جنگا (برج چوبی) لرزانی در یک انبار در سن لئاندروی کالیفرنیا، مرزهای نوین هوش مصنوعی فیزیکی را رقم می‌زند. اندرو سیجا، مربی رباتیک شرکت «انکورد» (Encord)، در حالی که هدستی مجهز به دوربین روی سر دارد تا میدان دیدش را ردیابی کند، با دقت بلوک‌های چوبی را از برج بیرون می‌کشد. ضبط چنین ACTIONSی برای آموزش ربات‌ها یک روش کاملاً رایج است، اما هدست سیجا یک ویژگی غیرمعمول دارد: حسگرهایی برای خوانش امواج مغزی.

انکورد یکی از استارتاپ‌های پیشرویی است که معتقد است محدودیت اصلی بعدی در توسعه ربات‌های انسان‌نما و صنعتی، معماری مدل‌ها نخواهد بود؛ بلکه کمبود شدید داده‌های فیزیکی در دنیای واقعی، بزرگترین سد راه است. این شرکت به جای مدیریت داده‌های موجود، کسب‌وکار خود را بر پایه تولید داده‌هایی بنا کرده که هنوز وجود ندارند. هدست خوانش امواج مغزی سیجا محصول شرکت آلمانی «زندر لبز» (Zander Labs) است. این شرکت نوروساینس روی این موضوع شرط می‌بندد که اندازه‌گیری فعالیت‌های مغزی برای درک وضعیت‌های ذهنی مانند خطا، نیت و غافلگیری، می‌تواند مجموعه داده‌های بسیار مفیدتری برای آموزش مدل‌ها ایجاد کند.

پیوند رباتیک و علوم اعصاب

همکاری انکورد و زندر لبز در حال حاضر یک طرح آزمایشی است. هدف این پروژه ایجاد یک مجموعه داده اولیه برچسب‌گذاری‌شده با امواج مغزی، اجرای آن روی مدل‌های رباتیک مشتریان و ارزیابی میزان بهبود عملکرد پیش از تولید انبوه است. لوکاس گهرکه، عصب‌شناس ارشد زندر لبز که بر این پروژه نظارت دارد، معتقد است میزان فعالیت مغزی در هر مرحله از یک وظیفه مشخص، سرنخ‌های ارزشمندی به سازندگان مدل‌ها می‌دهد تا متوجه شوند چه زمانی باید از پردازشگرترین و سنگین‌ترین مدل‌های خود استفاده کنند.

وینیت ولموروگان، رئیس بخش یادگیری ربات در انکورد و از کارکنان سابق آزمایشگاه رباتیک اوپن‌ای‌آی (OpenAI)، این رویکرد را در لبه تیز تکنولوژی برای حل گلوگاه داده‌های رباتیک می‌داند. انکورد در ابتدا برای کمک به شرکت‌های حوزه بینایی ماشین در حاشیه‌نویسی داده‌ها تأسیس شد. اما زمانی که مشتریان شروع به استفاده از یادگیری سرتاسری (End-to-End) برای کنترل ربات‌ها کردند، مدیران پی بردند که داده‌های آموزشی رباتیک به سادگی در دسترس نیستند و باید خودشان دست به کار شوند.

دیوار بزرگ محدودیت داده‌های فیزیکی

این باور که هوش مصنوعی مولد می‌تواند برای ربات‌ها همان تحولی را ایجاد کند که در چت‌بات‌ها به وجود آورد، همواره با کمبود داده‌های فیزیکی روبرو می‌شود. مدل‌های زبانی بزرگ (LLM) با تغذیه از متن‌های موجود در سراسر اینترنت آموزش دیدند، اما یافتن مواد خام مشابه برای آموزش شبکه‌های عصبی در زمینه تعاملات فیزیکی بسیار دشوار است. شرکت‌های خودران داده‌ها را به صورت مستقیم جمع‌آوری می‌کنند، اما مقیاس‌پذیری این روش به شدت سخت‌گیرانه و پرهزینه است.

اگرچه آموزش مدل‌ها از طریق ویدیو نتایجی در پی دارد، اما فidelیتهای داده‌های دنیای واقعی را ندارد. ولموروگان تخمین می‌زند برای عبور از این بحران، به مجموعه داده‌هایی به وسعت ۵ برابر کل آرشیو ویدیویی یوتیوب نیاز است؛ مقیاس عظیمی که دلیل اصلی تبدیل شدنِ تولید داده به یک صنعت بزرگ است. برای تامین این نیاز، توسعه‌دهندگان به دو منبع اصلی متکی شده‌اند: ویدیوهای خودمرکز (Egocentric) که توسط کارگرانی با دوربین‌های نصب‌شده روی بدنشان ضبط می‌شود و جمع‌آوری داده‌ها از طریق ربات‌های کنترل‌شده از راه دور.

انکورد داده‌های خودمرکز را از کارخانه‌های مختلف در سراسر جهان دریافت می‌کند و از تأسیسات خود در سن لئاندرو برای آزمایش روش‌های نوین مانند امواج مغزی استفاده می‌کند. در زمان بازدید تک‌کرانچ از این مرکز، مربیان در حال استفاده از تجهیزات دو بازوی رباتیک (رهبر-پیرو) برای شبیه‌سازی مهارت‌هایی مانند ریختن قهوه در فنجان یا چیدن تراشه‌های پوکر بودند. ترکیب داده‌های حرکتی با سیگنال‌های عصبی انسان می‌تواند فاز جدیدی از یادگیری در رباتیک را کلید بزند و ماشین‌ها را بسیار سریع‌تر با محیط فیزیکی پیرامون سازگار کند.