به گزارش ساوت چاینا مورنینگ پست، وانگ شینگ‌شینگ، بنیان‌گذار شرکت یونیتری این موضوع را اعلام کرد؛ اقدامی که با روند گسترده‌تر صنعت هوش مصنوعی برای توسعه سامانه‌های «خودبهبوددهنده» هم‌راستا است.
وانگ در کنفرانس هوش مصنوعی فیزیکی که یونیتری در شهر هانگژو برگزار کرده بود، از این پروژه با نام «Unitree Rehearsal» رونمایی کرد و آن را مهم‌ترین طرح شرکت در سال جاری میلادی دانست. او گفت هدف این پروژه، تغییر رویکرد توسعه رباتیک است؛ به‌گونه‌ای که به‌جای تکیه بر برنامه‌نویسی دستی و نیروی انسانی گسترده، از یک چرخه بازخورد مستمر و خودکار استفاده شود.
بر اساس سامانه‌ای که در حال توسعه است، هوش مصنوعی ابتدا مقالات پژوهشی را جست‌وجو می‌کند، سپس کد می‌نویسد و آن را در محیط‌های شبیه‌سازی آزمایش می‌کند و در نهایت، آزمایش‌ها را روی ربات‌های واقعی انجام می‌دهد.
وانگ گفت که انسان‌ها همچنان می‌توانند در ارزیابی عملکرد و ارائه بازخورد نقش داشته باشند، اما هدف نهایی، ایجاد چرخه‌ای کاملاً خودکار است که بتواند سرعت توسعه الگوریتم‌های رباتیک را به‌صورت تصاعدی افزایش دهد.
وانگ گفت: در گذشته، هر مهندس رباتیک مجبور بود کدها را بنویسد و اشکال‌زدایی را به‌صورت دستی انجام دهد؛ فرآیندی که نسبتاً ناکارآمد است. با بهبود مدل‌های هوش مصنوعی، انتظار داریم این مدل‌ها بخش بیشتری از برنامه‌ریزی و تکرار مراحل توسعه را بر عهده بگیرند و نیاز به مداخله انسان را کاهش دهند.
به گفته وانگ، شرکت‌های پیشرو در حوزه هوش مصنوعی از هم‌اکنون استفاده از مدل‌ها برای تولید کد و گردآوری داده‌ها را با هدایت انسان آغاز کرده‌اند و شرکت‌های رباتیک نیز می‌توانند از الگوی مشابهی پیروی کنند.
با این حال، او تأکید کرد که ربات‌ها برخلاف نرم‌افزارهای دیجیتال، باید با غیرقابل‌پیش‌بینی بودن محیط و خطاهای مکانیکی نیز کنار بیایند.
این اظهارات تنها چند روز پس از آن مطرح شد که وانگ پیش‌بینی کرد پیشرفت‌های مدل GPT-6 شرکت OpenAI می‌تواند طی یک تا دو سال آینده زمینه‌ساز تحولی گسترده در صنعت رباتیک شود. سخنرانی جدید او بر گام‌های حیاتی لازم برای تبدیل پیشرفت مدل‌های هوش مصنوعی به کاربردهای عملی در دنیای واقعی متمرکز بود.
در ویدئویی که در این رویداد به نمایش درآمد، ربات‌های توسعه‌یافته توسط یونیتری با استفاده از GPT-6 مسیرها را ترسیم می‌کردند و حرکات خود را برنامه‌ریزی می‌کردند، بدون آنکه برای این وظایف آموزش اختصاصی دیده باشند.
با این حال، در این نمایش مشخص نشد که ربات‌ها تا چه اندازه می‌توانند همین رفتارها را به‌طور پایدار و قابل‌اعتماد در محیط‌های ناآشنا نیز تکرار کنند.
وانگ می‌گوید اگرچه مدل‌های بزرگ هوش مصنوعی می‌توانند برنامه‌ریزی و مسیریابی ربات‌ها را انجام دهند، بزرگ‌ترین چالش، «هماهنگ کردن ورودی‌ها و خروجی‌های مدل هوش مصنوعی با ورودی‌ها و خروجی‌های یک ربات واقعی» است.
به اعتقاد او، اگر این چالش برطرف شود، ممکن است ربات‌های انسان‌نما از اوایل سال ۲۰۲۷ بتوانند با دریافت فرمان، اتاق‌ها را مرتب کنند؛ هرچند سال ۲۰۲۸ را برآورد واقع‌بینانه‌تری دانست.
نقشه راه خوش‌بینانه یونیتری با اظهارات اخیر ایلان ماسک نیز هم‌خوانی داشت. مدیرعامل تسلا در جریان نشست اعلام نتایج مالی این خودروساز آمریکایی گفت ربات‌های انسان‌نما در نهایت می‌توانند به «بزرگ‌ترین محصول روی زمین» تبدیل شوند و تعدادشان از انسان‌ها فراتر برود.
با این حال، ماسک هشدار داد که تسلا همچنان حدود یک سال با عبور از موانع توسعه ربات انسان‌نمای خود، موسوم به اپتیموس (Optimus)، فاصله دارد.
با وجود این چشم‌اندازهای امیدوارکننده، داده‌ها نشان می‌دهند که انتقال ربات‌ها از محیط آزمایشگاه به خانه‌های واقعی همچنان با چالش‌های جدی روبه‌رو است. بر اساس شاخص هوش مصنوعی سال ۲۰۲۶ دانشگاه استنفورد، ربات‌ها در ارزیابی‌های انجام‌شده تنها در ۱۲ درصد از وظایف خانگی در دنیای واقعی موفق عمل کردند؛ این در حالی است که عملکرد آن‌ها در محیط‌های شبیه‌سازی‌شده به‌مراتب بهتر بود.
این اختلاف نشان می‌دهد که توانایی ربات‌ها در اجرای موفق وظایف در محیط‌های کنترل‌شده، لزوماً به معنای توانایی انجام همان وظایف در خانه‌های واقعی و شرایط پیش‌بینی‌ناپذیر نیست.
منبع: scmp
