مرکز رباتیک در سانفرانسیسکو؛ وقتی «هوش فیزیکی» میخواهد رباتها را شبیه انسانها بیاموزد
در یکی از کوچههای سانفرانسیسکو، نشانهای کوچک — یک نماد π که رنگش کمی با درِ ساختمان متفاوت است — تنها راهنمایی است که نشان میدهد وارد دفتر Physical Intelligence شدهاید. داخل، خبری از لابی تجملی یا لوگوی نورانی نیست؛ فضای بزرگ بتنی با میزهای بلند چوبی که بعضیشان برای ناهار و بعضیشان برای آزمایشهای رباتیک استفاده میشوند، تصویری از کارگاه پژوهشیِ تمامعیار را نشان میدهد.
روباتها تمرین میکنند: از تلاش نیمهموفق یک بازوی رباتیک برای تا کردن شلوار تا بازویی که مصرانه سعی میکند پیراهن را از داخل برگرداند؛ و بازویی دیگر که از پس پوستکَندن کدو سبز به خوبی برآمده و تراشهها را در ظرفی جدا میریزد. سرجِی لوین، استاد دانشگاه UC Berkeley و یکی از بنیانگذاران Physical Intelligence، این فرایند را «مثلِ ChatGPT برای رباتها» توصیف میکند: حلقهای پیوسته از جمعآوری داده در ایستگاههای آزمایشی — چه در این دفتر، چه در انبارها، خانهها یا هر جای دیگر — که برای آموزش مدلهای پایه عامِ رباتیک استفاده میشود. مدلهای جدید پس از آموزش به همین ایستگاهها باز میگردند تا ارزیابی و اصلاح شوند.
رویکرد فنی و عملیاتی
– دادههای واقعی از محیطهای متنوع (آشپزخانههای آزمایشی، خطوط لجستیک، کارخانهها) جمعآوری میشود تا مدلها «قابلیت تعمیم» بیاموزند؛ برای مثال مهارت پوستکندن که از کدو به سیب یا سیبزمینی منتقل شود.
– سختافزار عمدتاً ارزانقیمت و در دسترس است: بازوهای مورد استفاده حدود 3,500 دلار قیمت دارند (با «مارکآپ» فروشنده)، و هزینه مواد تولید درونسازمانی میتواند کمتر از 1,000 دلار باشد. رویکرد شرکت مبتنی بر این است که «هوش مناسب میتواند ضعف سختافزار را جبران کند».
– یک آشپزخانه آزمایشی و حتی یک دستگاه اسپرسوساز، نه برای کارکنان، بلکه برای آموزش رباتها به تعامل با محیطهای واقعی و دادهسازی نصب شدهاند؛ هر کففنجان لاته، برای تیم داده است نه فقط نوشیدنی.
بنیانگذاران، تیم و سرمایهگذاری
Physical Intelligence را تیمی متشکل از پژوهشگران سابق دانشگاه و شرکتهای بزرگ فناوری از جمله سرجِی لوین، Quan Vuong و Lachy Groom (که سابقه سرمایهگذاری و کارآفرینی در سیلیکونولی دارد) هدایت میکنند. Groom که در 31 سالگی به این ترکیب پیوسته، میگوید جذب تیمهای پژوهشی برجسته (از جمله ارتباط با نامهایی مانند Karol Hausman و Chelsea Finn) نقطه عطف بوده است. شرکت طی دو سال بیش از 1 میلیارد دلار سرمایه جذب کرده و ارزشگذاری آن حدود 5.6 میلیارد دلار اعلام شده است. از سرمایهگذاران نامآشنایی همچون Khosla Ventures، Sequoia Capital و Thrive Capital در فهرست پشتیبانان هستند.
استراتژی؛ پژوهش بلندمدت در برابر درآمدزایی سریع
آنچه Physical Intelligence را از برخی رقبای تجاری متمایز میکند، خودداری از فشار برای درآمدزایی کوتاهمدت است. Groom آشکارا میگوید که به سرمایهگذاران زمانبندی مشخصی برای تجاریسازی ارائه نمیدهد؛ تمرکز شرکت روی توسعه «مدلهای پایه رباتیک عام» است که بتوانند دانش را بین بدنههای سختافزاری مختلف منتقل کنند و هزینه ورود خودکارسازی به پلتفرمهای جدید را کاهش دهند.
رقابت و منظر صنعت
هدف تولید «هوش رباتیک عمومی» اکنون میدان رقابتی پرشدتی است. شرکتهایی مانند Skild AI مسیر متفاوتی انتخاب کردهاند: Skild اخیراً 1.4 میلیارد دلار جذب سرمایه کرده و مدعی شده ظرف ماههای اخیر 30 میلیون دلار درآمد تجاری داشته است؛ رویکردی که بر استقرار سریع و ایجاد چرخۀ دادهای تجاری تکیه دارد. در مقابل، Physical Intelligence بر تولید تحقیقِ پایهای و دادههای متنوع (از محیطهای شبیهسازی تا دنیای واقعی) تأکید دارد. این دو فلسفه — تجاریسازی سریع در برابر تمرکز پژوهشی عمیق — هنوز پاسخ نهایی را نگرفتهاند و معلوم نیست کدام مسیر بلندمدت برنده خواهد شد.
چالشها و فرصتها
– چالشهای فنی: سختافزار شکننده، زمانبر بودن تحویل قطعات، پیچیدگیهای ایمنی و هزینههای محاسباتی همچنان بزرگترین محدودیتها هستند.
– فرصت بازار: اگر مدلهای پایه قابلیت تعمیم واقعی داشته باشند، میتوانند هزینه و زمان ورود خودکارسازی به صنایع مختلف (لجستیک، خردهفروشی، صنایع غذایی و غیره) را به طرز چشمگیری کاهش دهند.
– پرسشهای اجتماعی و عملی: آیا مردم رباتها را در آشپزخانه یا خانه میپذیرند؟ ایمنی و همزیستی با حیوانات خانگی، و اولویتبندی مسائل بزرگتر اجتماعی و اقتصادی از جمله ملاحظاتی است که باید پاسخ داده شوند.
جمعبندی
Physical Intelligence یک بازی بلندمدت در حوزه رباتیک آغاز کرده است؛ شرکتی که بهجای دویدن به سمت درآمدزایی فوری، سرمایهگذاری روی «مدلهای پایه عام» و دادههای متنوع را انتخاب کرده است. این استراتژی ریسک و پاداش خود را دارد: اگر موفق شود، میتواند زیرساختی عمومی برای خودکارسازیهای آینده فراهم کند؛ و اگر نه، سرمایهگذاران و صنعت درسهایی از این تجربه خواهند گرفت. در حالی که بازوهای رباتیک هنوز در تمرین برای تا کردن شلوار و برگرداندن پیراهناند، تلاشهای پژوهشی و دادهمحور این تیم میتواند فصل بعدی تحول در هوش فیزیکی و رباتیک عمومی را رقم بزند.