ربات‌های انسان‌نما وارد انبارهای واقعی می‌شوند — اولین پیاده‌سازی‌ها در عمل چگونه است

در سال ۲۰۲۲، دموهای ربات‌های انسان‌نما بیشتر به اجراهای صحنه‌ای تمرین‌شده و ویدئوهای ویرایش‌شده محدود بود. تا سال ۲۰۲۶، چندین شرکت ربات انسان‌نما با تولیدکنندگان بزرگ و اپراتورهای لجستیک برای استقرار سیستم‌ها در محیط‌های واقعی تولید قرارداد امضا کرده‌اند. فاصله بین «دمو» و «استقرار» بسیار مهم است — و درک اینکه این استقرارهای اولیه واقعاً چه شکلی دارند برای عبور از هیاهو ضروری است.

چه کسی در کجا استقرار می‌دهد

Figure AI در اوایل ۲۰۲۴ مشارکت خود با BMW را اعلام کرد و ربات‌ها در کارخانه Spartanburg کارولینای جنوبی مستقر شدند. وظایف محوله با دقت محدود شده: جابجایی قطعات بین ایستگاه‌ها، بارگذاری قطعات در فیکسچرها، عملیات pick-and-place ساده با اشیای ثابت و قابل پیش‌بینی. BMW یکی از پیشروان اتوماسیون در جهان است و تجربه دهه‌ها استقرار ربات صنعتی را دارد — تمایل آن‌ها به آزمایش ربات‌های انسان‌نما سیگنال مهمی است.

Digit از Agility Robotics در مراکز تحقق سفارش آمازون آزمایش شده و جابجایی توت (tote) — حمل کردن ظروف استاندارد بین نوار نقاله‌ها و قفسه‌ها — را انجام می‌دهد. آمازون همچنین در Agility Robotics سرمایه‌گذاری کرده و این رابطه را هم تجاری و هم استراتژیک می‌کند. وظیفه جابجایی توت عمداً انتخاب شده: جسم یکنواخت است، وزن قابل پیش‌بینی است و خطاها پیامدهای کمی دارند نسبت به دست زدن به کالاهای شکننده یا با ارزش بالا.

ربات Apollo از Apptronik در مرسدس بنز آلمان آزمایش می‌شود و بر روی قطعات کیتینگ (parts kitting) تمرکز دارد — مونتاژ مجموعه قطعات مورد نیاز برای یک خودروی خاص و آوردن آن‌ها به خط تولید. Sanctuary AI نیز با Canadian Tire برای وظایف لجستیکی خرده‌فروشی مشارکت دارد. Atlas از Boston Dynamics، که اکنون در نسل سوم الکتریکی خود است، در محیط‌های خودروسازی و تولیدی ارزیابی می‌شود.

«استقرار» امروز به چه معناست

عبارت «ربات‌هایی که در انبار کار می‌کنند» تصاویری از سیستم‌های خودمختار مستقل که به‌صورت شبانه‌روزی کار می‌کنند را تداعی می‌کند. واقعیت استقرارهای فعلی ربات انسان‌نما محدودتر است. این‌ها برنامه‌های آزمایشی تحت نظارت هستند، معمولاً با اپراتورهای انسانی که می‌توانند از راه دور مداخله کنند، در مناطق محدودی از تأسیسات بزرگتر کار می‌کنند و فقط طیف باریکی از وظایف از پیش تأیید شده را انجام می‌دهند.

ربات‌ها به معنای عمومی به‌صورت خودمختار کار نمی‌کنند. آن‌ها در محیط‌های نقشه‌برداری شده‌ای فعالیت می‌کنند که چیدمان آن به‌طور خاص مشخص شده است. اشیایی را جابجا می‌کنند که از قبل شناسایی و دسته‌بندی شده‌اند. وقتی با یک وضعیت غیرمنتظره مواجه می‌شوند — شیء ناآشنا، مانع در جای غیرمعمول، سطحی که با توزیع آموزشی مطابقت ندارد — سیستم‌های فعلی طوری طراحی شده‌اند که مکث کرده و از انسان راهنمایی بخواهند، نه اینکه بداهه‌سازی کنند.

