آموزش ربات‌ها حین کار توسط انسان؛ راهکار نوآورانه استارتاپ Tutor برای هوشمندسازی ماشین‌ها

با نگاهی به فعالیت‌های امروز شرکت‌های پیشرو در عرصه رباتیک، به‌وضوح درمی‌یابیم که در آینده‌ای بسیار نزدیک، سبک زندگی ما در دنیایی کاملاً متفاوت رقم خواهد خورد.

ربات‌های هوشمند بی‌تردید ساختار بسیاری از صنایع را دگرگون می‌کنند و نقش‌های شغلی، بخش خدمات و حتی معادلات عرضه و تقاضا را به‌سرعت بازتعریف خواهند کرد. با این حال، چه مانعی بر سر راه تحقق کامل این تحول بزرگ ایستاده است؟

بخش عمده این چالش به ناآشنایی هوش مصنوعی با قوانین و پیچیدگی‌های دنیای فیزیکی برمی‌گردد؛ دانشی شهودی و تجربی که انسان‌ها از بدو تولد و روزبه‌روز با رشد و تعامل مستقیم با پیرامون خود به دست می‌آورند.

بررسی تحولات پیش‌رو نشان می‌دهد که رویکردهای نوین چگونه در حال شکستن این بن‌بست تاریخی هستند.

تنگنای هوش مصنوعی در دنیای فیزیکی

چالش بنیادین در مهندسی رباتیک دقیقاً همین نکته است: چگونه می‌توان رباتی را در یک محیط واقعی مستقر کرد که مانند انسان «باهوش» باشد و با شهود، دقت و انعطاف‌پذیری لازم بداند در هر شرایط فیزیکی چه کاری را باید انجام دهد و از چه اقداماتی پرهیز کند؟

استارتاپ Tutor که سخت‌افزار ربات‌ها را خود طراحی می‌کند و مدل‌های اختصاصی هوش مصنوعی را برای هدایت آنها آموزش می‌دهد، با رویکردی نوآورانه این تنگنای محاسباتی را دور زده است. ایده این شرکت روی کاغذ بسیار ساده به نظر می‌رسد، اما تأثیری شگرف بر این حوزه گذاشته است: لزومی ندارد تمام هوشمندی و ادراک محیطی از همان آغاز درون کدهای ربات گنجانده شود؛ بلکه یک اپراتور انسانی می‌تواند این مهارت‌ها را حین کار واقعی و در محیط تولید به ربات بیاموزد. در نتیجه، هر وظیفه‌ای که به انجام می‌رسد، به داده‌ای باارزش تبدیل می‌شود که تمام ناوگان ربات‌ها را باهوش‌تر می‌سازد.

در دوران ابتدایی یاد‌گیری ماشین و پیش از شکل‌گیری بینایی ماشین پیشرفته، دو رویکرد اصلی وجود داشت: یاد‌گیری نظارت‌شده (Supervised) و بدون نظارت (Unsupervised). روش‌های بدون نظارت روی کاغذ چشمگیرتر و خودکارتر به نظر می‌رسیدند، اما در عمل یاد‌گیری نظارت‌شده با برچسب‌گذاری داده‌ها توسط انسان گره‌های بیشتری را باز کرد و مسائل پیچیده‌تری را به سرانجام رساند.

حال این پرسش مطرح می‌شود: چرا نباید همین فرمول موفق را روی ربات‌ها پیاده کرد؟

استارتاپ Tutor دقیقاً همین ایده را عملی کرده است. تیم تحقیق و توسعه این شرکت، مدل‌های پایه رباتیک را بر اساس داده‌های تجربی ناوگان آموزش می‌دهد؛ بنابراین، آموزشی که یک ربات از راهنمای انسانی خود در یک کارگاه دریافت می‌کند، در به‌روزرسانی بعدی به‌عنوان قابلیتی جدید در تمام ربات‌های فعال در سراسر شبکه ظاهر می‌شود.

