آیا امواج مغزی کلید تحول در هوش مصنوعی فیزیکی و آموزش ربات‌ ها هستند؟

مرزهای هوش مصنوعی فیزیکی در حال حاضر به یک بازی جنگا (Jenga) در انباری در سن لاندرو کالیفرنیا ختم می‌شود. این انبار متعلق به انکورد (Encord) است؛ شرکتی که ابزارهای داده‌ای برای آموزش مدل‌های هوش مصنوعی می‌سازد. اندرو سجا (Andrew Ceja) یک «پایلوت» است (اصطلاحی که شرکت برای مربیان رباتیک خود استفاده می‌کند). او در حالی که هدستی مجهز به دوربین برای ردیابی زاویه دیدش بر سر دارد، با دقت بلوک‌های چوبی را از یک برج لرزان بیرون می‌کشد. این کار به تنهایی برای جمع‌آوری داده‌های آموزشی ربات نسبتاً رایج است، اما هدست او شامل حسگرهایی است که هنگام باز کردن دقیق برج بلوکی، امواج مغزی او را نیز اندازه‌گیری می‌کنند.

به گزارش بخش اخبار فناوری زوم تک به نقل از تک‌کرانچ (TechCrunch)، شرکت انکورد یکی از معدود اما رو به رشدترین استارتاپ‌هایی است که شرط می‌بندد محدودیت واقعی بعدی در حوزه رباتیک انسان‌نما و ربات‌های انبارداری، معماری مدل نخواهد بود؛ بلکه کمبود شدید داده‌های آموزشی فیزیکی در دنیای واقعی است. انکورد به جای اینکه صرفاً به شرکت‌های رباتیک در مدیریت داده‌های فعلی‌شان کمک کند، در حال ایجاد کسب‌وکاری حول محور تولید داده‌هایی است که این شرکت‌ها در اختیار ندارند.

استفاده از امواج مغزی برای درک بهتر مدل‌ های هوش مصنوعی

هدست ثبت امواج مغزی که سجا بر سر دارد، توسط زاندر لبز (Zander Labs) ساخته شده است؛ یک استارتاپ آلمانی در حوزه علوم اعصاب که معتقد است اندازه‌گیری فعالیت مغز (برای استنتاج حالات ذهنی مانند خطا، قصد و غافلگیری) می‌تواند مجموعه داده‌های کاربردی‌تری را برای آموزش مدل‌ها ایجاد کند. همکاری انکورد با زاندر در حال حاضر یک مرحله آزمایشی است؛ انکورد می‌گوید هدف، ایجاد یک مجموعه داده اولیه برچسب‌گذاری‌شده با امواج مغزی، اجرای آن در مدل‌های رباتیک مشتریان و ارزیابی این موضوع است که آیا واقعاً عملکرد را بهبود می‌بخشد یا خیر، تا سپس درباره گسترش آن تصمیم‌گیری شود.

لوکاس گرکه (Lucas Gehrke)، عصب‌شناس زاندر که بر این کار نظارت دارد، می‌گوید میزان فعالیت مغزی در هر نقطه از یک کار مشخص، سرنخ‌هایی را به سازندگان مدل‌ها ارائه می‌دهد تا بفهمند چه زمانی باید از قدرتمندترین مدل‌های خود استفاده کنند.

به گفته وینیت ولموروگان (Vineeth Velmurugan)، مدیر یادگیری ربات در انکورد، این کار نشان‌دهنده «پیشرفته‌ترین مرز» تلاش‌ها برای حل تنگنای داده‌های رباتیک است. ولموروگان که از کهنه‌کاران آزمایشگاه رباتیک OpenAI و شرکت اتوماسیون انبارداری برکشایر گری (Berkshire Grey) است، به انکورد پیوسته تا تیم داخلی تولید داده شرکت را تشکیل دهد.

انکورد در ابتدا برای کمک به شرکت‌های سازنده برنامه‌های بینایی ماشین جهت حاشیه‌نویسی داده‌ها و ارزیابی مدل‌ها تأسیس شد. همان‌طور که مشتریان آن‌ها (ولموروگان می‌گوید آن‌ها با بسیاری از شرکت‌های پیشرو در زمینه رباتیک کار می‌کنند اما مجاز به نام بردن از آن‌ها نیست) شروع به اعمال یادگیری سرتاسری (End-to-End) در وظایف دستکاری رباتیک کردند، مدیران متوجه شدند که باید به جای مدیریت ساده داده‌ها، خودشان داده‌های آموزشی تولید کنند. ولموروگان در این باره گفت: «چنین داده‌هایی در حال حاضر اصلاً وجود ندارند.»

