امواج مغزی: کلید جدید پیشرفت ربات‌های هوشمند

هوش مصنوعی فیزیکی، که ربات‌ها را قادر به انجام وظایف در دنیای واقعی می‌کند، با یک چالش بزرگ روبروست: کمبود داده‌های آموزشی باکیفیت. برخلاف مدل‌های زبانی بزرگ که از انبوه متون اینترنت تغذیه می‌کنند، آموزش ربات‌ها نیازمند داده‌های حسی پیچیده‌ای از تعاملات فیزیکی است که به سادگی در دسترس نیست. حالا یک استارتاپ فعال در حوزه ابزارهای داده، به نام Encord (انکورد)، با همکاری یک شرکت علوم اعصاب آلمانی، به سراغ روشی جدید رفته است: استفاده از امواج مغزی برای غنی‌سازی داده‌های آموزشی ربات‌ها.

بر اساس گزارش TechCrunch، در انباری در کالیفرنیا، اپراتورهایی با هدست‌های مجهز به حسگرهای امواج مغزی (EEG) مشغول انجام وظایفی مانند چیدن بلوک‌های چوبی یا ریختن قهوه هستند. این هدست‌ها که توسط شرکت Zander Labs ساخته شده‌اند، فعالیت مغزی را اندازه‌گیری می‌کنند تا حالات ذهنی مانند قصد، خطا یا تعجب را تشخیص دهند. هدف این است که با افزودن این داده‌های عصبی به ویدئوهای ثبت‌شده، مدل‌های هوش مصنوعی درک بهتری از لحظات حساس یک وظیفه پیدا کنند. برای نمونه، وقتی مغز اپراتور نشانه‌هایی از تمرکز بالا یا تشخیص خطا نشان می‌دهد، ربات می‌آموزد که در آن لحظات خاص باید دقت بیشتری به خرج دهد یا از مدل‌های پیچیده‌تر استفاده کند.

اما چرا این موضوع اهمیت دارد؟ وینیث ولموروگان (Vineeth Velmurugan)، مدیر بخش یادگیری رباتیک Encord و از مدیران سابق آزمایشگاه رباتیک OpenAI، معتقد است که این رویکرد در «لبه خونریزی» (bleeding edge) حل گلوگاه داده‌های رباتیک قرار دارد. به گفته او، داده‌های فیزیکی به طور طبیعی وجود ندارند و باید تولید شوند. برای پیشرفت واقعی در هوش مصنوعی فیزیکی، به مجموعه داده‌ای حدوداً پنج برابر کل ویدئوهای یوتیوب نیاز است! این حجم عظیم، تولید داده را از یک مسئله تحقیقاتی به یک کسب‌وکار تبدیل کرده است.

Encord تنها به امواج مغزی اکتفا نمی‌کند. آنها در مرکز خود در سن لئاندرو، داده‌های «خودمرکزبین» (egocentric) یا ویدئوهایی که از دید اپراتور ضبط می‌شود را جمع‌آوری می‌کنند و همچنین از بازوهای رباتیکی که توسط انسان کنترل می‌شوند برای شبیه‌سازی وظایف استفاده می‌نمایند. وظایفی مانند اتصال کابل‌های شبکه به سرورها، ریختن مایعات یا چیدن اشیاء ریز، همگی با تراکم بالایی از برچسب‌گذاری (annotation) همراه می‌شوند. ولموروگان می‌گوید این برچسب‌گذاری متراکم برای آموزش وظایف خاص تا ۱۰۰ برابر ارزشمندتر از داده‌های خام و ساده است، هرچند هزینه تولید آن حدود ۲۰ برابر بیشتر است. اما این هزینه در مقایسه با استخراج رایگان متون از اینترنت، چالش اقتصادی بزرگی برای سازندگان مدل‌های رباتیک ایجاد می‌کند.

نکته جالب دیگر، استفاده از حسگرهای روی ساعد برای تشخیص سیگنال‌های الکتریکی عضلات است. این روش کمک می‌کند تا حتی زمانی که دست در ویدئو کاملاً مشخص نیست، موقعیت سه‌بعدی آن بازسازی شود. ترکیب این داده‌ها با بینایی کامپیوتری و امواج مغزی می‌تواند مدل‌های هوش مصنوعی را به سطح جدیدی از درک فیزیکی برساند.

برای ایران، جایی که صنعت رباتیک و اتوماسیون به سرعت در حال رشد است، این رویکردها می‌تواند الهام‌بخش باشد. استفاده از داده‌های چندحسی (multimodal data) و تمرکز بر تولید هدفمند داده، به جای اتکا به حجم، می‌تواند راهکاری برای غلبه بر محدودیت‌های منابع باشد. با این حال، هزینه بالای تولید چنین داده‌هایی و نیاز به فناوری‌های پیشرفته حسگرها، چالش‌هایی هستند که باید مد نظر قرار گیرند. استارتاپ‌های ایرانی فعال در حوزه هوش مصنوعی می‌توانند با مطالعه این روندها، روش‌های خلاقانه‌تری برای جمع‌آوری و غنی‌سازی داده‌های بومی توسعه دهند.

در نهایت، کارکنان Encord که پیشتر در شرکت‌های برچسب‌گذاری داده مانند Scale کار می‌کرده‌اند، اکنون بخشی از نیروی کار رو به رشدی هستند که بلوک‌های سازنده شبکه‌های عصبی را فراهم می‌کنند. آنها وظایفی تکراری اما چالش‌برانگیز را انجام می‌دهند تا ربات‌ها روزی بتوانند آنها را به طور خودکار انجام دهند. شاید روزی برسد که کلید پیشرفت هوش مصنوعی فیزیکی در خواندن ذهن ما باشد.