حضور ربات‌ها در خطوط واقعی کار

این استارتاپ به‌تازگی موفق به جذب سرمایه ۷۵ میلیون دلاری در دور سری B به رهبری شرکت Andreessen Horowitz شده که مجموع سرمایه جذب‌شده آن را به ۱۱۷ میلیون دلار رسانده است. در این دور، سرمایه‌گذاران پیشین از جمله Union Square Ventures و Neo نیز مشارکت داشتند. سرمایه جدید به Tutor امکان می‌دهد مدل‌های زبانی و ادراکی بزرگ‌تری توسعه دهد و ربات‌های آموزش‌پذیر خود را در صنایع گوناگون مستقر کند تا بهره‌وری شرکت‌های مشتری را ارتقا دهند.

طبق گزارش شرکت Tutor، تعداد پایگاه‌های عملیاتی فعال این ربات‌ها نسبت به سال گذشته تقریباً ۴ برابر شده است و پیش‌بینی می‌شود تا پایان سال ۲۰۲۷ میلادی بیش از ۱۰۰۰ دستگاه ربات بر پایه قراردادهای رسمی در مراکز صنعتی مشغول به کار شوند.

ربات‌های کارگر این شرکت به نام‌های Cassie و Sonny، با راهنمایی مربیان انسانی از راه دور، وظایف متنوعی از جمله برداشتن و جابه‌جایی قطعات، یدک‌کشی و چیدمان کالاها را در انبارها و فضاهای کاری انجام می‌دهند. این سخت‌افزارهای اختصاصی به سیستم حرکتی، حسگر لایدار (LiDAR)، بازوهای ۶ محوره مجهز به محور هفتم و هم‌چنین سری مدل‌های پایه Tutor مجهز هستند. این امکانات یکپارچه‌سازی ربات‌ها را در فرآیندهای کاری موجود تسهیل کرده و آموزش مستقیم حین کار، مهارت‌های عملی آنها را روزبه‌روز ارتقا می‌بخشد. از آنجا که این ماشین‌ها از مدل‌های بومی Tutor فرمان می‌گیرند، با عرضه هر نسخه به‌روزرسانی‌شده توسط تیم تحقیقاتی، ربات‌های مستقر در خطوط تولید نیز بی‌درنگ ارتقا پیدا می‌کنند.

دیدگاه سرمایه‌گذاران خطرپذیر

راگو راگورام (Raghu Raghuram)، شریک ارشد در شرکت سرمایه‌گذاری Andreessen Horowitz (معروف به a16z) و مدیرعامل پیشین شرکت نام‌آشنای VMware، دیدگاه‌های قابل‌توجهی درباره سرمایه‌گذاری در این حوزه دارد. او دلایل اصلی حمایت مالی گسترده a16z از Tutor را تشریح کرده است.

راگورام در تشریح چرایی انتخاب Tutor، پیش از هر چیز بر تیم انسانی و بنیان‌گذاران آن تأکید می‌کند.

راگورام درباره جاش گرونستاین (Josh Gruenstein)، هم‌بنیان‌گذار و مدیرعامل Tutor، می‌گوید: «او درک فنی عمیق از این حوزه را با بینش تجاری قوی پیوند زده است و به‌خوبی ضرورت تلفیق تمام سطوح سخت‌افزار و نرم‌افزار رباتیک با نیازهای روزمره کسب‌وکارها را درک می‌کند. نخستین دلیل ما برای سرمایه‌گذاری در Tutor، توانمندی بالای بنیان‌گذاران آن بود.»

او هم‌چنین به راهبرد متمایز این استارتاپ اشاره کرد: در شرایطی که صدها شرکت رباتیک تلاش می‌کنند از ابتدا رباتی فوق‌العاده باهوش بسازند که تمام جزئیات محیط پیرامون را بدون خطا تشخیص دهد و سپس آن را تطبیق دهند، Tutor مسیری کاملاً معکوس را در پیش گرفت؛ یعنی ابتدا ربات‌ها را وارد محیط کار کرد تا خودِ کار و جریان عملیاتی آنها را هوشمندتر کند.