این کار عمدی و مناسب برای این مرحله از توسعه است. جایگزین — اجازه دادن به سیستم‌ها برای تعمیم فراتر از آموزش خود — حالت‌های خرابی ایجاد می‌کند که پیش‌بینی آن‌ها سخت و در محیط‌های تولیدی خطرناک است. مدل استقرار تحت نظارت به شرکت‌ها اجازه می‌دهد داده‌های عملیاتی واقعی را جمع‌آوری کنند هم‌زمان که استانداردهای قابل قبول ایمنی و قابلیت اطمینان حفظ شود.

چرا انبارها و کارخانه‌ها

انتخاب لجستیک و تولید برای استقرارهای اولیه ربات انسان‌نما تصادفی نیست. این محیط‌ها برای کارگران انسانی طراحی شده‌اند، بنابراین از نظر فیزیکی برای فرم‌های انسان‌نما قابل دسترس هستند. کنار لیفتراک‌ها، تجهیزات، ارتفاع قفسه‌ها، سطوح کف و رابط‌های ابزار، یک بدن تقریباً به اندازه انسان با دو دست و ایستاده فرض می‌شوند. یک ربات چرخ‌دار که برای یک وظیفه خاص انبار ساخته شده می‌تواند کارآمدتر باشد، اما نیاز به بازطراحی محیط اطراف ربات دارد. یک انسان‌نما می‌تواند از زیرساخت‌های موجود استفاده کند.

اقتصاد نیروی کار این مورد را تقویت می‌کند. کار در انبار شامل نرخ بالای آسیب، جابجایی بالا و تقاضای پایدار نیروی کار است که در بسیاری از بازارها تأمین آن دشوار است. شرکت‌هایی که در حال حاضر هزینه‌های زیادی برای استخدام، غرامت کارگران و روش‌های جذب می‌پردازند، یک مورد تجاری معتبر برای استقرار ربات حتی با هزینه‌ها و قابلیت‌های فعلی ربات می‌بینند — به شرطی که قابلیت اطمینان به اندازه کافی بالا باشد.

مشکل مهارت حرکتی (Dexterity)

مهم‌ترین شکاف بین قابلیت‌های فعلی ربات انسان‌نما و آنچه آن‌ها را به‌طور گسترده مفید می‌کند، مهارت حرکتی (manipulation dexterity) است. جابجایی جعبه‌ها و توت‌های استاندارد ساده است چون اشیاء برای جابجایی مکانیکی طراحی شده‌اند. برداشتن اشیاء با شکل نامنظم از سبد، دست زدن به کالاهای نرم یا تغییرشکل‌پذیر، استفاده از ابزارهای طراحی شده برای دست انسان — این وظایف نیاز به قابلیت مهارت حرکتی دارند که سیستم‌های فعلی به‌طور نامرتب به آن دست می‌یابند.

دست انسان ۲۷ درجه آزادی و حس لامسه در سطح نوک انگشتان دارد که هیچ سیستم مصنوعی با هزینه تولید آن را تکرار نکرده است. دست‌های ربات فعلی معمولاً ۳-۵ درجه آزادی با بازخورد لمسی محدود دارند. این برای طیف شگفت‌آوری از وظایف کافی است اما برای کلیت کامل آنچه یک کارگر انسانی در همان محیط انجام می‌دهد، ناکافی است.

چندین شرکت به‌طور خاص روی مشکل دست کار می‌کنند: Dexterous Robotics، Shadow Robot و چندین استارتاپ متمرکز بر AI روی سخت‌افزار و رویکردهای یادگیری لازم برای بهبود دستکاری در محیط‌های بدون ساختار کار می‌کنند. این به‌طور گسترده به عنوان گلوگاه حیاتی برای گسترش قابلیت انسان‌نما فراتر از مجموعه وظایف انتخاب شده درک می‌شود.

