معمای بزرگ هوش مصنوعی فیزیکی: ربات‌های هوشمند واقعاً به چه دردی می‌خورند؟

شاید تجربه کرده باشید که خواندن یک داستان در کتاب و تصویر ذهنی که از آن می‌سازید چقدر با واقعیت تفاوت دارد؛ ماجرای ورود هوش مصنوعی به دنیای فیزیکی هم دقیقاً همین حس‌وحال را تداعی می‌کند.

به‌زودی قرار است شاهد هوش مصنوعی فیزیکی در کالبد ربات‌ها باشیم؛ ماشین‌هایی که در دنیای واقعی ما قدم می‌گذارند و دست به عمل می‌زنند. این پدیده کاملاً تازه است و شاید برای برخی حتی کمی دلهره‌آور یا غیرقابل‌تصور باشد. شاید در شبکه‌های اجتماعی دیده باشید که چند مدل از ربات‌های شرکت یونیتری (Unitree) در پکن پشتک‌وارو می‌زنند، اما وقتی پای هوش مصنوعی فیزیکیِ واقعی، عمیق و همه‌جانبه به میان بیاید، باید گفت که هنوز اول ماجراست و چیزی ندیده‌ایم!

در نشستی تخصصی با حضور دو کارشناس برجسته هوش مصنوعی در جریان رویداد Next Endeavor که در مانتین‌ویو کالیفرنیا برگزار شد، تصویری ملموس و روشن از آینده این حوزه مورد بررسی قرار گرفت.

گوردون وتزشتاین (Gordon Wetzstein) و مارکو پاوونه (Marco Pavone) چشم‌اندازهای گسترده‌ای از زندگی در کنار هوش مصنوعی فیزیکی ترسیم کردند و مرزها و قابلیت‌های این ماشین‌های نسل جدید را به بحث گذاشتند.

وتزشتاین در ابتدای صحبت‌هایش گفت: «بیایید دقیق‌تر بررسی کنیم که هوش مصنوعی فیزیکی واقعاً چیست. خیلی‌ها به محض شنیدن این اصطلاح، فقط یاد رباتیک یا خودروهای خودران می‌افتند... اما دنیای هوش مصنوعی فیزیکی بسیار فراتر از این‌هاست.»

او در ادامه توضیح داد:

«ماجرا در اصل به کشاندن "لحظه چت‌جی‌پی‌تی" (ChatGPT Moment) از فضای مجازی به جهان فیزیکی برمی‌گردد؛ این یعنی حضور همه‌جانبه اشیای هوشمند در زندگی روزمره. یعنی دستگاه چمن‌زنی شما خودش راه بیفتد و چمن‌ها را مرتب کند، یا کار‌های مهم و کاربردی منزل در غیاب شما و از راه دور توسط یک ربات یا سیستم خودکار انجام شود. به همین خاطر معتقدم با یک جهش بنیادین نسلی روبه‌رو هستیم.»

با این حال، او هشدار می‌دهد که این مسیر اصلاً گل‌وبلبل نیست و چالش‌های جدی پیش رو دارد.

وتزشتاین تأکید کرد: «ما باید در کنار فرصت‌ها، خطرات را هم جدی بگیریم. فرصت‌ها فوق‌العاده‌اند، اما چالش‌ها و تهدیدها هم کم نیستند. مدل‌های هوش مصنوعی نشان داده‌اند که می‌توانند ابزار‌هایی را که حتی جزو داده‌های آموزشی‌شان نبوده، به طرز شگفت‌آوری به کار بگیرند؛ آن‌ها ورودی را تغییر می‌دهند، نتیجه را می‌سنجند و با همین روش کار‌های خارق‌العاده‌ای مثل بینایی کامپیوتری سه‌بعدی انجام می‌دهند. حالا تصور کنید به جای یک ابزار نرم‌افزاری، یک ربات یا بازوی فیزیکی واقعی قرار بگیرد. خیلی زود، اگر نگوییم همین حالا، تأثیرات این قدرت‌نمایی را در جهان فیزیکی لمس خواهیم کرد.»

