رباتهای انساننما در خط تولید کارخانهها – آنچه واقعاً به کار گرفته شده است
در بیشتر دهه گذشته، رباتهای انساننما در کنفرانسهای خبری و سخنرانیهای اصلی ظاهر میشدند و کارهایی از پیش طراحی شده انجام میدادند: ریختن نوشیدنی، حرکتهای ورزشی، راه رفتن دقیق روی سطوح صاف. قول ضمنی همیشه چند سال دور بود. این قول شروع به عملی شدن کرده است، به صورت گزینشی و در مقیاسی کوچکتر از آنچه هیاهوی رسانهای نشان میداد، اما به گونهای که مشخص میکند کدام کاربردها واقعاً در محیطهای صنعتی کنترلنشده کار میکنند.
بیامو: نخستین استقرار واقعی تولیدی ربات Figure
کارخانه اسپارتانبرگ بیامو در کارولینای جنوبی به محل یکی از اولین استقرارهای واقعی ربات انساننمای تولیدی تبدیل شد، زمانی که واحدهای Figure 01 در اوایل سال ۲۰۲۵ کار انتقال ورقهای فلزی را آغاز کردند. وظیفه مشخص: برداشتن قطعات بدنه فلزی از نوار نقاله، بازرسی بصری آنها و قرار دادن دقیق در فیکسچرها برای مرحله بعدی تولید. این دقیقاً همان نوع وظیفهای است که رباتهای انساننما از نظر تئوری در آن خوب هستند – نیاز به دستکاری ماهرانه، بازرسی بصری و قرارگیری دقیق در فضایی که برای انسان طراحی شده است – اما همچنین نوعی وظیفه است که تلرانسها در آن اهمیت دارند و خطاها پرهزینه هستند.
اظهارات عمومی بیامو سنجیده بوده است، نه پیروزمندانه. رباتها در مناطق محدود تولیدی با نظارت گسترده کار میکنند. زمان چرخه برای اکثر وظایف از کارگران انسانی کندتر است. ارزش پیشنهادی در این مرحله سرعت نیست – یادگیری است. بیامو دادههای دستکاری در دنیای واقعی را در یک محیط صنعتی اصیل جمعآوری میکند، دادههایی که برای بازآموزی و بهبود رباتها در نسلهای آینده استفاده خواهد شد.
استقرار Figure 01 از یک مدل مشترک OpenAI-Figure برای استدلال سطح بالا و برنامهریزی وظایف استفاده میکند، در حالی که کنترل حرکتی سطح پایین توسط سیاستهای یادگیری سفارشی انجام میشود. معماری تقسیمشده – یک مدل «مغز» برای تعیین کار و مدلهای تخصصی «عضله» برای نحوه انجام فیزیکی آن – به عنوان یک الگوی رایج در میان توسعهدهندگان رباتهای انساننما ظاهر شده است.
آمازون: ربات Digit از Agility Robotics در انبار
رابطه آمازون با ربات Digit از Agility Robotics پیش از خرید سهم اقلیت در این شرکت آغاز شد. Digit برای محیطهای انبار طراحی شده است و در تأسیسات آمازون برای جابجایی محفظه – برداشتن محفظههای خالی از یک مکان و انتقال آنها به مکان دیگر – به کار گرفته شده است. این به عمد به عنوان یک وظیفه شروع انتخاب شده است: شامل حرکت و دستکاری است اما تلرانسهای نسبتاً آسانتری دارد، و پیامدهای خطا (افتادن یک محفظه) در مقایسه با جابجایی موجودی یا کار در نزدیکی کارگران انسانی کم است.
آمازون صریح است که استقرار Digit یک برنامه آزمایشی است، نه یک اجرای مقیاسشده. این شرکت تقریباً ۷۵ مرکز انجام سفارش رباتیک با صدها هزار ربات سنتی اداره میکند، و رباتهای انساننما در حال حاضر بخش کوچکی از این ناوگان را تشکیل میدهند. هدف فعلی یادگیری عملیاتی است: درک چگونگی حرکت رباتهای دوپا در کف انبار واقعی، نحوه تعامل با زیرساختهای موجود، و محل ظاهر شدن حالتهای شکست در شرایط تولید به جای محیط آزمایشگاهی.
محاسبه اقتصادی رباتهای انساننما در انبارها با قیمتهای فعلی و سطوح قابلیت اطمینان هنوز مطلوب نیست. سیستمهای ذخیرهسازی و بازیابی خودکار (ASRS)، بازوهای رباتیک سنتی و رباتهای متحرک اکثر وظایف انبار را ارزانتر و قابلاعتمادتر از رباتهای انساننما انجام میدهند. مورد ربات انساننما برای وظایفی جذاب میشود که نیاز به پیمایش فضاهای طراحیشده برای انسان دارند که نمیتوان بهصرفهجویی برای رباتهای تخصصی بازطراحی کرد – بارگیری و تخلیه کامیونها، کار در محیطهای مختلط انسان-ربات، یا جابجایی اقلام در مکانهایی که بازوهای رباتیک ثابت سنتی نمیتوانند به آن برسند.
تسلا Optimus: بلندپروازانهترین استقرار
برنامه Optimus تسلا بلندپروازانهترین تلاش ربات انساننما است، و همچنین سختترین برای ارزیابی عینی، زیرا ارتباطات عمومی تسلا در این زمینه پیشرفت واقعی را با خوشبینی تبلیغاتی ترکیب میکند. آنچه قابل تأیید است: واحدهای Optimus در تأسیسات فریمانت و گیگا تگزاس تسلا وظایفی انجام میدهند، از جمله جابجایی قطعات بین ایستگاههای کاری، مرتبسازی قطعات، و انجام برخی وظایف کابلکشی. تسلا اعلام کرده است که این رباتها به صورت خودکار – بدون کنترل انسانی از راه دور – روی این وظایف خاص کار میکنند.
