از کدنویسی پیچیده تا گفت‌وگوی ساده؛ تحول بزرگ در آموزش ربات Atlas

ربات‌های انسان‌نما مدت‌هاست که به‌عنوان یکی از هیجان‌انگیزترین شاخه‌های فناوری شناخته می‌شوند. این ربات‌ها به‌دلیل شباهت ظاهری به انسان و توانایی انجام وظایف متنوع، همواره مورد توجه صنعت و پژوهشگران بوده‌اند. اما چالش اصلی همیشه در یک نقطه باقی مانده بود؛ چگونه می‌توان این ربات‌ها را به‌گونه‌ای آموزش داد که بدون نیاز به کدنویسی و طراحی‌های پیچیده، وظایف خود را بیاموزند و در دنیای واقعی عمل کنند؟

به تازگی شرکت Boston Dynamics در همکاری با مؤسسه تحقیقاتی تویوتا (TRI) پاسخی نوآورانه به این پرسش ارائه داده است. در پروژه‌ای مشترک، آن‌ها موفق شده‌اند مدلی پیشرفته تحت عنوان مدل‌های رفتاری بزرگ (Large Behavior Models یا LBMs) را برای ربات Atlas توسعه دهند؛ مدلی که نقطه عطفی در آموزش و توانمندسازی ربات‌های انسان‌نما محسوب می‌شود.

ربات Atlas؛ از حرکات آکروباتیک تا یادگیری با زبان انسان

Atlas یکی از شناخته‌شده‌ترین ربات‌های Boston Dynamics است که نخستین بار در سال ۲۰۱۳ معرفی شد. این ربات انسان‌نما طی سال‌های گذشته توانسته بود وظایفی مثل راه رفتن روی زمین‌های ناهموار، دویدن، بالا رفتن از موانع و حتی انجام حرکات آکروباتیک را با دقت چشم‌گیر انجام دهد. ویدئوهای Atlas بارها به‌عنوان نمایش قدرت فنی Boston Dynamics در سراسر دنیا بازنشر شدند.

با این حال، تمام این توانایی‌ها پیش‌تر نیازمند برنامه‌ریزی دقیق، کدنویسی گسترده و طراحی دموهای پرجزئیات بود. به بیان دیگر، هر حرکت Atlas نتیجه‌ی هزاران خط کد و سناریوی از پیش تعریف‌شده بود.

آموزش با زبان طبیعی، نه کدنویسی پیچیده

پیش‌تر، برای آموزش یک ربات لازم بود ساعت‌ها زمان صرف طراحی سناریوهای دقیق، نوشتن کدهای طولانی و اجرای آزمایش‌های متعدد شود. این فرآیند علاوه‌بر هزینه‌بر بودن، انعطاف‌پذیری کمی داشت.

اما حالا، با معرفی مدل‌های رفتاری بزرگ (LBM)، شرایط تغییر کرده است. نسخه ارتقایافته Atlas قادر است تنها با دریافت دستورهای ساده انسانی، وظایف تازه‌ای مانند جابه‌جایی اجسام، واکنش سریع به تغییرات محیط و هماهنگی بهتر اعضای بدن را انجام دهد. این تحول، Atlas را از یک «نمایشگر توانایی‌های فنی» به یک «ربات کاربردی و همه‌کاره» نزدیک‌تر کرده است.

این تغییر به معنای پایان دوران آموزش دشوار و آغاز عصری تازه است که در آن آموزش ربات به اندازه‌ی یک گفت‌وگوی ساده خواهد بود.

مراحل توسعه مدل رفتاری Atlas

تیم‌های Boston Dynamics و تویوتا برای رسیدن به این نقطه، چهار مرحله اساسی را طی کرده‌اند:

۱- جمع‌آوری داده رفتاری با استفاده از کنترل از راه دور (Teleoperation) در محیط واقعی و شبیه‌سازی.

۲- پردازش و برچسب‌گذاری داده‌ها برای آماده‌سازی آن‌ها در مسیر آموزش.

۳- آموزش شبکه عصبی با استفاده از مجموعه داده‌های متنوع و گسترده.

۴- ارزیابی عملکرد مدل در مجموعه‌ای از وظایف مشخص و تکرار چرخه برای بهبود مداوم.

این چرخه مداوم باعث می‌شود ربات بتواند در هر مرحله، مهارت‌های بیشتری بیاموزد و در شرایط پیش‌بینی‌نشده عملکرد بهتری داشته باشد.

توانایی‌های تازه Atlas

با استفاده از این رویکرد، ربات Atlas اکنون می‌تواند مجموعه‌ای از وظایف پیچیده را انجام دهد. از جمله:

• جابه‌جایی اجسام با اندازه‌ها و جنس‌های متفاوت
• تغییر وضعیت بدن برای حفظ تعادل
• واکنش به تغییرات ناگهانی محیط مانند افتادن یا حرکت غیرمنتظره یک شیء
• حرکت هماهنگ اعضای بدن برای انجام وظایف طولانی‌مدت

این توانایی‌ها نشان می‌دهد که ربات‌های انسان‌نما یک گام دیگر به کاربری در دنیای واقعی نزدیک‌تر شده‌اند؛ جایی که می‌توانند در محیط‌های صنعتی، خدماتی و حتی خانگی نقشی کلیدی ایفا کنند.

اهمیت این تحول برای صنعت و کسب‌وکارها

برای مخاطبان B2B، این نوآوری فقط یک پیشرفت علمی نیست، بلکه می‌تواند آغازگر تحولی جدی در صنایع مختلف باشد. ربات‌هایی که نیاز به برنامه‌نویسی و پیکربندی پیچیده ندارند، بسیار سریع‌تر می‌توانند در خطوط تولید، انبارداری، لجستیک یا حتی حوزه سلامت به کار گرفته شوند.

کاهش هزینه‌های آموزش، افزایش سرعت استقرار و توانایی ربات‌ها در انجام وظایف متنوع با حداقل مداخله انسانی، مزیتی رقابتی برای سازمان‌هایی خواهد بود که زودتر به این فناوری دسترسی پیدا کنند.

چشم‌انداز آینده

Boston Dynamics و تویوتا اعلام کرده‌اند که این تازه آغاز راه است. هدف نهایی، ساخت ربات‌هایی است که به‌عنوان «عامل‌های عمومی» (General-purpose robots) قادر باشند همانند انسان‌ها طیف وسیعی از وظایف را انجام دهند. چنین دستاوردی نه‌تنها در صنعت، بلکه در زندگی روزمره نیز تغییرات بزرگی ایجاد خواهد کرد.

در یک جمله، می‌توان گفت: این تغییر بنیادین، آموزش ربات را از دنیای پیچیده کدنویسی به دنیای ساده گفت‌وگو منتقل کرده است.