رباتهای انساننما اکنون در انبارهای واقعی هستند — نگاهی صادقانه به تواناییها و محدودیتهایشان
روایت رباتهای انساننما برای دههها بسیار جلوتر از واقعیت بوده است. دموها مخاطبان را شگفتزده کرده، سرمایهگذاری خطرپذیر سرازیر شده و تیترها وعده یک نیروی کار روباتیکی را در گوشه و کنار دادهاند. اما سال ۲۰۲۵ یک نقطه عطف واقعی بود. Figure، Agility Robotics، 1X Technologies و Boston Dynamics همگی از مرحله نمایش فراتر رفته و وارد استقرارهای تجاری محدود شدند. BMW، Amazon، GE Aerospace و Spanx در حال اجرای آزمایشهای فعال هستند. سؤال دیگر این نیست که آیا رباتهای انساننما واقعی هستند، بلکه این است که آیا اقتصاد واحد آنها کار میکند.
چه کسانی واقعاً مستقر شدهاند (نه فقط نمایش داده شده)
Agility Robotics Digit در Amazon
از سال ۲۰۲۳، Digit از Agility Robotics در مراکز توزیع Amazon برای جابجایی محمولهها بین سیستمهای نوار نقاله مستقر شده است. Amazon سهمی در Agility Robotics دارد که باعث همراستایی غیرمعمول انگیزهها شده است. Digit با چرخه باتری ۴ ساعته کار میکند و محمولههای تا حدود ۱۶ کیلوگرم را جابجا میکند. تا سال ۲۰۲۵، صدها واحد در پنج یا بیشتر از مراکز Amazon در حال آزمایش هستند. وظیفه محدود است – جابجایی یک محموله از نقطه A به نقطه B در یک نقشه کف مشخص – اما این کار واقعی تولیدی است، نه یک دموی کنترلشده.
Figure 02 در BMW
Figure 02 در سال ۲۰۲۴-۲۰۲۵ وارد کارخانه Spartanburg بامو برای یک آزمایش شد و وظایف مونتاژ بدنه خودرو را انجام داد: جابجایی قطعات بین ایستگاهها در یک محیط تولیدی ساختاریافته. Figure در اوایل ۲۰۲۴ با ارزش ۲٫۶ میلیارد دلار، ۶۷۵ میلیون دلار سرمایه جذب کرد. Microsoft و OpenAI سرمایهگذاران هستند و Figure از مدلهای OpenAI برای برنامهریزی وظایف و کنترل مبتنی بر زبان استفاده میکند. آزمایش BMW اولین استقرار ربات انساننما در زمینه مونتاژ خودروهای لوکس را نشان میدهد.
سایر استقرارهای فعال
- 1X Technologies Neo (با پشتیبانی OpenAI): در نقشهای امنیتی و بازرسی تأسیسات مستقر شده است – محدودهای محافظهکارانهتر از کار کارخانه، اما عملیات تجاری واقعی.
- Apptronik Apollo: همکاری با Mercedes-Benz برای آزمایشهای کف کارخانه در سال ۲۰۲۵، متمرکز بر جابجایی قطعات و لجستیک در عملیات مونتاژ.
- Boston Dynamics Atlas (الکتریکی): Atlas هیدرولیکی در آوریل ۲۰۲۴ بازنشسته شد و با نسخه الکتریکی جایگزین شد که در دستکاری و تحرک بسیار توانمندتر است. Hyundai از Atlas الکتریکی در یک آزمایش تولیدی استفاده میکند – با توجه به مالکیت اکثریت Hyundai بر Boston Dynamics، قابل توجه است.
رباتهای انساننما در حال حاضر در چه کارهایی واقعاً خوب هستند
ارزیابی صادقانه: انساننماهای فعلی در یک پروفایل خاص و محدود از وظایف عالی عمل میکنند.
- برداشتن و قرار دادن تکراری در محیطهای ساختاریافته: همان وظیفه، همان مکان، حجم بالا. وقتی ربات میتواند به قرارگیری ثابت اشیا و هندسه قابل پیشبینی تکیه کند، عملکرد به طور چشمگیری بهبود مییابد.
- جابجایی اقلام بین نقاط ثابت در یک نقشه کف مشخص: استقرار Digit در Amazon مثال بارز است. محیط نقشهبرداری شده، وظیفه ثابت است و ربات نیازی به برخورد با شگفتیها ندارد.
