هوش مصنوعی تجسمی GO-3 در سوم نوامبر ۲۰۲۶ در شانگهای معرفی شد و مسیر تازه‌ای را برای یادگیری ربات‌ها در دنیای واقعی نشان داد. شرکت آگی‌بات مدل بنیادی تجسمی GO-3 Preview را رونمایی کرد؛ مدلی که قرار است تا پایان سال ۲۰۲۶ به‌صورت کامل متن‌باز شود و در سه بنچمارک مهم هوش مصنوعی تجسمی یعنی روبودوجو، روبوتوین و روبوکالیسیوم رتبه اول را به دست آورده است.
هوش مصنوعی تجسمی به سامانه‌هایی گفته می‌شود که هوش مصنوعی را با یک بدنه فیزیکی مانند ربات ترکیب می‌کنند تا محیط را حس کند، تصمیم بگیرد و عمل کند. GO-3 Preview بر پایه معماری اختصاصی آگی‌بات به نام WRAM ساخته شده است که سه کار را در یک معماری یکپارچه کنار هم می‌گذارد: درک وظیفه، پیش‌بینی وضعیت آینده و تولید کنش.
ایده مرکزی این مدل «مقیاس‌دهی در سراسر چرخه عمر یادگیری» است. به‌جای اینکه یادگیری فقط در مرحله پیش‌آموزش انجام شود، ربات در سه مرحله یاد می‌گیرد: پیش‌آموزش با داده‌های متنوع، پس‌آموزش با تمرین در محیط واقعی و شبیه‌سازی، و یادگیری پس از استقرار با استفاده از تجربه کار واقعی. در مرحله پس‌آموزش، سامانه جینی اوولور با ناوگانی شامل صد ربات فیزیکی، شبیه‌سازی فیزیکی و مدل‌های جهان کار می‌کند. در مرحله پس از استقرار نیز چارچوب جینی مستر تجربه‌های موفق و ناموفق را به حافظه بلندمدت و سیاست‌های بهتر تبدیل می‌کند.
مدل‌های زبانی در استدلال و کار با متن پیشرفت چشمگیری داشته‌اند، اما کار در دنیای فیزیکی چالش دیگری دارد. برداشتن یک لیوان، سرهم‌کردن قطعات لگو یا پرتاب توپ به سبد متحرک فقط به دانستن دستور کار نیاز ندارد؛ به پیش‌بینی تغییر محیط، مدیریت نیروی تماس و اجرای حرکت دقیق نیاز دارد. GO-3 نشان می‌دهد که برای چنین کارهایی، مقیاس‌دادن به آموزش به‌تنهایی کافی نیست و یادگیری باید در تمرین و کار واقعی هم ادامه پیدا کند.
نمونه‌هایی که آگی‌بات منتشر کرده است این نکته را روشن می‌کند. در نمونه کرلینگ رومیزی، پس از چند ساعت تمرین ترکیبی از تجربه واقعی و یادگیری با مدل جهان، نرخ برد بالاتری از بازیکنان معمولی انسانی به دست آمده است. در فروشگاهی واقعی نیز ربات جینی جی دو با چارچوب جینی مستر توانسته است علت خطاها را شناسایی کند و در چند وظیفه پیچیده دستکاری دقیق، بدون نمایش انسانی تازه یا تنظیم دستی، به‌تدریج بهتر شود. این نمونه‌ها هنوز به معنای آمادگی کامل ربات‌ها برای هر محیط کاری نیستند، اما جهت حرکت این فناوری را مشخص می‌کنند: ربات‌هایی که با تجربه بهتر می‌شوند، نه فقط با داده بیشتر.
اگر می‌خواهید هوش مصنوعی تجسمی را یاد بگیرید، بهتر است یادگیری را مرحله‌به‌مرحله و با تمرین عملی پیش ببرید.
