عصر هوش مصنوعیِ صرفاً دیجیتال در حال تکامل است، زیرا استارتاپها تلاش میکنند شکاف میان هوش نرمافزاری و اجرای فیزیکی را پر کنند. Perceptron، یک شرکت نوپا که توسط پژوهشگران سابق Meta AI تأسیس شده است، با توسعه مدلهای بینایی (vision models) پیشرو که برای کمک به ماشینها در پیمایش و تعامل با دنیای واقعی طراحی شدهاند، پیشگام این حرکت است.
شکستن دوگانه: مدلهای عمومی در مقابل مدلهای محدود
سالهاست که اتوماسیون صنعتی در یک بنبست فنی گرفتار شده است. توسعهدهندگان معمولاً مجبور بودند بین مدلهای پایه (foundation models) عظیم و عمومی که برای هر نمونه به GPUهای ابری گرانقیمت و اختصاصی نیاز دارند، یا مدلهای محدود و تخصصی که میتوانند ادراک یا کنترل را مدیریت کنند اما توانایی انجام هر دو را ندارند، یکی را انتخاب کنند.
بنیانگذاران Perceptron، یعنی Armen Aghajanyan و Akshat Shrivastava — که هر دو از فارغالتحصیلان بخش Fundamental AI Research (FAIR) در Meta هستند — در تلاشاند تا این مشکل را از طریق مدل جدید خود، Isaac 0.5، حل کنند. برخلاف نرمافزارهای موجود که برای وظایف تکگانه و تکراری طراحی شدهاند، Isaac 0.5 یک مدل چندمنظوره است. این مدل به رباتها ظرفیت «ادراک، استدلال و عمل» را میدهد و به آنها اجازه میدهد تا به جای برنامهریزی سختافزاری برای یک حرکت خاص، با محیطهای مختلف سازگار شوند.
مکانیسمهای هوش فیزیکی
برای درک پیچیدگی رویکرد Perceptron، باید به یک وظیفه استاندارد انبارداری، مانند مرتبسازی بستهها، نگاه کرد. یک ربات نمیتواند صرفاً یک «جعبه را بردارد»؛ بلکه ابتدا باید برچسبها را بخواند، تحلیل فضایی انجام دهد تا محیط اطراف خود را نقشهبرداری کند، درباره ترتیب بهینه برداشت تصمیم بگیرد و مسیر فیزیکی خود را برنامهریزی کند.
Isaac 0.5 برای مدیریت این فرآیندهای شناختی چندمرحلهای طراحی شده است. این مدل در مقیاسی عظیم آموزش دیده و یک میلیون ساعت داده ویدئویی عمومی را برای شناسایی محیطها و سناریوهای متنوع جذب کرده است. برای تسلط بر مهارتهای فیزیکی، این شرکت از «ego video» (دیدگاههای اولشخص از دوربینهای پوشیدنی) و ویدئوهای UMI (ضبط حرکات تکراری انسان) استفاده کرد تا به هوش مصنوعی بیاموزد که چگونه حرکت به انجام وظیفه تبدیل میشود. Shrivastava خاطرنشان کرد که شرکت مجموعهدادههایی در مقیاس پتابایت شامل تصاویر، متن، ویدئو و مسیرهای رباتیک ساخته است تا به این سطح از «کیمیاگری الگوریتمی» دست یابد.
استراتژی وزنهای باز و گسترش بازار
Perceptron در اقدامی که شفافیت و پذیرش توسط توسعهدهندگان را تشویق میکند، Isaac 0.5 را به عنوان یک مدل با وزنهای باز (open-weight) منتشر میکند. این کار به پژوهشگران و مهندسان اجازه میدهد تا پارامترها و مواد آموزشی آن را بررسی کنند؛ مرحلهای حیاتی برای ادغام هوش مصنوعی در محیطهای صنعتی حساس که در آنها پیشبینیپذیری از اهمیت بالایی برخوردار است.
Perceptron که با یک دور تأمین مالی ۲۱ میلیون دلاری به رهبری Bessemer Venture Partners حمایت میشود، خود را به عنوان لایه هوش برای طیف گستردهای از بخشها معرفی میکند. در حالی که تمرکز اصلی بر لجستیک و تولید است، این شرکت کاربردهای فوری در امنیت، جابهجایی و حتی رسانه و سرگرمی میبیند. Perceptron با ارائه یک لایه هوش منعطف، قصد دارد نحوه عملکرد رباتهای هدایتشونده با بینایی (vision-guided robots) را در چشمانداز صنعتی جهانی متحول کند.
نکات کلیدی
- پر کردن شکاف: Isaac 0.5 با ارائه یک چارچوب چندمنظوره «ادراک، استدلال و عمل»، قصد دارد انتخاب بین مدلهای عمومی سنگین و مدلهای محدود را از بین ببرد.
