیو از رفتارهای انسانی همچنان روندی صعودی در یادگیری نشان می‌دهد، اما رسیدن به سازگاری گسترده مشابه انسان چالشی متفاوت است. به باور ما، ربات‌ها برای رسیدن به این انعطاف‌پذیری ممکن است در کنار مدل‌های قوی‌تر، به ۱۰ میلیون ساعت یا حتی بیشتر داده متنوع نیاز داشته باشند. مسئله صرفاً افزایش ساعت‌های ضبط نیست، بلکه تنوع تجربیات کاربردی اهمیت دارد.»

این دقیقاً همان شرط‌بندی بزرگی است که شرکت Figure با پلتفرم Index روی آن دست گذاشته است؛ پلتفرمی که به افراد پول می‌دهد تا از انجام کارهای روزمره خود فیلم بگیرند. شرکت Figure ادعا می‌کند این روش توانسته موفقیت ربات‌ها در انجام امور خانگی را ظرف یک ماه تا ۶ برابر افزایش دهد. بااین‌حال، Maxinsights از کار در محیط‌های صحنه‌سازی‌شده خودداری می‌کند و توضیح می‌دهد که رقبا اغلب از اپراتورها می‌خواهند سرعت دست‌هایشان را کم کنند تا پردازش ویدیوها راحت‌تر شود؛ درحالی‌که Maxinsights فعالیت‌های واقعی را با سرعت کاملاً طبیعی در خانه‌ها، رستوران‌ها و هتل‌های واقعی ضبط می‌کند.

به گفته یوآن، تفاوت اصلی این استارتاپ با Figure در مشتریان نهایی داده‌ها است.

او دراین‌باره توضیح می‌دهد: «پلتفرم Index منحصراً برای مدل‌های خود شرکت Figure ساخته شده است، درحالی‌که Maxinsights به بیش از ۳۰ مشتری مختلف شامل آزمایشگاه‌های پیشرو و شرکت‌های سازنده مدل‌های پایه خدمات می‌دهد. ما نیروها را استخدام می‌کنیم، شیوه‌نامه‌های دقیق تصویربرداری را به آنها آموزش می‌دهیم و با سخت‌افزارهای ضبط اختصاصی خود، کل این چرخه کاری را مدیریت می‌کنیم.»

استارتاپ Maxinsights نیروهای پیمانکار خود را از طریق آژانس‌های محلی تأمین نیرو در هر منطقه جذب می‌کند، اما مدیریت مستقیم عملکرد آنها را بر عهده دارد. این موضوع از آن جهت حیاتی است که چالش اصلی در آموزش ربات‌ها، جمع‌آوری مداوم داده‌های استاندارد و باکیفیت است.

اینجاست که پلتفرم هوش مصنوعی MaxLoop وارد میدان می‌شود.

پلتفرم هوش مصنوعی MaxLoop که هم‌زمان با جذب سرمایه رونمایی شد، وظیفه دارد ویدیوهای دریافتی را بلافاصله بررسی و امتیازدهی کند: آیا اپراتور واقعاً در حال کار است؟ آیا دوربین‌ها به درستی پوشیده شده‌اند؟ آیا کار به سرانجام رسیده و مهم‌تر از همه، آیا ویدیو کیفیت لازم را برای آموزش مدل دارد؟ شرکت Maxinsights مدل‌های اختصاصی ردیابی دست خود را بر اساس همین ویدیوها آموزش داده است، چراکه به گفته این شرکت، ویدیوهای دنیای واقعی کارایی اکثر ابزارهای سنتی برچسب‌گذاری را مختل می‌کنند؛ دست‌ها پشت اجسام پنهان می‌شوند، دست‌های چندین نفر هم‌زمان در کادر قرار می‌گیرد، اپراتورها دستکش یا انگشتر به دست دارند و حرکات سریع تصویر را تار می‌کند.

استارتاپ Maxinsights در حال حاضر ماهانه نزدیک به ۴۵۰ هزار ساعت ویدیو را پردازش می‌کند.

یوآن می‌گوید: «پیش از راه‌اندازی MaxLoop، کارشناسان ویدیوها را به‌صورت دستی و بعد از اتمام ضبط بررسی می‌کردند؛ در نتیجه اپراتورها تازه یک تا دو هفته بعد از ایراد کار خود مطلع می‌شدند، آن هم درحالی‌که طی این مدت به ضبط اشتباه ادامه داده بودند.»

بااین‌حال، آموزش ربات صرفاً به داده‌های ویدیویی محدود نمی‌شود. تصویر می‌تواند به ربات نشان دهد که یک دست چه کاری انجام می‌دهد، اما قادر نیست میزان فشار واردشده به شیء را مشخص کند.

یوآن تأکید می‌کند: «دوربین‌ها به شما نشان می‌دهند دست چه می‌کند، اما نمی‌توانند بگویند دست با چه قدرتی جسم را گرفته، وزن جسم چقدر است یا چه زمانی شیء شروع به لیز خوردن می‌کند. این داده‌ها مرز میان رباتی است که یک تخم‌مرغ را برمی‌دارد با رباتی که آن را خرد می‌کند.»