گام اول، مبانی رباتیک و ادراک است. مفاهیمی مانند بینایی ماشین، تخمین عمق، تشخیص شیء، سینماتیک و کنترل حرکت را یاد بگیرید و تفاوت حسگرهای دوربین، عمق و لمس را بشناسید. بدون این مبانی، مدل‌های پیشرفته فقط جعبه سیاه می‌مانند.
گام دوم، آشنایی با مدل‌های بینایی، زبان و کنش است. این مدل‌ها دستور زبانی، تصویر محیط و وضعیت ربات را می‌گیرند و کنش بعدی را پیش‌بینی می‌کنند. در کنار آن، مدل‌های جهان را مطالعه کنید؛ مدل‌هایی که وضعیت آینده محیط را پیش‌بینی می‌کنند و به ربات اجازه می‌دهند پیش از عمل، پیامد چند انتخاب را بسنجد.
گام سوم، تمرین در شبیه‌سازی است. پیش از کار با ربات واقعی، در محیط‌های شبیه‌سازی فیزیکی تمرین کنید تا سناریوهای گوناگون را با هزینه کم و بدون خطر تکرار کنید و خطاها را ببینید.
گام چهارم، ارزیابی و ایمنی است. بنچمارک‌هایی مانند روبودوجو، روبوتوین و روبوکالیسیوم معیارهایی برای سنجش توانایی ربات در وظایف گوناگون فراهم می‌کنند. هنگام ارزیابی، فقط به نمره کلی نگاه نکنید؛ نرخ موفقیت در شرایط تازه و نیاز به مداخله انسانی را هم بسنجید. محدودیت نیرو، توقف اضطراری و نظارت انسانی باید از ابتدا در طراحی باشد.
برای به‌کارگیری هوش مصنوعی تجسمی در کار، از یک وظیفه کوچک، تکراری و قابل اندازه‌گیری شروع کنید. برای نمونه، در انبار می‌توان چیدن و جابه‌جایی اقلام استاندارد را هدف گرفت و در خط تولید می‌توان سرهم‌کردن یک قطعه مشخص را با نظارت انسانی اجرا کرد. هر پروژه را با معیار روشن تعریف کنید: دقت انجام وظیفه، زمان چرخه، نرخ خطا و تعداد مداخله‌های انسانی. اگر این معیارها در محیط آزمایشی بهتر نشدند، پروژه را گسترش ندهید.
در مرحله بعد، تجربه‌های موفق و ناموفق را ثبت کنید، خطاهای تکراری را دسته‌بندی کنید و سیاست کاری را بر اساس همان داده‌ها اصلاح کنید. درست مانند رویکرد GO-3، ارزش واقعی وقتی ایجاد می‌شود که تجربه کار روزانه به دانش قابل استفاده دوباره تبدیل شود. در عین حال، ربات در وظایف حساس و پرخطر باید زیر نظارت انسان کار کند و تصمیم‌های برگشت‌ناپذیر بدون تأیید انسانی اجرا نشوند.
چشم‌انداز این حوزه روشن است اما تدریجی. متن‌بازشدن کامل GO-3 تا پایان سال ۲۰۲۶، اگر طبق اعلام شرکت انجام شود، می‌تواند دسترسی پژوهشگران و توسعه‌دهندگان به یک مدل بنیادی تجسمی را آسان‌تر کند. با این حال، هنوز فاصله زیادی تا ربات‌های همه‌کاره و قابل اعتماد در هر محیط کاری وجود دارد. کسانی که از امروز مبانی ادراک، مدل‌های بینایی و کنش، شبیه‌سازی و ارزیابی ایمن را یاد می‌گیرند، با یک پروژه کوچک، یک معیار روشن و یک چرخه یادگیری پیوسته در موقعیتی بهتر برای استفاده درست از این موج خواهند بود.
بهزاد حسین عباسی، بنیانگذار اپراتوری هوش مصنوعی و اپراتوری ابرهوش
