حقوق امروز، بیکاری فردا؛ شرکت‌های هوش مصنوعی چطور برای آموزش ربات‌ها به انسان‌ها پول می‌دهند؟

در یک عصر جمعه تابستانی، یک سرآشپز اختصاصی در سان‌فرانسیسکو شامی سه‌بخشی شامل سالاد بوراتا، سالمون تنوری و تیرامیسو برای چند مهمان آماده کرد.

این شام کاملاً رایگان بود، اما یک شرط جالب داشت: دوربینی که روی کلاه بیسبال سرآشپز «آلیسر دمیر» نصب شده بود، ثانیه به ثانیه ماجرا را ضبط می‌کرد!

دمیر از طریق پلتفرم «شیفت» (Shift)، که بازوی جمع‌آوری داده استارتاپ آلمانی Microagi محسوب می‌شود، در این خانه حاضر شده بود. ماجرای این استارتاپ از این قرار است که سرآشپزهای اختصاصی را رایگان به خانه شهروندان سان‌فرانسیسکو می‌فرستد؛ آن هم در ازای ضبط ویدیوی زاویه اول‌شخص از تک‌تک مراحل آشپزی آن‌ها. شیفت دستمزد معمول دمیر را که بین ۱۰۰ تا ۱۵۰ دلار به ازای هر نفر است، تمام و کمال پرداخت کرد.

دمیر با خنده می‌گوید: «از روزی که این شغل رو شروع کردم، کارم سیر کردن شکم آدم‌ها بوده؛ اما حالا دارم به هوش مصنوعی هم غذا می‌رسونم!»

سرآشپز دمیر در واقع بخشی از یک پروژه عظیم و جهانی برای جمع‌آوری داده از نحوه تعامل انسان‌ها با دنیای فیزیکی است؛ تلاشی که هدف نهایی‌اش ساخت ماشین‌هایی است که بتوانند در کارخانه‌ها کار کنند، خانه‌ها را تمیز کنند و حتی در میدان‌های جنگ بجنگند. ایلان ماسک هم که آینده تسلا را با ربات انسان‌نمای آپتیموس (Optimus) گره زده، مدام از آینده‌ای آرمانی با «فراوانی پایدار» حرف می‌زند؛ دنیایی که در آن با حضور هوش مصنوعی و ربات‌ها، کار کردن برای انسان‌ها کاملاً اختیاری خواهد بود.

اما فعلاً این رویاهای بزرگ با یک دیوار بلند روبه‌رو شده‌اند: کمبود شدید داده‌های آموزشی! کایل چان، پژوهشگر اندیشکده بروکینگز که در زمینه سیاست‌گذاری صنعتی و فناوری تحقیق می‌کند، در این باره می‌گوید: «امروز در دنیای رباتیک همه هم‌نظرند که کمبود داده، گلوی پیشرفت این صنعت را گرفته است.»

این ماجرا بخشی از موج بزرگ بلعیدن داده‌ها توسط هوش مصنوعی است؛ روندی که در آن کار و مهارت‌های انسان‌ها به ماده خام برای مدل‌های هوشمند تبدیل شده و استارتاپ‌ها حسابی از آن سود می‌برند. ماجرا اول از خریدن ایمیل‌ها و چت‌های اسلک کارمندان توسط آزمایشگاه‌های هوش مصنوعی شروع شد و بعد موسسات حقوقی دهه‌ها تجربه کاری‌شان را به سیستم‌های هوش مصنوعی تزریق کردند؛ حالا این عطش بزرگ به دنیای فیزیکی رسیده و شرکت‌ها به مردم پول می‌دهند تا مهارت‌هایی را که ربات‌ها هنوز یاد نگرفته‌اند، ثبت و ضبط کنند.

