انکورد و سنجش امواج مغزی: تلاش برای حل گلوگاه دادههای فیزیکی در هوش مصنوعی رباتیک
در یک انبار در سان لیاندرو، کالیفرنیا، تیمی از شرکت انکورد (Encord) مشغول تجربهای هستند که مرزهای «هوش مصنوعانی فیزیکی» را جلو میبرد. آنجا بازی جنگا به ابزار تحقیق تبدیل شده است: آزمایشکنندگان یا «پایلوتها» بلوکهای چوبی را از یک برج ناپایدار بیرون میکشند در حالی که هدستی مجهز به دوربین و حسگرهای ثبت امواج مغزی روی سر دارند. ثبت ویدیویی از منظر نفر اول (egocentric video) در جمعآوری دادههای آموزش رباتها مرسوم است، اما اضافه کردن سیگنالهای عصبی هدفی فراتر از صرفاً ضبط حرکت دارد.
چرا امواج مغزی؟
شرکت آلمانی Zander Labs با توسعه هدستی که امواج مغزی را اندازهگیری میکند، دنبال استخراج حالات ذهنی مانند اشتباه (error)، نیت (intent) و تعجب (surprise) است. این نشانهها میتواند به مدلهای رباتیک بگوید کدام لحظات در یک وظیفه برای یادگیری مهمترند و وقتی نیروی پردازشی یا مدل دقیقتری لازم است، به سازندگان مدل اطلاع دهد. به عبارت دیگر، این دادهها تلاش میکنند «اهمیت موقعیتی» را به صورت خودکار مشخص کنند تا مدلها روی نمونههای ارزشمندتر تمرکز کنند.
مسئله بزرگ: کمبود دادههای واقعی فیزیکی
در حالی که مدلهای زبانی بزرگ (LLM) با تکیه بر متنهای گسترده اینترنت ساخته شدند، یافتن معادل متنِ وب برای آموزش «مهارتهای فیزیکی» بسیار دشوارتر است. خودروسازان حوزه رانندگی خودکار دیتاست میسازند، اما این روش قابل تعمیم و مقیاسپذیر نیست. ویدئوها تا حدی کمک میکنند، اما دقت و جزئیات کافی برای یادگیری دقیق دستکاری اشیاء را ندارند. به قول وینیت ولمورگان (Vineeth Velmurugan)، رئیس یادگیری ربات انکورد، برای عبور از این مانع به دیتاستی نیاز است که به مقیاس بسیار بزرگی نزدیک باشد؛ تخمینی که حتی به بزرگی چند برابر مجموعه ویدئوهای یوتیوب اشاره میکند.
تولید داده، نه فقط مدیریت آن
انکورد که از ابتدا برای کمک به برچسبگذاری و ارزیابی مدلهای بینایی ماشین شکل گرفته بود، وقتی مشتریانش — شرکتهای فعال در رباتیک — به سمت یادگیری انتها به انتها برای وظایف دستکاری حرکت کردند، فهمید که «داده عملاً وجود ندارد». بنابراین به جای فقط مدیریت داده، روی تولید هدفمند آن سرمایهگذاری کرده است: از جمعآوری ویدئوی اگوسیانترک در کارخانههای واقعی گرفته تا ایستگاههای آزمایشی در سان لیاندرو که مدالیتههای جدیدی مثل امواج مغزی و سنسورهای عضلانی (EMG) را آزمایش میکنند.
نمونههای عملی در خط تولید داده
– ردیابی از منظر انسان (egocentric video) همراه با زوایای دوربین اضافی و دادههای حسی برای پوشش بیشتر موقعیتهای دست و شیء؛
– رُباتهای «رهبر-پیرو» (leader-follower) که یک بازوی رباتیک تحت کنترل مستقیم انسان حرکت میکند و بازوی دیگر همان حرکات را تقلید میکند؛ این روش برای ثبت دقیق رابطه بین عمل انسان و حرکت ربات استفاده میشود؛
– سنسورهای نصبشده روی ساعد برای ثبت سیگنالهای الکتریکی عضلات (EMG) تا بتوان موقعیت سهبعدی دست را حتی وقتی دوربین آن را بهطور کامل نمیبیند، بازسازی کرد؛
– برچسبگذاری دقیق رویدادها (مثلاً «دست راست مهره را سفت میکند») تا مدلهای مبتنی بر LLM بهتر بفهمند چه عملی در ویدئو رخ داده است.
اقتصادِ سختِ تولید داده
انکورد میگوید که برچسبگذاری متراکم و دقیق میتواند تا حدود 100 برابر ارزش بیشتری نسبت به «داده اگویی ساده» برای آموزش وظایف خاص داشته باشد، اما تولید این دادهها حدوداً 20 برابر هزینهبرتر است. این تفاوت هزینهای است که باعث میشود تولید داده فیزیکی به یک چالش اقتصادی تبدیل شود — برخلاف ساخت LLM که با «خراشیدن» متن از وب، هزینه بیشتری لازم نبود.
آزمایشها و آیندهنگری
همکاری انکورد با Zander Labs در مرحله آزمایشی است: هدف ساخت یک مجموعه داده برچسبخورده با امواج مغزی، آزمایش آن روی مدلهای مشتریان رباتیک و ارزیابی واقعیِ تأثیرِ این دادهها بر عملکرد رباتها است تا تصمیمگیری درباره مقیاسدهی گرفته شود. از دیدگاه پژوهشی، نشانهگذاری امواج مغزی میتواند به مدلها کمک کند تا تشخیص دهند در چه مواقعی باید از مدلهای دقیقتر و سختگیرانهتر استفاده کنند — موضوعی حیاتی برای کاربردهای زمانواقعی در انبارها و کارخانهها.
نیروی انسانی و مهارتهای جدید
پایلوتهایی که این دادهها را تولید میکنند، از جمله کسانی هستند که پیشتر در شرکتهای برچسبگذاری داده کار کردهاند و حالا به نیروی حیاتی یک صنعت تازه بدل شدهاند. تجربههای عملی از کار با بازوهای رباتیک برای کارهایی مانند ریختن مایعات، چیدمان اشیاء یا اتصال کابلها نشان میدهد چرا «ظرافت حرکت» و چنددرجه آزادی که انسان دارد، هنوز برای رباتها چالشبرانگیز است.
جمعبندی
تلاش برای ساخت «مجموعهدادههای فیزیکی» نشان میدهد که گلوگاه بعدی در توسعه هوش مصنوعیِ رباتیک نه معماری مدلها که کمبود و کیفیت دادههای واقعی است. شرکتهایی مثل انکورد و Zander Labs به جای تکیه صرف بر دادههای موجود، در حال «تولید هدفمند» اطلاعاتی هستند که بتوانند یادگیری رباتها را سرعت بخشند. اما این مسیر پرهزینه است و موفقیت آن مستلزم اثبات واقعیِ بهبود عملکرد مدلها و یافتن تعادل اقتصادی بین هزینه تولید و ارزش آموزشی دادههاست. نتیجه نهایی میتواند تغییر بزرگی در نحوه توسعه رباتها و اتوماسیون صنعتی ایجاد کند؛ از بهینهسازی عملکرد در انبارها تا خودکارسازی کارهای دقیق در مراکز داده و خانهها.