- مقیاس آموزشی عظیم: این مدل از یک میلیون ساعت داده ویدئویی، شامل ویدئوهای ego-centric و UMI، برای آموزش وظایف پیچیده فضایی و دستی به رباتها بهره میبرد.
- دسترسی با وزنهای باز: Perceptron با انتشار Isaac 0.5 با وزنهای باز، امکان بررسی عمیقتر و ادغام سریعتر هوش مصنوعی بینایی پیشرو را در جریانهای کاری صنعتی فراهم میکند.
Perceptron از Isaac 0.5 رونمایی کرد، یک مدل بینایی با وزنهای باز که وعده میدهد به رباتها یک مغز واحد برای «ادراک-استدلال-عمل» بدهد. این استارتاپ ۲۱ میلیون دلار سرمایه جذب کرده که به رهبری Bessemer Venture Partners است و این مدل را به عنوان یک لایه هوش آماده برای بازارهای لجستیک، تولید و سایر بازارهای اتوماسیون فیزیکی معرفی میکند.
چرا این عرضه اهمیت دارد
رباتهای صنعتی مدتهاست که مجبور به انتخاب بین دو گزینه بودهاند. اگر یک مدل پایه عظیم و چندمنظوره را مستقر کنید، هزینه دسترسی مداوم به GPU ابری را میپردازید؛ اگر به یک سیستم بینایی محدود و وظیفهمحور پایبند بمانید، با تغییر محیط، انعطافپذیری خود را از دست میدهید. Isaac 0.5 به عنوان راه میانهای بازاریابی میشود — مدلی که میتواند بدون نیاز به محاسبات ابری برای هر نمونه، ادراک، برنامهریزی و کنترل را مدیریت کند.
مشکل مغزهای رباتیک امروزی
یک ربات انبارداری معمولی کاری فراتر از برداشتن یک جعبه انجام میدهد. این ربات باید یک برچسب را بخواند، کالا را در میان آشفتگیها پیدا کند، بهترین توالی برداشتن را تصمیمگیری کند و یک مسیر حرکت بازوی بدون برخورد را محاسبه کند—همه اینها در لحظه (real time). راهکارهای موجود معمولاً این مراحل را بین اجزای نرمافزاری مجزا تقسیم میکنند: یک آشکارساز سبکوزن برای برچسب، یک برنامهریز دستی برای حرکت، و یک کنترلکننده مبتنی بر قانون برای اجرا. این تقسیمبندی باعث ایجاد بار اضافی در یکپارچهسازی میشود و توانایی ربات برای سازگاری با محصول، سبک بستهبندی یا چیدمان جدید را محدود میکند.
چگونه Isaac 0.5 تلاش میکند این شکاف را پر کند
بنیانگذاران Perceptron، یعنی Armen Aghajanyan و Akshat Shrivastava که هر دو از پژوهشگران سابق Meta FAIR هستند، Isaac 0.5 را به عنوان یک شبکه واحد و سرتاسری (end-to-end) ساختهاند. این مدل بر روی تقریباً یک میلیون ساعت داده ویدئویی عمومی، شامل طیف گستردهای از صحنههای داخلی و خارجی، آموزش دیده است. نکته حیاتی این است که مجموعه آموزشی همچنین شامل «ego video» (تصاویر اولشخص ثبتشده توسط دوربینهای پوشیدنی) و «UMI video» (ضبط اقدامات تکراری انسانی) است. Perceptron ادعا میکند که با تغذیه جریانهای بصری جفتشده با دادههای مسیر حرکت ربات به شبکه، مدل یاد میگیرد که چگونه نشانههای بصری به حرکات فیزیکی تبدیل میشوند.
این شرکت میگوید مجموعه دادههای آن شامل پتابایتها تصویر، متن، ویدئو و مسیرهای حرکتی رباتیک است. هدف از این وسعت، دادن توانایی به Isaac 0.5 برای شناسایی یک شیء جدید، استنتاج قابلیتهای کاربردی آن (affordances - نحوه گرفتن آن) و تولید یک برنامه حرکتی است، همگی بدون نیاز به یک ماژول کنترل مجزا.
مدل با وزنهای باز: تلاقی شفافیت و کاربردی بودن
برخلاف اکثر محصولات تجاری هوش مصنوعی که فقط یک API ارائه میدهند، Perceptron مدل Isaac 0.5 را با وزنهای باز (open weights) منتشر میکند. مهندسان میتوانند پارامترها را بررسی کنند، شبکه را با دادههای اختصاصی خود تنظیم دقیق (fine-tune) کنند، یا مدل را مستقیماً روی سختافزارهای لبه (edge hardware) تعبیه کنند.