همین حالا کارگرانی در مکزیک و فیلیپین ربات‌های مستقر در انبارهای آمریکا را برای بسته‌بندی لوازم آرایشی از راه دور کنترل می‌کنند تا حرکات آن‌ها ذخیره شود و ربات‌ها بالاخره یاد بگیرند خودشان این کار را انجام دهند. در گوشه‌های دیگر دنیا هم کارگران دوربین‌ها را با کش به پیشانی‌شان می‌بندند تا از تا کردن لباس‌ها و مرتب کردن تخت‌خواب‌های هتل فیلم اول‌شخص بگیرند.

جاش گرونشتاین، مدیرعامل استارتاپ Tutor Intelligence می‌گوید: «انتقال بزرگ دانش از انسان به ربات دقیقاً همین‌طور اتفاق می‌افتد.» شرکت او یک «کارخانه داده» در ماساچوست راه‌اندازی کرده که در آن کارگران، ربات‌ها را از راه دور هدایت می‌کنند تا داده‌های آموزشی تولید شود.

بازار داغ و پررونق داده‌های رباتیک

وینیت ولموروگان، مدیر بخش یادگیری ربات در استارتاپ داده انکورد (Encord)، می‌گوید تقاضا برای داده‌های آموزشی ربات نسبت به سال گذشته حدود ۱۰ برابر شده است. مشتریان انکورد، از جمله شرکت‌هایی مثل Dyna Robotics و Agility Robotics، قبلاً هزار ساعت داده نشانه‌گذاری‌شده می‌خواستند؛ اما حالا درخواست‌هایشان به ۱۰ هزار یا حتی ۱۰۰ هزار ساعت رسیده است!

این عطش سوزان برای داده‌های دنیای واقعی هم‌زمان با جهش بزرگ رباتیک در سیلیکون‌ولی اوج گرفته است. سازندگان ربات‌های انسان‌نما مانند Figure AI و Agility Robotics به ارزش‌گذاری‌های چند میلیارد دلاری رسیده‌اند؛ درست مثل استارتاپ‌هایی که مشغول ساخت «مغز ربات» هستند، از جمله Skild AI و Physical Intelligence.

بر اساس داده‌های موسسه پیچ‌بوک (PitchBook)، شرکت‌های رباتیک تنها در نیمه اول امسال ۳۳.۴ میلیارد دلار سرمایه در سراسر جهان جذب کرده‌اند؛ رقمی که حتی از کل سرمایه ۲۸.۷ میلیارد دلاری جذب‌شده در سال ۲۰۲۵ هم بیش‌تر است! افت قیمت سخت‌افزار و توان پردازشی، مدل‌های هوش مصنوعی پیشرفته‌تر، کمبود شدید نیروی کار و رقابت نفس‌گیر با چین، همگی آتش سرمایه‌گذاری در این حوزه را شعله‌ورتر کرده‌اند.

با این حال، هنوز فاصله و شکاف عمیقی میان ربات‌هایی که در ویدیوهای تبلیغاتی خوش می‌درخشند و ماشین‌هایی که واقعاً بتوانند یک شیفت کاری هشت‌ساعته را بدون خرابی در کارخانه دوام بیاورند وجود دارد. شرکت‌های رباتیک امیدوارند تزریق داده‌های آموزشی بیش‌تر این شکاف را پر کند؛ به همین دلیل تأمین‌کنندگان داده از سراسر جهان، از استارتاپ‌های نوپا گرفته تا نام‌های آشنایی مثل Scale AI، اینستاورک (Instawork) و اوبر (Uber)، با شتاب تمام به دنبال فروش داده به آن‌ها هستند.

برای ضبط دقیق دنیای واقعی، سخت‌افزارهای اختصاصی حرف اول را می‌زنند. استارتاپ Mecka AI که بیش از ۱۲۰ میلیون دلار از غول‌هایی مثل سکویا و انویدیا سرمایه جذب کرده، کارش را دو سال قبل با اپلیکیشنی آغاز کرد که در ازای ضبط فعالیت‌های روزمره به افراد پول می‌داد؛ اما آن‌ها خیلی زود متوجه شدند که ویدیوهای معمولی برای آموزش ربات‌ها کافی نیستند.