رویکرد فنی به روشهای مهمی با Figure و Digit متفاوت است. تسلا Optimus را عمدتاً با استفاده از دادههای ویدئویی جمعآوریشده از کارگران انسانی خود که همان وظایف را انجام میدهند، با استفاده از استراتژی مشابه چرخ داده (data flywheel) در توسعه Autopilot، آموزش میدهد. رباتها انسانها را تماشا میکنند، مدل وظیفه را یاد میگیرد و سپس رباتها آن را امتحان میکنند – با نظارت و اصلاح انسانی در مراحل اولیه. این رویکرد بلندپروازانه است زیرا سعی میکند در میان وظایف تعمیم یابد، نه اینکه سیاستهای تخصصی برای هر عملیات خاص آموزش دهد.
اهداف تولید تسلا برای Optimus از اعلامیههای اولیه کاهش یافته است – این شرکت در ابتدا تولید ۱۰۰۰ ربات Optimus در سال ۲۰۲۴ را پیشبینی کرده بود، عددی که بیسروصدا عقبنشینی شد. تخمینهای فعلی نشان میدهد چند صد واحد در تأسیسات تسلا در حال کار هستند، با فروش خارجی به شرکای خودروسازی و تولیدی در مقادیر محدود آغاز شده است.
وجه مشترک این استقرارها
در سراسر بیامو، آمازون و تسلا، چند الگو از استقرارهای فعلی ربات انساننما پدیدار میشود:
محیطهای ساختاریافته. هر استقرار تولیدی در مناطق با دقت تعریفشده با نور کنترلشده، شرایط کف قابل پیشبینی و پارامترهای وظیفه مشخص عمل میکند. رباتهای انساننما هنوز در محیطهای واقعاً ساختاریافته حرکت نمیکنند. انعطافپذیری ظاهری فرم انساننما برای قرار دادن رباتها در فضاهای طراحیشده برای انسان استفاده میشود، نه برای حرکت در فضاهای دلخواه.
زمان چرخه کند. رباتهای انساننما فعلی در هر وظیفه تولیدی از کارگران انسانی آموزشدیده کندتر هستند. مزیت در یکنواختی (بدون خستگی، بدون حواسپرتی) و در کاربردهای خاصی است که ارگونومی انسان باعث ناخوشایند یا ناایمن بودن کار میشود. وظایف داغ، سنگین یا تکراری که باعث آسیب میشوند، اهداف بهتری نسبت به وظایفی هستند که سرعت در آنها اهمیت دارد.
جمعآوری داده به عنوان ارزش اصلی. هر استقرار بزرگ بهطور صادقانه به عنوان یک مرحله یادگیری توصیف میشود. رباتها دادههای دستکاری در دنیای واقعی تولید میکنند که جمعآوری آن در آزمایشگاه غیرممکن است – تغییرات غیرقابل پیشبینی در قطعات واقعی، نور واقعی، محیطهای واقعی – و این داده محصول واقعی مرحله استقرار فعلی است.
نظارت انسانی در سطح وظیفه. در هر استقرار تولیدی، انسانها در نظارت، اصلاح خطا و رسیدگی به استثناهایی که رباتها نمیتوانند مدیریت کنند، مشارکت دارند. عملکرد کاملاً خودکار در طول شیفتهای کامل کار، وضعیت فعلی نیست.
چشمانداز ۲-۳ سال آینده
شرکتهایی که بهترین موقعیت را برای مقیاسسازی استقرار ربات انساننما دارند، آنهایی هستند که دارای مجموعه دادههای آموزشی اختصاصی بزرگ از عملیات دنیای واقعی، زیرساخت شبیهسازی قوی برای تکرار سریع، و روابط موجود با تولیدکنندگانی هستند که مایل به میزبانی استقرارهای یادگیری مستمر هستند. تسلا، Figure/OpenAI و Agility/Amazon همگی موقعیتهای معتبری در این زمینه دارند.
وظایفی که احتمال دارد در چارچوب زمانی ۲۰۲۷-۲۰۲۸ شاهد اتوماسیون معنادار باشند، آنهایی هستند که ارزش اقتصادی بالا و ارگونومی انسانی ضعیف دارند: بارگیری و تخلیه کامیونهای تجاری (که باعث نرخ بالای آسیبهای کمر میشود)، جابجایی تکراری قطعات در کارخانههای خودروسازی و وظایف لجستیکی در انبارهایی که نمیتوان بهطور کارآمد برای اتوماسیون سنتی بازسازی کرد. این کاربردهای جذابی نیستند، اما میلیاردها دلار هزینه نیروی کار و ریسک قابل توجه آسیب کارگران را نشان میدهند.
ربات خانگی همهمنظوره – آنکه ظرفها را در ماشین ظرفشویی بگذارد و لباسها را تا کند – واقعاً سالها از واقعیت تجاری فاصله دارد. تنوع ساختاریافته نشده محیطهای خانگی، نیاز به عملکرد ایمن در اطراف کودکان و حیوانات خانگی، و نیاز به تحمل حالت شکست که در سیستمهای فعلی وجود ندارد، این مشکل را به مراتب سختتر از استقرار در کارخانه میکند. شرکتهایی که غیر از این ادعا میکنند، سهام میفروشند، نه فناوری.
آنچه اکنون در کارخانه اسپارتانبرگ بیامو و مراکز انجام سفارش آمازون در حال رخ دادن است، واقعی و معنادار است – فقط آن چیزی نیست که کنفرانسهای خبری وعده داده بودند.