گلوگاه داده‌های فیزیکی: چرا چین در حال استانداردسازی هوش مصنوعی کالبددار است؟

این هفته در دفاتر اداره ملی داده‌ها در پکن، قانون‌گذاران پیش‌نویس چارچوبی را تدوین کردند که به یک حقیقت تلخ درباره نسل بعدی هوش مصنوعی اذعان می‌کند: اینترنت دیگر کافی نیست. در ۱۳ سپتامبر، نهاد تنظیم‌گر داده‌های چین از تلاش برای تدوین استانداردهای ملی برای «هوش مصنوعی کالبددار» - شاخه‌ای از یادگیری ماشین که ربات‌های فیزیکی را هدایت می‌کند - خبر داد. [۱] این طرح که فعلاً در حد یک اعلامیه است، قصد دارد مقامات محلی و شرکت‌ها را در ایجاد مجموعه داده‌های باکیفیت و در مقیاس بزرگ راهنمایی کند؛ داده‌هایی که برای تبدیل ربات‌های انسان‌نما از یک وسیله سرگرم‌کننده آزمایشگاهی به محصولات تجاری واقعی ضروری هستند. [۱][1]

هوش مصنوعی کالبددار نمایانگر ادغام هوش دیجیتال با سیستم‌های فیزیکی است. برخلاف تبلیغات پرزرق‌وبرق شرکت‌ها که اغلب ربات‌های انسان‌نما را کاملاً خودران جلوه می‌دهند، قابلیت‌های واقعی آن‌ها هنوز به‌شدت به محیط‌های ساختاریافته و کنترل‌شده وابسته است. برخلاف یک مدل زبانی بزرگ که فقط متن را روی صفحه نمایش پردازش می‌کند، یک عامل هوش مصنوعی کالبددار - چه یک ربات لجستیک انبار باشد و چه یک بازوی جراحی - باید در فضای سه‌بعدی درک کند، استدلال کند و دست به عمل بزند. [۵] این امر نیازمند یک حلقه بازخورد پیوسته و بسته است که در آن ماشین از ادراک چندوجهی برای دیدن محیط اطراف خود استفاده می‌کند، نتایج را با استفاده از یک مدل جهانی پیش‌بینی می‌کند و حرکات را از طریق محرک‌های فیزیکی انجام می‌دهد. [۶][3][4]

گذار از هوش مصنوعی دیجیتال به فیزیکی، یک شکاف زیرساختی عظیم را نمایان کرده است. تمام موج‌های قبلی هوش مصنوعی بر یک میان‌بر تکیه داشتند: داده‌های آموزشی از قبل وجود داشتند. مدل‌های زبانی روی میلیاردها صفحه وب آموزش دیدند و مدل‌های بینایی ماشین روی صدها میلیون عکس آپلود شده تمرین کردند. [۲] اما هوش مصنوعی کالبددار از چنین میان‌بری برخوردار نیست. شرکت‌ها در حال حاضر تلاش می‌کنند تا بیش از ۱ میلیون ساعت مجموعه داده اختصاصی را صرفاً برای سیستم‌های فیزیکی بسازند؛ شکاف حجمی که در مقایسه با پیکره‌های متنی، چندین مرتبه بزرگی فاصله دارد. [۱][۲] هیچ پیکره معادلی برای اقدامات فیزیکی وجود ندارد، زیرا هر نمونه باید به‌صورت فیزیکی در دنیای واقعی انجام، ثبت و همگام‌سازی شود.[1][2]

آموزش تا کردن لباس یا حرکت در کف کارخانه به یک ربات، نیازمند داده‌هایی است که تعاملات فیزیکی را نگاشت کنند، نه فقط کلمات را. [۱] این کار شامل ثبت نمایش‌های عملیات از راه دور (teleoperation)، ویدیوهای دید اول‌شخص و داده‌های چندحسگری است که با دقت بالایی همگام‌سازی شده‌اند. [۴] وقتی یک اپراتور انسانی رباتی را از راه دور کنترل می‌کند تا انجام یک کار را به آن نشان دهد، سیستم باید زاویه هر مفصل، وضعیت گیره، میزان نیروی وارد شده و فریم‌های دوربین را در هماهنگی کامل ثبت کند. [۲] همان‌طور که ارائه‌دهنده زیرساخت داده Nferent AI اشاره می‌کند: «عملیات از راه دور به شما دقت می‌دهد، شبیه‌سازی مقیاس می‌بخشد و ویدیوی انسانی تنوع را فراهم می‌کند.» [۲] این فرآیند دقیقاً همان تطابق عمل و وضعیتی را تولید می‌کند که مدل برای یادگیری سیاست‌های خود به آن نیاز دارد و این توهم را که ربات صرفاً با تماشای ویدیو در حال «یادگیری» است، از بین می‌برد.[1][2]