جاش گائو، مدیرعامل این استارتاپ، توضیح می‌دهد که آن‌ها حالا سربندها و دستکش‌های مجهز به حسگر طراحی می‌کنند تا به‌اصطلاح «انسان‌ها را حسگرمحور» کنند. این تجهیزات حرکات دقیق و میزان فشار وارده را ثبت می‌کنند؛ مثلاً چه مقدار فشار برای نگه داشتن یک لیوان یا شکستن یک تخم‌مرغ لازم است. سپس نیروهای قراردادی این ویدیوها را برچسب‌گذاری می‌کنند تا شرکت آن‌ها را به آزمایشگاه‌های هوش مصنوعی و غول‌های رباتیک بفروشد.

شرکت Microagi، مالک استارتاپ شیفت، در حال گسترش شبکه جمع‌آوری داده‌های خود به خانه‌ها و محیط‌های کاری در بیش از ۱۵ کشور است. برجان کیلیچ، مدیرعامل این شرکت، اعلام کرده که به بیش از ۳۵ هزار نفر پول می‌دهند تا حین انجام کار‌های فیزیکی از خودشان فیلم بگیرند. به گفته شیفت، هر شرکت‌کننده می‌تواند تا ساعتی ۳۰ دلار درآمد داشته باشد و این پلتفرم در سال ۲۰۲۶ تاکنون حدود ۱۰ میلیون دلار به این افراد پرداخت کرده است.

کار‌های روزمره خانه رایج‌ترین سناریوها هستند، اما ثبت وظایف عجیب و غیرمعمول به مدل‌ها کمک می‌کند در مواجهه با شرایط پیش‌بینی‌نشده هوشمندانه‌تر عمل کنند. کیلیچ تعریف می‌کند که مثلاً یکی از همکاران آن‌ها در ترکیه، از مراحل تعمیر موتورهای قدیمی جت در گاراژ خانه‌اش فیلم می‌گیرد!

هدف کیلیچ گردآوری داده‌های کافی برای ساخت ربات‌هایی است که بتوانند در کارخانه‌ها کار کنند و بحران کمبود نیروی کار در اروپا و آمریکا را حل نمایند. او در این باره می‌گوید: «اگر کارخانه‌دار باشید، حساب‌وکتاب روی میزتان کاملاً روشن است؛ باتجربه‌ترین نیروهای شما در همین دهه بازنشسته می‌شوند و جایگزینی هم برای آن‌ها متولد نشده است! بازگرداندن کارخانه‌ها به خاک غرب فقط در صورتی ممکن است که ربات‌ها وارد میدان شوند.»

درآمد امروز، خودکارسازی فردا

اما برای نیروهایی که این داده‌ها را فراهم می‌کنند، یک معامله دو سر باخت یا برنده در جریان است: کسب درآمد نقدی امروز در ازای کمک به ساخت ماشین‌هایی که در نهایت ممکن است شغل خود آن‌ها را از بین ببرند و خودکار کنند.

البته سرآشپز دمیر معتقد است شغلش در امان خواهد بود: «ماشین‌ها فقط می‌توانند تماشا کنند، بشنوند و از دستورات پیروی کنند؛ آن‌ها توانایی چشیدن طعم‌ها، لمس کردن و بوییدن را ندارند.»

معادله‌های اقتصادی اما در کشور‌هایی با نیروی کار ارزان‌تر کاملاً متفاوت است. شرکت Human Archive در سان‌فرانسیسکو، از سال گذشته با همکاری پلتفرم‌های واسطه‌ای کار، هتل‌ها و کسب‌وکارهای لوله‌کشی و برق‌کاری، فعالیتش را در هند کلید زد. این استارتاپ کار خود را با اپلیکیشنی برای ضبط صدا و ویدیوهای زاویه اول‌شخص آغاز کرد، اما حالا سخت‌افزارهای اختصاصی از جمله هدست‌های دوربین‌دار و ردیاب‌های مچی را در چین تولید می‌کند تا تمام حرکات را با ظرافت ثبت نماید.

