توسعه‌دهندگان هوش مصنوعی فیزیکی و رباتیک با یک چالش بزرگ روبه‌رو هستند: کمبود شدید داده‌های واقعی برای آموزش حرکت ربات‌ها. برخلاف مدل‌های زبانی بزرگ (LLM) که با متون بی‌شمار اینترنت آموزش دیده‌اند، ربات‌ها برای یادگیری کارهای پیچیده به داده‌های فیزیکی بسیار دقیق نیاز دارند. اکنون استارت‌آپ Encord با همکاری Zander Labs راهکاری نوآورانه ارائه کرده است: ثبت امواج مغزی انسان هنگام انجام کارهای حرکتی تا ربات‌ها متوجه تمرکز، خطا، قصد و غافلگیری انسان در لحظه شوند.
در یکی از آزمایشگاه‌های سان لاندرو کالیفرنیا، اپراتورها هنگام بازی برج هیجان (Jenga) یا وصل کردن کابل‌های شبکه، کلاه‌های ویژه‌ای به سر می‌گذارند. این ابزارها نه‌تنها دید اپراتور را ضبط می‌کنند، بلکه سیگنال‌های مغزی و عضلانی او را نیز به داده‌های آموزشی برای ربات‌ها تبدیل می‌کنند.
چرا امواج مغزی گلوگاه داده‌های رباتیک را می‌شکنند؟
مدل‌های چت‌بات بر اساس حجم رو‌به‌افزایشی از متون وب شکل گرفته‌اند، اما ربات‌های انسان‌نما برای یادگیری مهارت‌های حرکتی به داده‌هایی بسیار غنی‌تر از ویدیوهای معمولی یوتیوب نیاز دارند. بر اساس برآوردهای کارشناسان، آموزش کامل هوش مصنوعی فیزیکی به داده‌ای بیش از ۵ برابر حجم کل ویدیوهای یوتیوب احتیاج دارد.
استفاده از هدست‌های سنجش امواج مغزی (EEG) ابزاری است که حالات ذهنی انسان را در طول انجام یک کار ارزیابی می‌کند. این سیستم شامل ویژگی‌های زیر است:
- تشخیص شدت تمرکز: مدل‌های هوش مصنوعی متوجه می‌شوند در چه لحظاتی از یک کار حرکتی، انسان بیشترین پردازش ذهنی را انجام می‌دهد.
- شناسایی خطا و غافلگیری: سیگنال‌های مغزی در لحظه وقوع اشتباه تغییر می‌کنند و به مدل نشان می‌دهند کدام اقدامات نیازمند دقت بیشتری هستند.
- کاهش هزینه‌های پردازشی: ربات‌ها می‌توانند یاد بگیرند چه زمانی از مدل‌های سنگین‌تر استفاده کنند و چه زمانی کارهای ساده را با حداقل انرژی انجام دهند.
رویکردهای جدید در تولید داده‌های اختصاصی برای ربات‌ها
شرکت Encord صرفاً یک مدیریت‌کننده داده نیست، بلکه به کارخانه تولید داده‌های فیزیکی تبدیل شده است. این مجموعه با به‌کارگیری اپراتورهای انسانی و بازوهای رباتیک مبتنی بر سیستم «پیشرو-پیرو» (Leader-Follower)، رفتارهای دقیق حرکتی را شبیه‌سازی می‌کند.
برای دستیابی به درک سه‌بعدی و کامل‌تر از حرکات دست انسان، روش‌های مکمل دیگری نیز به کار گرفته می‌شوند:
- سنسورهای عضلانی ساعد: شناسایی سیگنال‌های الکتریکی عضلات برای بازسازی دقیق وضعیت دست حتی زمانی که در زاویه دید دوربین نیست.
- برچسب‌گذاری فشرده و دقیق (Dense Annotation): افزودن توضیحات متنی جزئی مانند «دست راست پیچ را محکم می‌کند» که ارزش داده‌ها را تا ۱۰۰ برابر نسبت به ویدیوهای خام افزایش می‌دهد.
- ویدیوهای اول شخص (Egocentric): جمع‌آوری ویدیوهای ضبط‌شده توسط کارگران در خطوط تولید و کارخانه‌های مختلف.
تولید داده‌های فیزیکی بر خلاف جمع‌آوری متن از اینترنت هزینه‌بر است، اما شرکت‌های پیشرو رباتیک دریافته‌اند که راه دیگری برای رسیدن به «لحظه ChatGPT» در دنیای ربات‌ها وجود ندارد.
سوالات متداول
چرا ویدیوهای اینترنتی برای آموزش ربات‌ها کافی نیستند؟
ویدیوهای خام اینترنتی فاقد جزئیات عمق، زوایای متعدد، بازخورد لمسی و اطلاعات مربوط به میزان نیروی اعمال‌شده هستند. ربات‌ها برای تعامل دقیق با اجسام به داده‌های فیزیکی غنی و برچسب‌گذاری‌شده نیاز دارند.
امواج مغزی چگونه به هوش مصنوعی در درک حرکات کمک می‌کنند؟
امواج مغزی میزان درگیری ذهنی، احساس خطا و سطح دقت انسان را در هر ثانیه نشان می‌دهند. این اطلاعات به هوش مصنوعی می‌آموزد که کدام مراحل یک فعالیت حرکتی پیچیده‌تر بوده و نیازمند تحلیل عمیق‌تر است.