پاوونه نیز دیدگاه خود را این‌طور بیان کرد:

«هوش مصنوعی فیزیکی همین حالا هم در زندگی ما حضور دارد؛ رانندگی خودران دیگر تخیل نیست، بلکه واقعیتی ملموس است. تردد روزافزون خودروهای خودران در جاده‌ها و خیابان‌ها برجسته‌ترین مثال هوش مصنوعی فیزیکی به شمار می‌آید. فکر می‌کنم تجربیات و درس‌های گران‌بهایی که در حوزه خودروهای خودران کسب کرده‌ایم، سنگ‌بنای توسعه کل اکوسیستم هوش مصنوعی فیزیکی خواهد بود.»

البته پاوونه درباره رخ دادن یک "لحظه چت‌جی‌پی‌تی" با وتزشتاین هم‌عقیده نیست.

او با اشاره به موانعی مانند محدودیت‌های سخت‌افزاری گفت: «من فکر نمی‌کنم در دنیای فیزیکی با چیزی شبیه به لحظه چت‌جی‌پی‌تی مواجه شویم؛ یعنی نقطه‌ای که در آن یک فناوری تقریباً یک‌شبه در سراسر دنیا همه‌گیر و فراگیر شود.»

ربات‌ها واقعاً چقدر هوشمندند؟

در این نشست این موضوع به بحث گذاشته شد که آیا یک ربات می‌تواند بدون داشتن مدلی درونی و غنی—چه متکی بر داده‌های باجزئیات و چه ناشی از تجربه در دنیای واقعی—جهان فیزیکی را به خوبی درک کند؟

وتزشتاین به مفهوم مشهور «درس تلخ» (Bitter Lesson) در زمینه درک محدودیت‌ها اشاره کرد و گفت:

«همه ما دوست داریم باهوش جلوه کنیم و تمام جزئیات پدیده‌ها را تفسیر و درک نماییم. حس می‌کنیم بازسازی جهان پیرامون به شکل یک مدل صریح و قابل‌تفسیر بهترین کار است؛ اما بارها و بارها ثابت شده که در محیط‌های شلوغ و نامنظمی مثل دنیای واقعی، روش‌های یادگیری‌محوری که با افزایش حجم داده و ابعاد مدل مقیاس می‌پذیرند، در اکثر سناریوها راه‌حل‌های مهندسی یا اکتشافی سنتی را پشت سر می‌گذارند. من باور دارم این قاعده درباره سیستم‌های هوش مصنوعی فیزیکی هم کاملاً صدق می‌کند.»

پاوونه نیز در این رابطه افزود: «شاید برای انجام پاره‌ای از وظایف ساده، به بازنمایی چندان پیچیده‌ای از جهان احتیاج نداشته باشید؛ اما برای اکثر کار‌هایی که ارزش اقتصادی و کاربردی واقعی خلق می‌کنند—مانند خطوط تولید کارخانه‌ها یا بازرسی تأسیسات نفت و گاز—ربات حتماً باید درکی دقیق و سطح‌بالا از محیط و واکنش جهان در برابر رفتارهایش داشته باشد.»

فضای تحقیقاتی و چالش‌های دنیای واقعی

وتزشتاین درباره وضعیت فعلی تحقیقات هوش مصنوعی فیزیکی تأکید کرد که در حال حاضر آزمون‌وخطاها و آزمایش‌های فراوانی در جریان است.

او نمونه‌ای از شرایطی را مطرح کرد که در آن نیازی نیست ربات خودش تمام جزئیات فضا را از صفر یاد بگیرد؛ به عنوان مثال محیط‌هایی که از قبل نقشه دارند:

«یک انبار کالا را مجسم کنید که نقشه‌اش را در دست دارید. این انبار طبق استانداردهای ایمنی، رمپ‌های مشخص و شیب معین ساخته شده و محیطی کاملاً استاندارد دارد. اپراتور انبار هم نقشه‌ای دارد که موقعیت لحظه‌ای تک‌تک ربات‌های در حال تردد را نشان می‌دهد. وقتی نقشه آماده است، چرا باید ربات همه‌چیز را از صفر و در لحظه یاد بگیرد؟ عاقلانه‌ترین کار این است که از همان نقشه موجود استفاده شود.»

