رباتهای انساننما وارد انبارهای واقعی میشوند — اولین استقرارها واقعاً چه شکلی هستند
برای سالها، رباتهای انساننما فقط در دنیای نمایشگاهها و اسلایدهای سرمایهگذاری وجود داشتند. فیلمها جذاب بودند: یک ماشین دو پا روی صحنه راه میرفت، جعبهای را برمیداشت، حتی پشتک میزد. اما هیچوقت نشان نمیدادند ده دقیقه بعد چه اتفاقی میافتد وقتی نور تغییر کند، کف زمین شیب داشته باشد، یا جعبه دو کیلوگرم وزن داشته باشد نه یک کیلو. آن دنیای توهم کنترلشده حالا جای خود را به چیزی کثیفتر و جذابتر داده: استقرارهای واقعی در تأسیسات واقعی، با کارگران واقعی، محدودیتهای واقعی و مخاطرات واقعی.
از دمو تا استقرار: نقطه عطف ۲۰۲۵-۲۰۲۶
این تغییر از سال ۲۰۲۴ شروع به شتاب گرفتن کرد و در ۲۰۲۵-۲۰۲۶ به یک نقطه عطف واقعی رسید. چندین پلتفرم انساننما در حال حاضر تحت شرایط نظارتشده در تأسیسات تجاری کار میکنند. این خودمختاری کامل نیست — معادل یک کارمند جدید است که از یک همکار باتجربه یاد میگیرد — اما نشاندهنده یک تغییر ردهای از تحقیقات آزمایشگاهی به واقعیت عملیاتی است.
Figure AI رباتهای خود را روی خط تولید BMW در اسپارتانبرگ، کارولینای جنوبی به کار گرفته. Digit شرکت Agility Robotics در مراکز تکمیل سفارش آمازون آزمایش شده. Apollo شرکت Apptronik توسط مرسدس بنز برای پشتیبانی مونتاژ ارزیابی میشود. 1X Technologies که توسط OpenAI پشتیبانی میشود، ربات NEO خود را در محیطهای انبار مستقر کرده. Atlas شرکت Boston Dynamics که اکنون در نسخه تمام الکتریکی خود است، از یک کنجکاوی تحقیقاتی به یک پلتفرم تجاری فعال برای مشتریان صنعتی تبدیل شده.
هیچکدام از این استقرارها شبیه ترمیناتور نیستند. آنها شبیه یک ربات هستند که با دقت یک سبد پلاستیکی را از یک نوار نقاله به نوار دیگر منتقل میکند، زیر نظر یک ناظر انسانی که دکمه توقف اضطراری را در دست دارد.
استقرار امروزی واقعاً به چه معناست
ارزش دارد دقیق باشیم که این آزمایشها چه چیزی را شامل میشوند، چون کلمه «استقرار» طیف وسیعی را پوشش میدهد. در پیادهسازیهای فعلی، رباتهای انساننما در محدوده وظایف بسیار محدود — اقدامات مشخص و تکراری در مناطق کنترلشده از یک تأسیسات بزرگتر — کار میکنند. رباتها آزادانه پرسه نمیزنند یا تصمیمات مستقل درباره کار بعدی نمیگیرند. آنها یک توالی مشخص از حرکات را اجرا میکنند که معمولاً از طریق دوراپراتوری یا یادگیری تقلیدی یاد گرفتهاند، در فضایی که نقشهبرداری فیزیکی شده و اغلب کمی تغییر یافته تا تنوع کاهش یابد.
ناظران انسانی همچنان در محل حضور دارند. نسبت متفاوت است، اما یک اپراتور که دو تا چهار ربات را زیر نظر دارد رایج است. وقتی ربات با چیزی خارج از توزیع آموزشی خود مواجه شود — بستهای با جهت عجیب، برچسبی که هدف سنسور را پنهان کرده، همکاری که به طور غیرمنتظره از فضای کار عبور میکند — سیستم وضعیت را علامتگذاری میکند یا متوقف میشود و منتظر مداخله انسانی میماند. بازیابی از حالتهای غیرمنتظره هنوز عمدتاً یک کار انسانی است.
این انتقاد نیست. این رویکرد مهندسی صحیح برای استقرار سیستمهای خودمختار جدید در محیطهایی است که خطاها پیامدهای واقعی دارند. سوال این است که چقدر سریع میتوان دامنه عملیات خودمختار را بدون کاهش قابلیت اطمینان گسترش داد.
چرا انبارها، و چرا حالا
بخش لجستیک و انبارداری به دلیل دلایل ساختاری، نه تصادفی، به زمین آزمایشی برای رباتیک انساننما تبدیل شده است. هزینههای نیروی کار در توزیع و تکمیل سفارش در سراسر آمریکای شمالی، اروپا و شرق آسیا به شدت افزایش یافته است. نرخ آسیب کارگران در محیطهای انبار همچنان بالاست — کشیدگی مکرر، آسیبهای بلند کردن و حوادث لغزش و سقوط مشکلاتی پایدار هستند که اتوماسیون معمولی به طور کامل به آنها نپرداخته است. تقاضا برای عملیات ۲۴/۷، که ناشی از انتظارات تجارت الکترونیک است، فشار برای کارمندیابی تأسیسات در ساعاتی که نیروی کار انسانی کمیاب و گران است ایجاد میکند.