چالش تامین داده‌ های آموزشی فیزیکی برای ربات‌ ها

این باور که هوش مصنوعی مولد می‌تواند همان کاری را که برای چت‌بات‌ها انجام داد برای ربات‌ها نیز انجام دهد، مدام با همین مانع برخورد می‌کند. شرکت‌های سازنده خودروهای خودران شخصاً داده‌های دنیای فیزیکی را جمع‌آوری می‌کنند، اما مقیاس‌پذیری این کار بسیار دشوار است. آموزش از طریق ویدیو می‌تواند کارساز باشد، اما دقت و کیفیت داده‌های دنیای واقعی را ندارد. ولموروگان می‌گوید برای ایجاد یک پیشرفت بزرگ، به مجموعه داده‌ای در حدود پنج برابر کل ویدیوهای یوتیوب نیاز است؛ مقیاسی که به خوبی توضیح می‌دهد چرا تولید داده به خودی خود به یک تجارت تبدیل شده و دیگر صرفاً یک مشکل تحقیقاتی نیست.

تامین نیازهای داده‌ای مبتنی بر دیدگاه اول شخص (Egocentric Data)

شرکت‌هایی که در حال ساخت مغز ربات‌ها هستند، اکنون به دو منبع اصلی روی آورده‌اند: ویدیوهای اول شخص (Egocentric) که توسط کارگران مجهز به دوربین جمع‌آوری می‌شوند (و اغلب با زوایای دوربین اضافی و سایر معیارها تقویت می‌شوند) و داده‌های حاصل از ربات‌هایی که از راه دور کنترل می‌شوند. انکورد هر دو روش را انجام می‌دهد؛ هم داده‌های اول شخص را از چندین کارخانه در سراسر جهان استخراج می‌کند و هم از تاسیسات سان لاندرو خود برای آزمایش روش‌های جدید مانند امواج مغزی یا جمع‌آوری مجموعه داده‌هایی حول مهارت‌های خاص برای تنظیم دقیق (Fine-Tuning) مدل‌ها استفاده می‌کند.

هنگام بازدید تک‌کرانچ از این مجموعه، پایلوت‌ها از سیستم‌های پیشرو-پیرو (بازوهای رباتیک جفت‌شده که یکی مستقیماً توسط اپراتور انسانی کنترل می‌شود و دیگری حرکات آن را تقلید می‌کند) برای تولید داده در مورد وظایفی مانند ریختن قهوه از قوری به داخل ماگ‌ها و روی هم چیدن ژتون‌های پوکر استفاده می‌کردند. ولموروگان می‌گوید: «تمام شرکت‌های سازنده ربات‌های انسان‌نما این بخش‌ها را از ما درخواست کرده‌اند.»

قفسه‌های ذخیره‌سازی پر از کارتن‌های گل مصنوعی در گلدان، کتاب، سبزیجات پلاستیکی، سینی خاک گربه، کیسه‌ها و دسته‌های سیم بود؛ وسایلی که ابزار کار برای آموزش دستکاری‌کننده‌های رباتیک جهت انجام کارهای خانگی به شمار می‌روند.

آینده اتوماسیون با حسگرهای عضلانی و درک سه‌بعدی

در یکی از این ایستگاه‌ها، پایلوت دیگری به نام سوفیا اینفانته (Sofia Infante)، بازوهای رباتیک را برای اتصال و قطع کابل‌های اترنت از پشت یک سرور هدایت می‌کند؛ این همان نوع کاری است که اپراتورهای دیتاسنترها عاشق اتوماسیون آن هستند، البته اگر ربات‌ها بتوانند آن‌ها را با دقت مورد نیاز دستکاری کنند. وقتی خودم پشت کنترل‌ها نشستم، متوجه شدم چرا این هدف هنوز دور از دسترس است: گیره‌های رباتیک بسیار کمتر از انگشتان انسان مهارت دارند و فاقد درجات آزادی حرکتی هستند که ما در بازوهای خود کاملاً عادی می‌دانیم.

