پنگ کیان ژانگ مانزی، خبرنگار خبرگزاری شینهوا
پس از مدل بزرگ، "هوش تجسم یافته" امسال به نقطه داغ جدیدی در صنعت علم و فناوری تبدیل شده است و به عنوان مسیر کلیدی در موج جدید هوش مصنوعی (AI) در نظر گرفته می شود. بسیاری از استارتآپها ظهور کردهاند، تامین مالی بارها و بارها به اوجهای جدید رسیده است، و فناوری همچنان به پیشرفت خود ادامه میدهد... روباتهای انساننما بهعنوان نمایندهترین نهاد در این زمینه، در حال سرعت بخشیدن به صنعتی شدن تحت تأثیر مدلهای بزرگ هستند.
اگر مدل بزرگ به عنوان یک "روح جالب" در نظر گرفته شود، ربات انسان نما که توسط "هوش تجسم یافته" فعال شده است، "پوست خوش ظاهر" دارد و به دستیار قدرتمندی برای انسان ها در بسیاری از زمینه ها تبدیل شده است.
بازتعریف ربات ها
به عنوان پلی که فضای مجازی و فضای واقعی را به هم متصل می کند، "هوش تجسم یافته" به ادغام هوش مصنوعی در موجودات فیزیکی مانند روبات ها اشاره دارد که به آنها توانایی درک، یادگیری و تعامل پویا با محیط را مانند انسان ها می دهد.
اصطلاح «هوش تجسم یافته» خود رنگ فلسفی قوی فناوری دارد. در سال 1945، موریس مرلوپونتی، فیلسوف فرانسوی، مفهوم "تجسم" را پیشنهاد کرد، و معتقد بود که انسان ها برای درک جهان نیاز به تعامل و درک محیط اطراف از طریق بدن خود دارند. در سال 1950، تورینگ، دانشمند کامپیوتر بریتانیایی، معروف به "پدر هوش مصنوعی"، برای اولین بار مفهوم "هوش تجسم یافته" را در مقاله خود "ماشین های محاسباتی و هوش" مطرح کرد.
در واقع، رباتهای صنعتی (بازوهای رباتیک) با سطح هوش نسبتاً پایین مدتهاست که به طور گسترده در صنعت تولید استفاده میشوند و باعث بهبود کیفیت و کارایی میشوند. با این حال، رباتهای صنعتی سنتی ترکیبی از «برنامههای ثابت + بازوهای رباتیک» هستند، در حالی که روباتهایی که با «هوش تجسمیافته» توانمند شدهاند، تکراری از «ادراک چندوجهی + تصمیمگیری مغز» هستند.
Xu Huazhe، استادیار مؤسسه علوم اطلاعات بین رشتهای دانشگاه Tsinghua، معتقد است که روباتها در آینده اشکال مختلفی را ارائه خواهند کرد: دوپا، چهارپا، چرخدار، سگهای مکانیکی، پهپادهای هوشمند و حتی زنبورهای مکانیکی، اما روباتهای انساننما. سازگارترین آنها با جامعه بشری هستند و به روبات هایی تبدیل می شوند که می توانند به بهترین نحو به انسان ها کمک کنند.
روبات های انسان نما می توانند مشکل «آخرین مایل» خط تولید را حل کنند. بسیاری از محصولات شخصی و سفارشی شده را نمی توان به طور یکنواخت در خط مونتاژ مونتاژ کرد، که به ربات های انسان نما با قابلیت تعمیم نیاز دارد تا به مونتاژ قطعات تولید انبوه در محصولات بر اساس نیازهای سفارشی سازی مشتری "کمک" کنند. در سناریوهای پیچیدهتر و متغیرتر مانند خدمات خانگی و خدمات عمومی، رباتهای انساننما نیز مزایای بیشتری دارند و میتوانند خود را با محیطها و نیازهای مختلف برای انجام کارهای مختلف وفق دهند.
سه مشکل اساسی که باید بر آن غلبه کرد
توسعه ربات های انسان نما با یادگیری و تقلید از انسان آغاز می شود. همچنین می توان با مقایسه آن با مغز، مخچه و بدن انسان، مشکلات رشد آن را درک کرد. "مغز" عمدتا مسئول یادگیری، برنامه ریزی و مرکز تصمیم گیری مستقل ربات است. "مخچه" مسئول کنترل حرکت است، از جمله راه رفتن تا دویدن و پریدن، و از گرفتن ساده تا حرکات پیچیده دست. و "بدن" شامل ساختار تنه و اندام ها و طراحی ماهرانه دست است.