از آنجا که جمع‌آوری این داده‌ها بسیار دشوار و پرهزینه است، این صنعت در حال حاضر به شدت پراکنده و چندپاره است. آزمایشگاه‌های رباتیک مختلف از قراردادهای برچسب‌گذاری، فرمت‌های حسگر و پروتکل‌های اشتراک‌گذاری متفاوتی استفاده می‌کنند. [۱] اداره ملی داده‌های چین برای حل این مشکل وارد عمل شده تا استانداردهای رسمی را برای نحوه جمع‌آوری، برچسب‌گذاری، ذخیره‌سازی و اشتراک‌گذاری داده‌های هوش مصنوعی کالبددار تدوین کند. [۱] با استانداردسازی این فرمت‌ها، این نهاد نظارتی قصد دارد تجمیع منابع را برای شرکت‌ها آسان‌تر کرده و از دوباره‌کاری در تلاش‌های عظیم برای جمع‌آوری داده‌های فیزیکی جلوگیری کند.[1]

فشار برای استانداردسازی با زمان‌بندی‌های صنعتی جاه‌طلبانه‌ای گره خورده است، هرچند بخش عمده‌ای از آن هنوز در مرحله برنامه‌ریزی قرار دارد و عملیاتی نشده است. پکن ربات‌های انسان‌نما را به عنوان یک اولویت صنعتی اعلام کرده و پیشرفت‌های قابل‌توجه در تجاری‌سازی آن‌ها را تا پایان سال ۲۰۲۶ هدف‌گذاری کرده است. [۱] استانداردهای یکپارچه داده، مانع ورود شرکت‌های رباتیک کوچک‌تر را که توانایی مالی برای ساخت مجموعه داده‌های اختصاصی عظیم از صفر را ندارند، کاهش می‌دهد و به آن‌ها اجازه می‌دهد تا از داده‌های فیزیکی مشترک و استاندارد برای آموزش مدل‌های خود بهره ببرند.[1]

تقاضا برای این داده‌ها با ظهور مدل‌های بینایی-زبان-عمل (VLA) در حال افزایش است. [۳] این معماری‌ها، ادراک بصری، درک زبان و تولید عمل فیزیکی را در یک سیستم واحد ترکیب می‌کنند. برای اینکه مدل‌های VLA بتوانند در فضاهای کاری مشترک مانند بیمارستان‌ها یا محیط‌های خرده‌فروشی به‌طور ایمن در کنار انسان‌ها کار کنند، به داده‌های آموزشی متنوعی نیاز دارند که طیف کاملی از همکاران انسانی و موارد استثنایی فیزیکی را که سیستم با آن‌ها مواجه خواهد شد، منعکس کند. [۳]

توسعه هوش مصنوعی فیزیکی به همان اندازه که یک چالش سخت‌افزاری یا مدلی است، همچنان یک مشکل داده‌ای نیز محسوب می‌شود. [۳] سیستم‌هایی که در نهایت در انبارها، خانه‌ها و فضاهای عمومی کار خواهند کرد، تنها به اندازه داده‌های آموزشی فیزیکی که آن‌ها را شکل داده‌اند، توانمند خواهند بود. با در نظر گرفتن داده‌های هوش مصنوعی کالبددار به عنوان زیرساخت حیاتی ملی، قانون‌گذاران در تلاشند تا پایه‌های نیروی کار خودکار دهه آینده را بنا کنند و از دموهای نرم‌افزاری پرزرق‌وبرق فراتر رفته و به کاربرد فیزیکی واقعی دست یابند. [۱][۵][1][3]