راج پاتل، مدیرعامل این شرکت می‌گوید آن‌ها حالا در بیش از ۳۰ کشور فعال هستند و بسته به میزان دست‌وپاگیر بودن تجهیزات، بین ۱ تا ۱۰ دلار و «حتی خیلی بیش‌تر» به ازای هر ساعت به افراد پرداخت می‌کنند. به گفته پاتل، این کارگران می‌توانند صرفاً با پوشیدن این گجت‌ها، «تقریباً به اندازه یا حتی بیش‌تر از شغل اصلی‌شان» درآمد به جیب بزنند.

استارتاپ‌های Mecka و Human Archive مشخص نکرده‌اند که چطور رضایت آگاهانه کارکنان را هنگام جمع‌آوری داده از طریق شرکت‌های همکار یا پیمانکاران محلی جلب می‌کنند. در مقابل، استارتاپ شیفت تأکید دارد که مشارکت کاملاً داوطلبانه است و رضایت کتبی و صریح افراد را جلب می‌کند؛ به این صورت که توضیح می‌دهد چه داده‌هایی ثبت می‌شود و این داده‌ها ممکن است برای آموزش هوش مصنوعی و رباتیک در اختیار سایر آزمایشگاه‌ها قرار گیرد.

رقابت جهانی بر سر این کار‌ها پیامدهای تاریکی هم دارد. مارک گراهام، استاد موسسه اینترنت آکسفورد و نویسنده کتاب «تغذیه ماشین» (کتابی درباره کارگران پشت صحنه هوش مصنوعی)، معتقد است این روند دستمزدها را پایین می‌کشد و قدرت چانه‌زنی کارگران را به صفر می‌رساند: «خیلی وقت‌ها این نیروها حتی دقیقاً نمی‌دانند دارند چه کار می‌کنند؛ آن‌ها مثل قطعاتی یک‌بارمصرف و بی‌اهمیت در دل یک ماشین بسیار بزرگ‌تر هستند.»

این فعالیت‌ها از نظر جسمی هم طاقت‌فرسا هستند. یکی از اپراتورهایی که از دفتری در تگزاس ربات‌های حاضر در انبارهای آمریکا را کنترل می‌کند، می‌گوید شیفت‌های کاری هشت‌ساعته باعث گرفتگی شدید عضلات دست و شانه می‌شود: «کار به جایی رسیده که حتی در دفترمان تفنگ ماساژور گذاشته‌ایم تا کمی خستگی عضلاتمان در برود!»

آیا این تب‌وتاب و انفجار داده ادامه‌دار خواهد بود؟

شرکت‌های فعال در این بازار شرط بسته‌اند که عطش ساخت ربات‌های هوشمند، تقاضا برای داده را تا سال‌های آینده زنده نگه می‌دارد. شرکت پژوهشی موردور اینتلیجنس (Mordor Intelligence) پیش‌بینی می‌کند که بازار داده‌های آموزشی هوش مصنوعی از ۱۱.۹ میلیارد دلار در سال جاری به نزدیک ۴۹.۸ میلیارد دلار تا سال ۲۰۳۱ خواهد رسید.

سیدارت راماکریشنان، از شرکای شرکت سرمایه‌گذاری Scale Venture Partners، می‌گوید سناریوی طلایی و خوش‌بینانه برای تأمین‌کنندگان داده‌های رباتیک این است که استارتاپ‌ها بخش بزرگی از سرمایه‌های هنگفت خود را پای خرید داده‌های آموزشی خرج کنند.

او تأکید می‌کند: «اگر قانون مقیاس‌پذیری (Scaling Laws) در این حوزه هم جواب دهد، این کیک روزبه‌روز بزرگ‌تر خواهد شد.»