نقش کلیدی شبیه‌سازی در ایمنی و کاهش هزینه‌ها

بخش مهم دیگری از مباحث به جایگاه شبیه‌سازی در توسعه سیستم‌های خودران اختصاص داشت.

پاوونه درباره کارکرد شبیه‌سازی توضیح داد: «شبیه‌سازی ابزاری چندمنظوره در برنامه‌های توسعه سیستم‌های خودران است: نخست برای تست، تا مشخص شود آیا الگوریتم کنترلی طراحی‌شده کارایی لازم را دارد و ارزش ورود به دنیای واقعی را داراست یا خیر؛ دوم برای آموزش، تا الگوریتم‌های تصمیم‌گیری در محیطی مجازی تعلیم ببینند و هزینه‌های ساخت سرسام‌آور نشود؛ و سوم برای اعتبارسنجی نهایی، تا با اطمینان خاطر مطمئن شویم ربات وظیفه‌اش را درست انجام می‌دهد و خطری برای اطرافیان ندارد. این امر به‌ویژه در موقعیت‌های حساس ایمنی مانند خودروهای خودران و رباتیک صنعتی اهمیتی حیاتی دارد.»

وتزشتاین نیز به دسته‌های دیگری از ریسک‌های موجود اشاره کرد.

او با اشاره به متغیرهایی چون رنگ و بافت اشیاء، لغزندگی زمین یا وزن یک جسم که شاید در مدل داده تعریف نشده باشند، گفت: «متغیرهای پرتعدادی در دنیای واقعی وجود دارند که مشاهده و اندازه‌گیری‌شان اصلاً کار راحتی نیست.»

او افزود: «اصل چالش دقیقاً همین‌جاست. اگر تلاش کنید وضعیت این متغیرهای فیزیکی پنهان را به شکلی صریح تخمین بزنید، خطاهای متعددی پیش می‌آید. به همین دلیل روش‌های سنتی در ادراک و بینایی کامپیوتری سه‌بعدی به مشکل برمی‌خورند؛ چون تصمیم‌گیری بر پایه تخمین‌های نادرست، پیامدهای فاجعه‌باری به همراه خواهد داشت.»

او درباره مدیریت این سیستم‌های پیچیده اضافه کرد:

«در واقع باید داده‌های خام حسگر‌ها را مبنای وضعیت قرار داد و تصمیم‌گیری‌ها را به شکل سرتاسری (End-to-End) بر اساس آن‌ها به انجام رساند. در این مسیر، ارتقا و ساخت حسگر‌های دقیق‌تر که داده‌های باکیفیت ارائه دهند، عنصری کاملاً حیاتی است.»

تکامل ماشین‌های هوشمند؛ چشم‌انداز حواس و حسگر‌ها

در ادامه این پرسش پیش کشیده شد که آیا ربات‌ها برای رسیدن به مراحل تکاملی بالاتر، به قابلیت‌های حسی و سنسورهای پیشرفته‌تری احتیاج دارند؟

وتزشتاین در پاسخ گفت: «فکر نمی‌کنم راه‌حل جادویی یا ستاره راهنمای یگانه‌ای وجود داشته باشد. ربات‌ها علاوه بر سنسورهای بینایی، از حس موقعیت درونی (Proprioception) هم برخوردارند و از وضعیت داخلی خود باخبرند؛ چرا که وضعیت و تنظیمات هر یک از عملگرها قابل‌سنجش است. با ترکیب بینایی کامپیوتری و تخمین ژست اول‌شخص، ربات موقعیت مکانی و چیدمان اجزای خود را می‌شناسد. در نتیجه، ربات محیط را بیش‌تر از طریق بینایی و البته سایر حواس پردازش می‌کند.»