راگورام با اشاره به ایجاد چرخ‌دنده داده‌ها (Data Flywheel) افزود: «در این فرایند اتفاق شگفت‌انگیزی رخ می‌دهد؛ ربات از همان روز نخست ارزش اقتصادی واقعی خلق می‌کند، یک چرخه تجاری کامل می‌سازد و بالاترین سطح اعتماد را در مشتری به وجود می‌آورد. جابه‌جایی کنترل میان اپراتور انسانی و سیستم خودکار ربات آن‌چنان یکپارچه و نامحسوس انجام می‌شود که مشتری اصلاً متوجه آن نمی‌شود و این تغییر لحظه‌ای تأثیری در روند کار ایجاد نمی‌کند.»

به گفته او، خدمات Tutor به کارگاه‌ها و تولیدی‌های خانوادگی کوچک تا بزرگ‌ترین شرکت‌های لجستیکی گسترش یافته است؛ یعنی هر کسب‌وکاری که برای تسریع عملیات خود به بازوهای مکانیکی بیشتری نیاز دارد.

راگورام تأکید می‌کند: «این تیم در حال پایه‌گذاری مسیری کاملاً نوین در صنعت است.»

نتایج حاصل از یاد‌گیری مدل‌های Tutor بر بستر وظایف واقعی چشمگیر بوده است. اضافه شدن هر محیط کاری جدید، دامنه مهارت‌ها و تنوع موقعیت‌هایی را که هوش مصنوعی مدل تجربه می‌کند گسترش می‌دهد. آمارها نشان می‌دهند نزدیک به یک‌سوم خریداران ربات‌های Tutor در سال گذشته، مشتریان پیشین بوده‌اند که برای سفارش واحدهای بیشتر بازگشته‌اند؛ تقاضایی که گواهی روشن بر سودآوری و ارزش‌آفرینی این فناوری است. در جشن پنج‌سالگی Tutor و در دیدار رو در رو با متخصصان این مجموعه، اشتیاق عمیق آنها به پیشبرد فناوری کاملاً مشهود بود.

گسترش حضور ربات‌ها در زندگی روزمره

از سوی دیگر، گرونستاین مأموریت اصلی خود را تبدیل ربات‌ها به بخشی جدایی‌ناپذیر از صحنه زندگی روزمره می‌داند.

گرونستاین در گفتگو درباره چشم‌انداز آینده می‌گوید: «شما امروز در زندگی روزمره خود، هنگام رفتن به محل کار، خرید از فروشگاه یا در منزل، رباتی نمی‌بینید؛ اما پلتفرم اختصاصی Tutor این معادله را تغییر خواهد داد. ما می‌توانیم ربات‌ها را به جریان زندگی واقعی مردم وارد کنیم و در نهایت جهانی ارزان‌تر و زیباتر برای زندگی بسازیم.»

او معتقد است حمایت مالی مجموعه‌هایی چون a16z بستری فراهم می‌کند تا فعالیت‌های Tutor در مقیاس جهانی گسترش یابد.

گرونستاین می‌افزاید: «ما به خاستگاه دانشگاهی خود در دانشگاه MIT و روابط مستحکم با تشکل Mass Robotics و دیگر بازیگران اصلی زیست‌بوم بوستون افتخار می‌کنیم، اما امروز نیروی انسانی خود را از سراسر کشور جذب می‌نماییم. مأموریت نهایی ما دگرگون ساختن اقتصاد فیزیکی ابتدا در آمریکا و سپس در سراسر جهان است.»

گرونستاین هم‌چنین دیدگاه سنتی مردم به مفهوم ربات را به چالش می‌کشد و ارتباط آن را با اهداف شرکت خود شرح می‌دهد:

او خاطرنشان می‌کند: «تصور هر کودکی از ربات، موجودی فراتر از یک دستگاه ساده برای تکرار یک وظیفه مکانیکی است؛ کودکان همواره تصویری شبیه به انسان و دارای ادراک از ربات در ذهن دارند. اما وقتی بزرگ می‌شوید و به‌ویژه اگر با محیط‌های صنعتی یا انبارها سر و کار داشته باشید، متوجه می‌شوید که ربات‌های امروزی فرسنگ‌ها با آن تصویر فاصله دارند.»