دستکش هوشمند MaxGlove که با همکاری Genesis AI در حال توسعه است، میزان نیروی گرفتن اجسام، وزن اشیاء و نحوه تغییر نقاط تماس را ثبت کرده و این اطلاعات را با ویدیوهای دوربین‌های اپراتور همگام‌سازی (Sync) می‌کند. به گفته Maxinsights، دستکش‌های حسگر موجود نیازمند فرآیندهای کالیبراسیون طولانی هستند و روزانه تنها ۱۰ تا ۲۰ دقیقه داده مفید ثبت می‌کنند؛ وضعیتی که برای شبکه‌ای متشکل از هزاران اپراتور عملی نیست.

هدف این استارتاپ ثبت یک میلیون ساعت داده لمسی و فشاری در سال ۲۰۲۷ است.

این رقم بسیار بزرگ است، اما یوآن خاطرنشان می‌کند که این دستکش‌ها روی شبکه اپراتورهایی قرار می‌گیرند که این شرکت همین حالا هم در حال مدیریت آنها است.

او می‌افزاید: «بخش دشوار کار، حفظ کیفیت یکپارچه در چنین مقیاس عظیمی است و پلتفرم MaxLoop دقیقاً برای حل همین معضل توسعه یافته است.»

صندوق Peak XV، به‌عنوان سرمایه‌گذار اصلی این دور، معتقد است کیفیت، مزیت رقابتی اصلی (Moat) این استارتاپ محسوب می‌شود.

روهیت آگاروال (Rohit Agarwal)، مدیرعامل Peak XV، دراین‌باره گفت: «تقریباً تمام شرکت‌های فعال در این حوزه ساعت‌های ضبط‌شده را می‌فروشند. اما Maxinsights تنها شرکتی است که کنترل کیفیت را به‌جای یک هزینه پرسنلی، یک چالش مهندسی دید و همین دیدگاه به آنها اجازه داده تا در مقیاس واقعی فعالیت کنند. تقلید از چنین رویکردی بسیار دشوار است و به همین دلیل آزمایشگاه‌هایی که سایر ارائه‌دهندگان را امتحان کرده‌اند، دوباره به سراغ Maxinsights برمی‌گردند.»

با تمام این اوصاف، ریسک بزرگ‌تری کل بازار جمع‌آوری داده‌های رباتیک را تهدید می‌کند: چه می‌شود اگر مدل‌های هوش مصنوعی بزرگ آن‌قدر باهوش شوند که ربات‌ها دیگر اصلاً نیازی به کوهی از داده‌های اختصاصی برای کارهای مختلف نداشته باشند؟ این بحث اخیراً داغ شده و دست‌کم یک استارتاپ با شرط‌بندی روی اینکه ربات‌ها به داده‌های واقعی پرهزینه نیازی ندارند، توانسته ۳۲ میلیون دلار سرمایه جذب کند.

یوآن می‌گوید فعلاً نگران این سناریو نیست.

او توضیح می‌دهد: «طبق بازخوردهایی که از مشتریان دریافت می‌کنیم، تقاضا برای داده در کوتاه‌مدت جهش سریعی را تجربه می‌کند. در بلندمدت نیز حتی اگر معضل هوش عمومی ربات‌ها حل شود، باز هم باید ثابت کرد که ربات برای ورود به یک خانه یا کارخانه واقعی آمادگی دارد. این کار نیازمند آزمایش در محیط‌های واقعی است؛ یعنی دقیقاً همان زیرساخت عملیاتی که ما هم‌اکنون ایجاد کرده‌ایم.»

او انتظار دارد مدل تجاری این شرکت ظرف دو سال آینده از ارسال یک‌طرفه داده، به یک چرخه بسته (Closed Loop) تبدیل شود؛ چرخه‌ای که در آن مدل‌های مشتریان برای جهت‌دهی به داده‌های جمع‌آوری‌شده و آزمایش‌ها به Maxinsights بازخورد می‌دهند.

یوآن می‌گوید: «آنچه در حال دگرگونی است، تبدیل شدن جمع‌آوری تجربیات فیزیکی به یک مسئله زیرساختی است. شما به دسترسی به محیط‌های واقعی، اپراتورهای آموزش‌دیده، سخت‌افزارهای یکپارچه و سیستمی نیاز دارید که ویدیوها را به داده‌های آموزشی کاربردی تبدیل کند؛ و این دقیقاً زیرساختی است که ما در حال ساختنش هستیم.»

سرمایه‌گذاری اولیه ۳۰ میلیون دلاری استارتاپ Maxinsights به رهبری صندوق Peak XV و با مشارکت شرکت‌های Tola Capital ،South Park Commons ،INCE Capital و Alumni Ventures به سرانجام رسیده است.