همچنین یک استدلال سازگاری عمیقتر وجود دارد. انبارها توسط انسانها و برای انسانها طراحی شدهاند. قفسهها در ارتفاع انسان هستند. راهروها برای فردی که جعبه حمل میکند مناسب است. ابزارها — اسکنرها، چرخدستیها، نوار نقالهها — دستهها و رابطهایی متناسب با دست انسان دارند. یک ربات انساننما میتواند در این محیط بدون نیاز به بازطراحی تأسیسات کار کند. این استدلال اقتصادی اصلی برای فرم فاکتور دوپا و انسانشکل است: سرمایهگذاری زیرساختی که قبلاً برای کارگران انسانی انجام شده را به ارث میبرد.
وظایفی که رباتها واقعاً انجام میدهند
انتخاب وظایف در استقرارهای فعلی چیزهای زیادی درباره جایگاه واقعی فناوری نشان میدهد. به رباتها کارهایی داده میشود که از نظر فیزیکی سخت، تکراری و — مهمتر — نسبت به عدم دقت بخشنده هستند. انتقال سبدهای پلاستیکی بین نوار نقالهها. برداشتن جعبههای یکنواخت از پالتها. حمل سطلهای قطعات در مسیرهای ثابت. این وظایف یک ویژگی مشترک دارند: اگر ربات آیتم را دو سانتیمتر از موقعیت ایدهآل قرار دهد، فرقی نمیکند. تلورانس به اندازهای زیاد است که حتی دستگیریهای ناقص هم موفق میشوند.
وظایفی که رباتها انجام نمیدهند به همان اندازه نشاندهنده است. آنها با کالاهای نرم کار نمیکنند — تغییرشکلپذیری لباس، برای مثال، گرفتن و قرار دادن را بسیار سختتر از آنچه به نظر میرسد میکند. آنها آیتمهایی با هندسه بسیار متغیر را مرتب نمیکنند. آنها کالاهای شکننده یا با ارزش بالا را مدیریت نمیکنند که در آن افتادن یک آیتم پیامدهای مالی واقعی دارد. شکاف مهارت دستکاری بین دست انسان و اندام انتهایی ربات کنونی همچنان قابل توجه است، به ویژه برای دستکاری اشیاء نامنظم یا هر چیزی که نیاز به نیروی دستگیری تطبیقی بر اساس بازخورد لمسی دارد.
معمای دوپا
همه در صنعت موافق نیستند که پاها پاسخ درست هستند. چندین شرکت که رباتهایی برای استفاده در انبار توسعه میدهند پلتفرمهای حرکتی چرخدار را انتخاب کردهاند، با این استدلال که چرخها سریعتر، کممصرفتر، از نظر مکانیکی قابل اعتمادتر و روی سطوح صاف پایدارتر هستند — که اکثریت قریب به اتفاق کف انبارها را توصیف میکند. پلتفرم Proteus خود آمازون چرخدار است. رباتهای متحرک تخصصی که با موفقیت در لجستیک مقیاسدهی شدهاند، از سیستمهای دوران Kiva گرفته تا رباتهای متحرک خودمختار مدرن، همه میغلتند.
بحث به نفع پاها بر محیطهایی استوار است که چرخها به سختی از عهده آنها برمیآیند: پلهها، جدولها، رمپها، سطوح ناهموار خارجی، اسکلههای بارگیری وسایل نقلیه با شکاف و لبه. اگر یک ربات باید در سراسر یک زنجیره تأمین کامل کار کند — انبار، اسکله بارگیری، داخل وسایل نقلیه تحویل، مسیر مایل آخر به در — پاها قابلیتی را فراهم میکنند که چرخها نمیتوانند با آن مطابقت کنند. استدلال مخالف این است که اکثر استقرارهای تجاری به این تطبیقپذیری نیاز ندارند، و شرکتها مالیات پیچیدگی مکانیکی قابل توجهی را برای قابلیتی که به ندرت استفاده میکنند میپردازند.
پاسخ صادقانه این است که هر دو رویکرد جایگاههای خود را پیدا خواهند کرد. رباتهای چرخدار در محیطهای مسطح و ساختاریافته غالب خواهند شد. رباتهای پادار حق بیمه پیچیدگی خود را در محیطهای مختلط به دست خواهند آورد. فشار فعلی به سمت دوپا تا حدی فنی است (پاها مشکل سختتری هستند و بنابراین توجه تحقیقاتی را جلب میکنند) و تا حدی روایی (رباتهای انساننما توجه رسانه را به شکلی جلب میکنند که یک جعبه روی چرخ نمیتواند).