او در ادامه این مقایسه می‌گوید: «می‌توان ادعا کرد آن تصویر رویایی از ربات‌ها که همگی از فیلم‌های علمی‌تخیلی در ذهن داریم، هنوز در جهان واقعی متولد نشده است. مدل‌های هوش مصنوعی، فناوری سخت‌افزاری و گستردگی لازم برای تحقق آن رویا هنوز همگام نشده بودند. همین انگیزه برای تحقق بخشیدن به یک رویا مرا به جلو می‌برد؛ این رخدادی اجتناب‌ناپذیر در تاریخ فناوری است و ما قصد داریم در پیاده‌سازی عملی آن سهیم باشیم.»

دیدگاه‌های گرونستاین به‌خوبی نشان می‌دهد که متخصصان Tutor مصمم هستند زمین بازی را در حوزه رباتیک بازتعریف کنند.

تنوع در طراحی ظاهری ربات‌ها

اقدامات پیشگامانه Tutor هم‌چنین پاسخی عملی به پرسش‌های بی‌پاسخ درباره شکل ظاهری ربات‌های آینده ارائه می‌دهد: آیا همه آنها انسان‌نما خواهند بود؟ یا سازه‌های جعبه‌ای چرخ‌دار، کاوشگرهای باریک و بلند، ربات‌های کوچک خزنده‌مانند یا هیولاهای غول‌پیکر صنعتی؟ یا شاید ترکیبی از همه آنها؟

نوآوری‌های Tutor از ساختار بدن انسان الهام گرفته‌اند و چندمنظوره هستند: ربات Cassie مجهز به چرخ، سامانه بینایی و یک بازوی حرکتی برای جابه‌جایی بارهای سنگین است و ربات Sonny با ساختار شبه‌انسان‌نما برای کارهای ظریف‌تر طراحی شده است. در مرکز Data Factory 1 این استارتاپ، انسان‌ها و ربات‌ها شانه به شانه یکدیگر در حال تولید داده‌های آموزشی برای آماده‌سازی واحدهای بیشتر جهت ورود به بازار کار هستند. در این مرکز، ۱۰۰ دستگاه ربات Sonny در کنار هم فعالیت می‌کنند و مدل پایه Ti0 تمام آموزش‌های اولیه خود را بر اساس داده‌های جمع‌آوری‌شده در همین محیط پشت سر گذاشته است.

این دستاوردها تأییدی است بر نظریه کارشناسانی که بر ضرورت تنوع ظاهری ربات‌ها پافشاری می‌کنند؛ درست مانند دیدگاهی که سامپریتی بهاتاچاریا (Sampriti Bhattacharyya) در میزگرد رویداد The Next Endeavor مطرح کرد:

او درباره این رویکرد توضیح داد: «در صنایع، وظایف تخصصی فراوانی وجود دارند که هر روز و در مقیاسی وسیع تکرار می‌شوند؛ برای چنین کارهایی نیازی به ماشینی با دست و پای شبیه انسان ندارید، بلکه به رباتی طراحی‌شده و اختصاصی برای همان وظیفه مشخص احتیاج دارید. بنابراین اگرچه ربات‌های انسان‌نما جایگاه خود را خواهند داشت، اما قرار نیست تمام ربات‌های دنیای آینده ساختاری شبیه انسان داشته باشند.»

بسیاری از صاحب‌نظران بر این باورند که آینده رباتیک بر پایه تنوع گسترده فرم‌های ظاهری شکل خواهد گرفت. استارتاپ Tutor در عمل نشان داده است که ربات‌ها برای اجرای هوشمندانه کارها لزوماً نیازی به تقلید کالبد انسان ندارند. مهم‌تر از همه، این شرکت ثابت کرده است که انسان می‌تواند مربی مستقیم کنش‌های فیزیکی و برنامه‌ریزی حرکتی ربات باشد؛ آموزشی که هر درس و تجربه آن از طریق مدل‌های پایه هوش مصنوعی به تمام ناوگان ربات‌ها منتقل می‌شود. این فلسفه طراحی بنیادین، یکی از مهم‌ترین محرک‌های پیشرفت رباتیک در سال‌های آینده خواهد بود.

استارتاپ Tutor هم‌اکنون در حال گسترش تیم فنی و جذب نیرو در بوستون و سایر ایالت‌های آمریکا است.