دوپا در مقابل چرخ‌دار: یک بحث جاری

همه معتقد نیستند که حرکت دوپا بهترین پلتفرم برای اتوماسیون در محیط‌های انسانی است. ربات‌های چرخ‌دار و زنجیری سریع‌تر، پایدارتر، ارزان‌تر و مصرف انرژی کمتری برای حرکت دارند. شرکت‌هایی مانند 1X Technologies سیستم‌هایی طراحی کرده‌اند که دوپا هستند اما به آرامی و با احتیاط حرکت می‌کنند و پایداری را بر سرعت اولویت می‌دهند. دیگران مانند Boston Dynamics با Spot نشان داده‌اند که اشکال غیرانسان‌نما می‌توانند در محیط‌های صنعتی بسیار توانا باشند.

استدلال برای دوپا به‌طور خاص (در مقابل بدن‌های بالایی تقریباً انسان‌نما روی پایه‌های چرخ‌دار) این است که پله‌ها، نردبان‌ها و سطوح ناهموار در بسیاری از محیط‌های واقعی وجود دارند و به پا نیاز دارند. تأسیسات طراحی شده برای انسان‌ها در اسکله‌های بارگیری پله، بین طبقات راه‌پله و سطوحی که چرخ‌ها خوب کار نمی‌کنند دارند. اینکه آیا مزیت تحرک، پیچیدگی مکانیکی و چالش‌های پایداری حرکت دوپا را توجیه می‌کند، به شدت به محیط استقرار خاص بستگی دارد.

اقتصاد: اعداد صادقانه

ربات‌های انسان‌نما در سال ۲۰۲۶ بسته به تولیدکننده و پیکربندی حدود ۱۰۰٬۰۰۰ تا ۲۵۰٬۰۰۰ دلار به ازای هر واحد هزینه دارند. هزینه‌های عملیاتی — نگهداری، برق، اتصال، مجوز نرم‌افزار — به کل هزینه مالکیت اضافه می‌کند. در این قیمت‌ها، اقتصاد در محیط‌هایی با هزینه بالای نیروی کار، شرایط کاری دشوار یا تقاضای عملیاتی ۲۴ ساعته که استخدام نیروی انسانی به‌طور ساختاری چالش‌برانگیز است، کار می‌کند.

انتظار می‌رود منحنی هزینه از الگوی سایر سخت‌افزارهای رباتیک پیروی کند: تولید انبوه قیمت‌ها را در یک دوره ۵-۷ ساله به طور قابل توجهی کاهش می‌دهد. شرکت‌هایی مانند Figure، 1X و Agility به‌صراحت به سمت تولید در مقیاس بزرگ به عنوان یک هدف استراتژیک حرکت می‌کنند، نه به این دلیل که اقتصاد امروز در هر حجمی کار می‌کند، بلکه برای ایجاد زیرساخت تولید که اقتصاد را در مقیاس کارا کند.

چشم‌انداز ۳-۵ ساله

محتمل‌ترین مسیر کوتاه‌مدت، گسترش دامنه وظایف در داخل محیط‌های کنترل شده است، نه استقرار سریع در انواع جدید محیط. سیستم‌هایی که در BMW و آمازون کار می‌کنند، با افزایش اعتماد به قابلیت اطمینان، وظایف متنوع‌تری را بر عهده خواهند گرفت. قابلیت‌های مهارت حرکتی به تدریج بهبود می‌یابند و امکان جابجایی انواع بیشتری از اشیاء فراهم می‌شود. تعداد استقرار از ده‌ها واحد در هر تأسیسات به صدها واحد افزایش می‌یابد.

خودمختاری کامل در محیط‌های بدون ساختار و پویا هنوز دورتر است. تصویر یک ربات انسان‌نما که به طور مستقل در یک کف انبار شلوغ حرکت می‌کند، هر شیئی را که یک کارگر انسانی می‌تواند جابجا کند، و تصمیمات زمینه‌ای درباره اولویت‌بندی وظایف رقابتی می‌گیرد — این یک مرز قابلیت معنادار است که سیستم‌های فعلی از آن عبور نکرده‌اند. استقرارهایی که اکنون در حال انجام هستند مهم هستند چون داده‌های واقعی و تجربه عملیاتی را جمع‌آوری می‌کنند که به سیستم‌هایی که در نهایت از این مرز عبور می‌کنند، اطلاعات می‌دهد.