Jiao Jichao، معاون UBTECH Robotics و مدیر مؤسسه تحقیقاتی، به خبرنگاران گفت که مشکلات فنی زیادی وجود دارد که باید در این سه حوزه اصلی غلبه کرد: از نظر "مغز"، معماری محاسباتی یکپارچه با لبه ابری، چندوجهی. ادراک و مدلسازی محیطی در سالهای اخیر مورد توجه فناوری قرار گرفته است. «بزرگترین مشکل تقلید انسان در تقلید از مغز انسان است و نظریه های علمی موجود برای مطالعه مغز انسان کافی نیست». از نظر "مخچه"، قابلیت های تعامل انسان و کامپیوتر، عبور از زمین پیچیده، عملیات هماهنگ با کل بدن و غیره جهت های مهم هستند. از نظر «بدن»، فناوریهای کلیدی مانند مکانیسم انتقال بیونیک جفت انعطافپذیر صلب، ساختار اندام ربات بسیار فشرده و طراحی ماهرانه دست، پایههای سختافزاری مهمی هستند که برای حرکت انعطافپذیر روباتهای انساننما مورد نیاز هستند.
ظهور مدل های بزرگ به طور قابل توجهی "مغز" ربات را "تکامل" کرده است، تطبیق پذیری و تعمیم ربات ها را تا حد زیادی بهبود بخشیده است و انتظار می رود هزینه توسعه ربات های انسان نما کاهش یابد و ورود آنها به هزاران خانوار تسریع شود.
به گفته یانگ فنگیو، بنیانگذار و مدیرعامل Uniqlo Robotics، این صنعت در حال حاضر عمدتاً از مدلهای بزرگ از پیش آموزشدیده برای پیشآموزش روباتها استفاده میکند و به آنها قابلیتهای یادگیری قویتری میدهد. مدل های بزرگ می توانند یادگیری وظایف خاص را به وظایف ربات منتقل کنند تا سازگاری آنها را بهبود بخشد. علاوه بر این، از قابلیتهای پردازش چندوجهی مدلهای بزرگ میتوان برای ترکیب ورودیهای مختلف مانند بینایی، شنوایی و لمس برای بهبود درک ربات از صحنههای پیچیده استفاده کرد.
چین در شروع کار عقب نیست
با نگاهی به سراسر جهان، ربات های انسان نما وارد مرحله اولیه صنعتی شدن شده اند و شروع به "آزمایش آب" در زمینه های تولید صنعتی، خدمات تجاری و همراهی با خانواده کرده اند. رقابت تحقیق و توسعه ربات انسان نما، خواه پیشرفت های تکنولوژیکی، پیشرفت در اجرا یا مقیاس مالی باشد، اساساً تحت سلطه چین و ایالات متحده است.
ربات انساننما واکر UBTECH امسال بر روی زمینههای تولیدی کلیدی مانند خودرو و لوازم الکترونیکی مصرفی تمرکز کرده است و برای آموزش عملی وارد کارخانههای خودروسازی بسیاری شده است. روبات های Yushu Technology به راه رفتن طبیعی کاملاً شبیه انسان دست یافته اند. ربات Uliqi در حال تهیه یک طرح "خانه" است. نسخه جدید Boston Dynamics از ربات Atlas به حرکت انعطاف پذیر قطعات بین قفسه های مختلف در کارخانه دست یافته است. ربات انسان نمای تسلا "Optimus Prime" قصد دارد تولید انبوه خود را در سال 2025 آغاز کند.
جیائو جیچائو گفت: "اگر صنعت ربات های انسان نما به یک ماراتن تشبیه شود، چین و کشورهای اروپایی و آمریکایی در حال حاضر تقریباً در مرحله شروع 1،{1}} متر اول هستند."
یانگ فنگیو نیز همین دیدگاه را دارد. قابلیتهای تحقیق و توسعه مدل بزرگ و فناوری ادراک شرکتهای آمریکایی را در سیستمهای تصمیمگیری ربات و پردازش وظایف پیچیدهتر رقابتیتر میکند. مزایای چین بیشتر در زمینه ربات های صنعتی، به ویژه در کاربرد نسبتاً بالغ تولید، منعکس شده است. در زمینه ثبت اختراعات مربوط به فناوری ربات انسان نما، چین نیز پیشتاز بوده است.
اگرچه الگوریتمهای اصلی و تراشههای پیشرفته «مغز» ربات هنوز با چالشهایی روبرو هستند، صنعت روباتهای چینی دارای سناریوهای کاربردی فراوان و جمعیت کاربران بالقوه زیادی است و دادهها یکی از بزرگترین مزیتهای رقابتی است.
نکته کلیدی این است که چگونه می توان حجم زیادی از داده ها را در سناریوهای دنیای واقعی جمع آوری کرد و گردش و عرضه داده ها را برای صنعت ربات انسان نما هماهنگ کرد. Xu Huazhe گفت که داده های دنیای واقعی به طور کلی توسط خود شرکت های مختلف ربات جمع آوری می شود. Beijing Humanoid Robot Innovation Center Co., Ltd. در حال برنامه ریزی برای ایجاد یک مجموعه داده منبع باز برای استفاده در دانشگاه و صنعت است. در آینده، مجموعه داده های مشترک با کیفیت بالا به توسعه صنعت کمک زیادی خواهد کرد.