پاوونه نیز تصریح کرد: «چالش کلیدی این است که متناسب با هر کاربرد، تعادل و بده‌بستان فنی درستی برقرار شود.»

آینده هوش مصنوعی فیزیکی؛ از ایجنت‌ها تا ربات‌های انسان‌نما

در بخش پایانی، از هر دو کارشناس پرسیده شد که در مسیر پیشرفت هوش مصنوعی، چه دستاوردی بیش از همه آن‌ها را به وجد می‌آورد؟

پاوونه در این‌باره گفت: «امروزه صحبت‌های فراوانی پیرامون مدل‌های بینایی-زبان-عمل (VLA) و مدل‌های جهان-عمل شنیده می‌شود؛ اما پدیده‌ای که من را به شدت هیجان‌زده کرده، جریان‌های کاری هوش مصنوعی ایجنتی (Agentic AI) است. این موضوع علاوه بر ایجاد انعطاف در طراحی معماری سیستم‌های خودران، شتاب‌دهنده‌ای اساسی برای فرآیند بسیار پرهزینه توسعه سیستم‌های خودران به حساب می‌آید.»

در حقیقت ایجنت‌ها مسیر دستیابی به سیستم‌های خودران را کم‌هزینه‌تر و سریع‌تر می‌کنند و دست مهندسان را در معماری سیستم باز می‌گذارند.

پاوونه ادامه داد: «من انفجاری عظیم در به‌کارگیری ایجنت‌های هوش مصنوعی در دنیای فیزیکی پیش‌بینی می‌کنم؛ از شخصی‌سازی و همگام‌سازی جریان‌های کاری با فضای فیزیکی گرفته تا پیاده‌سازی و به‌کارگیری می‌دانی آن‌ها در توسعه سیستم‌های خودران.»

وتزشتاین نیز پیش‌بینی‌های جذاب خود را این‌گونه مطرح کرد:

«با شتاب کنونی فناوری، تا ۵ سال آینده تمامی این مباحث قدیمی خواهد شد. رویای من برای ۱۰ سال آینده، وفور انرژی پاک و سخت‌افزارهای پردازشی پیشرفته است؛ تجهیزاتی که نیاز پردازشی هوش مصنوعی جهان را بدون ساخت مراکز داده غول‌پیکر و آسیب به محیط‌زیست تأمین کنند. آرزو دارم مدل‌های زبانی جمع‌وجور مستقیماً روی دستگاه‌های لبه (Edge) بنشینند و بدون نیاز به فضای ابری خودروهای خودران را هدایت کنند، یا معماری‌های پردازشی نوینی خلق شوند که محاسبات را بسیار فشرده‌تر و کم‌مصرف‌تر انجام دهند.»

پاوونه نیز پیش‌بینی کرد: «این تحولات در قالب امواج پی‌درپی رخ خواهد داد؛ در نتیجه ظرف یک تا دو سال آینده، شاهد ادغام‌های گسترده‌ای میان شرکت‌ها و فناوری‌های گوناگون خواهیم بود، درست مثل همان رویدادهایی که در روز‌های آغازین تولد خودروهای خودران رخ داد.»

وتزشتاین در خاتمه، نقد تند و جالبی را به وضعیت کنونی ربات‌های انسان‌نما وارد کرد:

«این ربات‌های انسان‌نمای دوپا با سرعتی باورنکردنی پیشرفت کرده‌اند، اما در عمل هنوز هیچ خروجی مفیدی ندارند! قیافه‌شان جالب است و پدیده‌ای نوآورانه به نظر می‌رسند، اما دست‌کم برای مصرف‌کننده معمولی چه فایده‌ای دارند؟ در حال حاضر، تقریباً هیچ!»

باید دید این ادعا تا چه زمانی پابرجا خواهد ماند؛ اما در هر صورت، این دیدگاه‌ها زاویه دید بسیار روشن و واقع‌بینانه‌ای درباره افق نزدیک هوش مصنوعی فیزیکی در اختیار علاقه‌مندان قرار می‌دهد.