- محیطهای طراحیشده برای انسان: بیشتر انبارها و کارخانهها برای انسان ساخته شدهاند – درهای استاندارد، عرض راهروها، ارتفاع قفسهها. رباتهای انساننما بدون نیاز به تغییر زیرساختها در این محیطها جا میگیرند، برخلاف AGV (وسایل نقلیه هدایتشونده خودکار) یا بازوهای ثابت که به محیطهای خاص نیاز دارند.
- شیفتهای شب و محیطهای خطرناک: گرمای بالا، تماس با مواد شیمیایی، کارهای مستعد آسیبهای تکراری. رباتهای انساننما خسته نمیشوند، به تجهیزات ارگونومیک نیاز ندارند و میتوانند در شرایطی که باعث جابجایی کارکنان میشود، به صورت مداوم کار کنند.
چه چیزهایی هنوز خوب کار نمیکنند
شکافها همچنان قابل توجه است و هر ارزیابی صادقانه باید مستقیماً به آنها اشاره کند.
- دستکاری ماهرانه: رباتهای انساننما هنوز نمیتوانند به طور قابل اعتماد تنوع شکلها، جهتها و مواد اشیایی که یک کارگر انسانی به طور غریزی مدیریت میکند، کنترل کنند. یک کیسه مچاله، یک جعبه با جهت عجیب، یک بسته نرم – نرخ شکست بالا باقی میماند. گرفتن اشیاء دلخواه در شرایط کنترلنشده یک مسئله حلنشده است.
- سرعت: رباتهای انساننما فعلی با سرعت ۱٫۵–۲ متر بر ثانیه راه میروند و با کسری از سرعت انسان دستکاری میکنند. یک کارگر انبار انسانی ۳۰۰–۴۰۰ واحد در ساعت پردازش میکند؛ رباتهای انساننما در کارهای مشابه ۴۰–۸۰ واحد را مدیریت میکنند. این شکاف توان عملیاتی مستقیماً ROI را تعیین میکند.
- قابلیت اطمینان: MTBF (میانگین زمان بین خرابی) هنوز برای بسیاری از واحدها در استقرار واقعی بر حسب ساعت اندازهگیری میشود، نه هزاران ساعتی که تجهیزات صنعتی نیاز دارند. هزینه نگهداری قابل توجه است.
- هزینه: Figure 02 حدود ۱۵۰,۰۰۰–۲۰۰,۰۰۰ دلار هر واحد تخمین زده میشود؛ Digit حدود ۱۰۰,۰۰۰ دلار. با این قیمتها، ROI نیازمند وظایف با توان عملیاتی بالا در محیطهای با هزینه نیروی کار بالا است – مجموعه فرصتهای باریکتری نسبت به روایت کلی «جایگزینی همه کارگران انبار».
زاویه هوش مصنوعی تجسمیافته – چرا ۲۰۲۴-۲۰۲۵ متفاوت است
رباتهای انساننمای قبلی – ASIMO، Atlas هیدرولیکی اصلی – از رفتارهای اسکریپتشده استفاده میکردند. هر عمل توسط مهندسان کدگذاری میشد؛ رباتها نمیتوانستند فراتر از روالهای برنامهریزیشده خود تعمیم دهند. انساننماهای مدرن از یادگیری تقلیدی و یادگیری تقویتی از نمایش انسان استفاده میکنند. یک انسان ربات را از راه دور برای نمایش یک وظیفه ۵۰–۲۰۰ بار کنترل میکند؛ ربات یک خطمشی تعمیمیافته یاد میگیرد که میتواند تغییرات درون آن کلاس وظیفه را مدیریت کند.
Physical Intelligence (Pi)، که توسط محققان سابق Google و DeepMind تأسیس شد، در سال ۲۰۲۴ برای ساخت خطمشیهای دستکاری قابل تعمیم، ۴۰۰ میلیون دلار جذب کرد. مدل π0 آنها بر روی دادههای بینرباتی آموزش دیده و روی سختافزار Figure، Agility Robotics و 1X اجرا میشود. این رویکرد «مدل بنیادی برای رباتها» به این معنی است که بهبودهای خطمشی زیربنایی به انواع رباتها منتقل میشود – مشابه اینکه LLM تواناییهای یادگرفتهشده را بدون آموزش مجدد خاص وظیفه، در وظایف مختلف انتقال میدهند.