چگونه رباتها یاد میگیرند: دوراپراتوری و نمایش
پارادایم آموزشی غالب برای استقرارهای فعلی انساننما یادگیری از نمایش است. یک اپراتور انسانی، معمولاً با یک دستکش لمسی یا لباس ضبط حرکت، فیزیکی کار هدف را انجام میدهد در حالی که ربات حرکت را ضبط میکند. سپس از این دادههای دوراپراتوری برای آموزش یک policy — یک شبکه عصبی که ورودیهای سنسور را به دستورات موتور نگاشت میکند — استفاده میشود که ربات میتواند به صورت خودمختار اجرا کند.
جذابیت این رویکرد این است که از شهود و مهارت دستکاری انسان بهره میبرد بدون اینکه مهندسان مجبور باشند هر حرکت را به صراحت برنامهنویسی کنند. محدودیت این است که policy یادگرفتهشده فقط به اندازه دادههای نمایشی خوب است. رباتهایی که اینگونه آموزش دیدهاند میتوانند خارج از توزیع نمونههای آموزشی خود شکننده باشند. Figure AI، 1X و دیگران به شدت روی مقیاسدهی مجموعه دادههای نمایشی و ترکیب آنها با آموزش مبتنی بر شبیهسازی برای بهبود تعمیمدهی سرمایهگذاری میکنند.
اقتصاد: یک ارزیابی صادقانه
رباتهای انساننمای فعلی برای استقرارهای تجاری اولیه بین ۱۵۰,۰۰۰ تا ۳۰۰,۰۰۰ دلار به ازای هر واحد هزینه دارند، قبل از در نظر گرفتن هزینههای یکپارچهسازی، تغییرات زیرساخت، قراردادهای نگهداری و نظارت انسانی مورد نیاز در فاز آزمایشی. وقتی همه هزینهها لحاظ شوند، کل هزینه مالکیت یک آزمایشی انساننمای تحت نظارت اغلب بالاتر از استخدام کارگران اضافی برای همان وظایف است.
این برای فناوری صنعتی در مراحل اولیه غیرعادی نیست. مورد اقتصادی برای رباتهای انساننما امروز این نیست که آنها ارزانتر از نیروی کار انسانی هستند — نیستند، هنوز. مورد این است که آنها یک پوشش در برابر محدودیتهای آینده نیروی کار هستند، دادههای جمعآوریشده در آزمایشها سیستمهای بهتری را آموزش خواهند داد، و هزینه واحد با مقیاسدهی تولید به طور قابل توجهی کاهش خواهد یافت. شرکتهایی مانند Figure AI و Agility Robotics صریحاً میگویند که در این مرحله برای ایجاد رابطه و جمعآوری داده قیمتگذاری میکنند، نه حاشیه سود.
نقطه سربهسر — جایی که یک ربات انساننمای مستقر واقعاً ارزانتر از نیروی کار جابجاشده است — به طور قابل قبول سه تا پنج سال دیگر برای مطلوبترین پروفایلهای وظیفه فاصله دارد، به شرطی که حجم تولید به طور قابل توجهی افزایش یابد و معیارهای قابلیت اطمینان بهبود یابد.
چشمانداز سه تا پنج ساله
پیشرفت واقعبینانه در سه تا پنج سال آینده به این شکل است: دامنه وظیفه برای عملیات خودمختار به طور معتدل اما معنادار گسترش مییابد، احتمالاً بیست تا سی درصد از جریانهای کاری رایج انبار را بدون نظارت انسانی پوشش میدهد. قابلیت اطمینان ربات تا جایی بهبود مییابد که معیارهای uptime با تجهیزات صنعتی بالغ قابل مقایسه باشد. هزینه واحد با مقیاسدهی تولید به محدوده ۸۰,۰۰۰ تا ۱۲۰,۰۰۰ دلار کاهش مییابد. بازار دست دوم برای واحدهای بازسازیشده و ارتقایافته ظهور میکند.
آنچه در آن بازه زمانی بعید است: رباتهای انساننمای کاملاً خودمختار و عمومی که تمام وظایف انبار را بدون نظارت انسانی انجام دهند. شکاف مهارت دستکاری تنگتر خواهد شد اما بسته نخواهد شد. دنباله طولانی موارد مرزی — آیتم عجیب، موقعیت غیرمنتظره، وظیفهای که هرگز در دادههای آموزشی نبوده — همچنان به قضاوت انسانی نیاز خواهد داشت. چشمانداز یک انبار کاملاً رباتیکی بدون نور (lights-out) یک افق طولانیتر است و احتمالاً به پیشرفتهایی در حسگر لمسی، استحکام policy دستکاری و تطبیق بلادرنگ نیاز دارد که همچنان مسائل تحقیقاتی باز هستند.
داستان جذابتر در کوتاهمدت جایگزینی نیست، بلکه پیکربندی مجدد است: انسانها و رباتهای انساننما که در کنار یکدیگر کار میکنند، با رباتها که سختترین وظایف فیزیکی و تکراری را جذب میکنند در حالی که انسانها مدیریت استثنا، کنترل کیفیت و قضاوتهای واقعی را به عهده دارند. آن آینده در حال حاضر، به آرامی، در یک کارخانه BMW در کارولینای جنوبی و تعدادی از مراکز تکمیل سفارش آمازون آغاز شده است. از دموها کمتر نمایشی است. همچنین پایدارتر است.