مدل جدید دیگری از داده‌ها که انکورد در حال توسعه آن است، از مجموعه‌ای از حسگرهای متصل به ساعد برای تشخیص سیگنال‌های الکتریکی در عضلات استفاده می‌کند. ویدیوهای گرفته شده از دست انسان در حال دستکاری اشیاء، معمولاً کل دست را ثبت نمی‌کنند، اما ولموروگان امیدوار است بتواند بر اساس حسگرهای بازو، تصویری سه‌بعدی از موقعیت دست در هر لحظه ایجاد کند و درک قوی‌تری را برای مدل‌های هوش مصنوعی رقم بزند.

اقتصاد تولید داده در هوش مصنوعی فیزیکی

مجموعه داده‌های انکورد با توضیحات فیزیکی از آنچه هر ویدیو شامل می‌شود (مانند «دست راست پیچ را سفت می‌کند») حاشیه‌نویسی می‌شوند تا به مدل‌های مبتنی بر LLM در درک اتفاقات در حال وقوع کمک کنند. ولموروگان تخمین می‌زند که ارزش این نوع حاشیه‌نویسی متراکم برای آموزش وظایف خاص، ۱۰۰ برابر بیشتر از «داده‌های بی‌کیفیت اول شخص» است و تولید آن تنها ۲۰ برابر بیشتر هزینه دارد که روی کاغذ معامله خوبی محسوب می‌شود.

اما «۲۰ برابر بیشتر» همچنان پول واقعی است و نکته مهم همین‌جاست: استخراج متن از اینترنت (روشی که سازندگان LLM مدل‌های خود را با استخراج داده از استک اورفلو (Stack Overflow) و بقیه وب ساختند) برای آزمایشگاه‌های پیشرو تقریباً هیچ هزینه‌ای نداشت. اما تولید داده‌های آموزشی فیزیکی این‌گونه نیست و این همان نقطه پایان مقایسه هوش مصنوعی فیزیکی با مدل‌های زبانی بزرگ (LLM) است. این نوع داده‌ها باید «تولید» شوند، نه اینکه صرفاً جمع‌آوری شوند، و این مسئله اقتصادِ ساخت این مدل‌ها را به کلی تغییر می‌دهد.

آینده شغلی در توسعه شبکه‌های عصبی رباتیک

ولموروگان می‌گوید پیشرفت‌هایی در حال انجام است. او با توجه به اشراف انکورد بر برنامه‌های سراسر این صنعت، می‌تواند ببیند که استارتاپ‌ها و آزمایشگاه‌های پیشرو چگونه متوجه می‌شوند چه چیزی برای بهبود مدل‌های هوش مصنوعی فیزیکی کارساز است و چه چیزی نیست. این دیدگاه برتر (قرار داشتن در مرکز ارتباط با بسیاری از شرکت‌های رباتیک به صورت هم‌زمان) بخشی از مزیت رقابتی انکورد است. این شرکت می‌تواند پیش از هر مشتری منفردی، تشخیص دهد کدام تکنیک‌های داده‌ای در سطح صنعت در حال محبوب شدن هستند.

این موضوع باعث می‌شود ده‌ها پایلوت در تاسیسات انکورد به شدت پرکار باشند. اینفانته و سجا هر دو بخشی از نیروی کار نوظهوری هستند که بلوک‌های سازنده شبکه‌های عصبی را توسعه می‌دهند؛ آن‌ها قبل از پیوستن به انکورد، در Scale (یک شرکت دیگر در زمینه حاشیه‌نویسی داده‌های هوش مصنوعی) کار می‌کردند.

سجا پیش از این در یک شرکت مدیریت پسماند کار می‌کرد؛ جایی که علاقه‌اش به تکنولوژی باعث شد مسئولیت نگهداری و کارکرد صحیح یک ربات تفکیک زباله را بر عهده بگیرد. اکنون، در حالی که برج جنگا در حال فرو ریختن است، او می‌گوید از چالش حل وظایف آموزشی برای ربات‌ها لذت می‌برد: «اینجا هر روز با یک چیز جدید روبرو می‌شوم!»