اما او در ادامه یادآور می‌شود که هنوز هیچ‌کس نمی‌داند ربات‌ها برای رسیدن به دقت و عملکرد بدون نقص به چه حجم عظیمی از داده نیاز دارند. اگر به داده کمتری احتیاج داشته باشند، بازار این شرکت‌های تأمین داده کساد خواهد شد؛ اما اگر داده بسیار بیشتری بخواهند، ممکن است سرمایه‌گذاران پیش از رسیدن ربات‌ها به درآمدزایی تجاری، از تزریق بی‌وقفه پول خسته شوند و عقب بکشند.

برخی دیگر معتقدند که تقاضا برای داده‌های رباتیک هنوز حتی به قله خود نزدیک هم نشده است! ولموروگان از شرکت انکورد مغز ربات‌های امروزی را به مغز یک کودک دوساله تشبیه می‌کند و تخمین می‌زند که آموزش ربات برای انجام کار‌های خانگی — که به خاطر بی‌نظمی یکی از پیچیده‌ترین محیط‌هاست — به پایگاه داده‌ای پنج برابر کل یوتیوب نیاز دارد! جالب است بدانید طبق گزارش شرکت پژوهشی Omdia، در پایان سال ۲۰۲۵ یوتیوب حاوی حدود ۲۹ میلیارد ویدیو بوده که معادل ۲۸۰ هزار سال ویدیوی متوالی است!

کن گلدبرگ، استاد رباتیک در دانشگاه برکلی و هم‌بنیان‌گذار استارتاپ رباتیک انباری Ambi Robotics، می‌گوید: «خیلی سخت است که بگوییم عاقبت این مسیر چه خواهد شد؛ شاید رسیدن به آن ۵ سال زمان ببرد یا ۵۰ سال! حتی اگر همین حالا داده‌های نامحدود هم در اختیار داشته باشیم، اصلاً مشخص نیست که آیا صرفاً با تزریق داده می‌توان به نتیجه رسید یا نه.»

از طرفی، آموزش ربات‌ها در محیط‌های شبیه‌سازی‌شده مجازی (Simulation) هم می‌تواند معادلات بازی را کاملاً عوض کند. استارتاپ World Labs که قرار است با قراردادی ۸.۲ میلیارد دلاری توسط AMD تصاحب شود، ادعا می‌کند می‌تواند از حجم اندکی ویدیو، محیط‌های شبیه‌سازی‌شده سه‌بعدی بسازد و با تغییر متغیرها، داده‌های آموزشی بی‌شماری برای ربات‌ها تولید کند. اگر این فناوری به وعده‌هایش عمل کند، شرکت‌های رباتیک دیگر به این حجم سرسام‌آور از داده‌های دنیای واقعی نیازی نخواهند داشت.

اما حتی اگر تقاضا برای داده ادامه‌دار باشد، تضمینی برای سودآوری این کسب‌وکارها وجود ندارد.

اوایل امسال، سم پادیلا استارتاپ داده رباتیک خود به نام Eidon AI را به خاطر چالش‌های لجستیکی، هزینه‌های سرسام‌آور اولیه و حاشیه سود بسیار ناچیز تعطیل کرد. او این مدل کسب‌وکار را با دراپ‌شیپینگ مقایسه می‌کند؛ جایی که فروشندگان کالاها را با یک سود اندک دست‌به‌دست می‌کنند، تا زمانی که رقبا از راه برسند و با قیمت‌شکنی، همان حاشیه سود باریک را هم نابود کنند.

پادیلا می‌گوید: «اگر حاضر باشید وارد جنگ فرسایشی کاهش قیمت‌ها شوید، فرصتی برای درآمدزایی وجود دارد؛ اما اینکه با یک گلوگاه فنی بزرگ در صنعت روبه‌رو هستیم، لزوماً به این معنا نیست که با یک مدل کسب‌وکار عالی و پرسود طرفیم!»