پیامد: منحنی بهبود قابلیت ربات انساننما اکنون به منحنی بهبود مدلهای هوش مصنوعی متصل است، نه فقط تکرار سختافزار. این یک پویایی اساساً متفاوت از منحنی پیشرفت مهندسی مکانیک است که نسلهای قبلی را هدایت میکرد.
اقتصاد کار
محاسبه ارزش دارد. کارگران انبار ایالات متحده هزینۀ کاملاً بارگذاریشده ۴۰,۰۰۰–۵۵,۰۰۰ دلار در سال دارند، شامل مزایا، جابجایی، آموزش و هزینههای مدیریت. یک ربات انساننما با هزینه سرمایهای ۱۵۰,۰۰۰ دلار به اضافه ۲۰,۰۰۰ دلار در سال هزینه تعمیر و نگهداری، دوره بازگشت سرمایه حدود ۴–۶ سال در سطح بهرهوری فعلی را نشان میدهد – قابل قبول برای تجهیزات سرمایهای با افق ۱۰ ساله، اما محدود.
نقطه سربهسر تحت دو شرایط به طور چشمگیری بهبود مییابد: اگر سرعت ربات به ۶۰–۷۰٪ توان عملیاتی انسان برسد (Physical Intelligence پیشبینی میکند این برای وظایف ساختاریافته تا ۲۰۲۷ قابل دستیابی است) و اگر هزینه واحد در مقیاس به ۵۰,۰۰۰–۷۵,۰۰۰ دلار کاهش یابد. برنامه Optimus تسلا هدف زیر ۳۰,۰۰۰ دلار هر واحد در حجم را دارد – ایلان ماسک این رقم را علنی کرده است. تا سهماهه اول ۲۰۲۶، حدود ۱۰۰۰ واحد Tesla Optimus در کارخانههای خود تسلا به صورت داخلی در حال اجرا است، با فروش خارجی هدفگیریشده برای ۲۰۲۶. اگر آن پیشبینیهای هزینه محقق شود، محاسبه ROI از «توجیه محدود» به «قانعکننده گسترده» تغییر میکند.
لایه نظارتی و ایمنی
OSHA هنوز استانداردهای خاص ربات انساننما ندارد. تولیدکنندگان در حال حاضر تحت دستورالعملهای ایمنی ماشینآلات موجود، عمدتاً ISO 10218 که رباتهای صنعتی را تنظیم میکند، فعالیت میکنند. استانداردهای ربات مشارکتی (cobot) اجازه کار در نزدیکی انسان با محدودیت سرعت و نیرو را میدهد. انساننماها در فضاهای مشترک انسان-ربات نیاز به اقدامات ایمنی اضافی دارند؛ بیشتر آزمایشهای فعلی جداسازی فیزیکی بین کارگران انسانی و مناطق عملیاتی ربات را حفظ میکنند. عدم وجود چارچوبهای نظارتی واضح هم یک ریسک است (عدم قطعیت مسئولیت) و هم یک فرصت (تصرف نظارتی برای پیشگامانی که در نوشتن استانداردها کمک میکنند).
نتیجهگیری صادقانه
رباتهای انساننما امروز در وظایف محدود، با حجم بالا و ساختاریافته کار میکنند – و اقتصاد در محیطهای با هزینه نیروی کار بالا که آن وظیفه محدود ارزش انجام در مقیاس را دارد، منطقی است. انساننمای عمومی که میتواند وظایف انبار دلخواه را مدیریت کند – آن که میتواند یک کیسه مچاله را بردارد، یک جعبه ناهمتراز را دوباره جهت دهد و بدون آموزش مجدد با یک نقشه کف تغییریافته سازگار شود – احتمالاً ۵–۸ سال با استقرار تجاری قابل اعتماد فاصله دارد.
اما زیرساختهایی که اکنون در حال ساخته شدن است – دادههای آموزشی، ناوگان رباتها، مدلهای خطمشی، زنجیرههای تأمین تولید – همان چیزی است که باعث میشود آن آینده به موقع برسد. آزمایشهای Amazon، BMW و Mercedes-Benz فقط تأیید محصول نیستند. آنها زمینهای آموزشی برای نسل بعدی قابلیتها هستند. هر ساعتی که Digit در یک مرکز توزیع Amazon کار میکند، دادهای است که نسخه بعدی را بهبود میبخشد. این دلیل واقعی اهمیت استقرارهای فعلی است، حتی اگر اقتصاد امروز حاشیهای باشد.