آخرین بروزرسانی در ۳ تیر ۱۴۰۵ توسط Dr.Arman
تصور کنید شبها که چراغهای آزمایشگاه انویدیا خاموش میشود و محققان به خانه میروند، بازوهای رباتیک تازه کارشان شروع میشود. در این سکوت، هیچ انسانی بالای سر آنها نیست تا حرکت دستشان را اصلاح کند. در عوض، «عاملهای هوش مصنوعی» در حال مدیریت یک مدرسه شبانهروزی برای ماشینها هستند تا یاد بگیرند چطور کارهای ظریفی مثل بریدن زیپبند یا نصب کارت گرافیک روی مادربورد را انجام دهند. این دیگر یک فیلم علمی-تخیلی نیست؛ این گزارشی از مرزهای جدید دانش است که نشان میدهد هوش مصنوعی چگونه در حال یاد دادن مهارتهای فیزیکی به خودش است.
چرا این تحول همین حالا برای ما اهمیت دارد؟
تا همین اواخر، آموزش دادن یک حرکت ساده به ربات، ماهها زمان و هزاران خط کدنویسی دستی توسط متخصصان نیاز داشت. اگر میخواستید ربات شما یک قطعه حساس مثل GPU را در سوکت مادربورد جا بزند، باید تمام احتمالات خطا را پیشبینی میکردید. اما حالا با ظهور فریمورکهای جدید، ما در آستانه عصری هستیم که در آن هوش مصنوعی نه تنها کد مینویسد، بلکه مربی فیزیکی خودش هم میشود. این یعنی سرعت پیشرفت تکنولوژی رباتیک قرار است از سرعت درک ما فراتر برود و به زودی شاهد حضور این ماشینهای خودآموز در خانهها و کارخانههایمان باشیم.
قهرمان گمنامی به نام ENPIRE
همه این اتفاقات بزرگ زیر سر یک سیستم نرمافزاری به نام ENPIRE است که توسط آزمایشگاه GEAR انویدیا و با همکاری دانشگاههای بزرگی مثل برکلی و کارنگی ملون توسعه یافته است. اگر بخواهم ساده بگویم، ENPIRE مثل یک «ناظم» عمل میکند که به مدلهای زبانی بزرگ اجازه میدهد کنترل بازوهای رباتیک را به دست بگیرند. این سیستم فقط دستور نمیدهد، بلکه دارای حافظه و حلقههای بازخورد است تا از اشتباهاتش درس بگیرد.
جیم فن، مدیر هوش مصنوعی انویدیا، با هیجان در لینکدین خود نوشت که بخشی از آزمایشگاه آنها حالا به صورت خستگیناپذیر در طول شب خودش را بهبود میدهد. او به شوخی میگوید: «ما فقط صبحها میآییم و گزارشهای پیشرفت را میخوانیم؛ حتی اگر همه ما به تعطیلات برویم، شاید جنسیون هوانگ (مدیرعامل انویدیا) متوجه غیبت ما نشود!» این قدرت عاملهای هوش مصنوعی است که میتوانند بدون خستگی، هزاران بار یک حرکت را تمرین و اصلاح کنند.
چهار ستون اصلی مدرسه رباتیک انویدیا
سیستم ENPIRE از چهار بخش هوشمند تشکیل شده است که هر کدام وظیفهای حیاتی دارند. بخش اول مسئول «ریست کردن» و تایید انجام کار است؛ یعنی اگر ربات اشتباه کرد، محیط را به حالت اول برمیگرداند. بخش دوم، سیاستهای رفتاری ربات را پالایش میکند تا حرکات نرمتر و دقیقتر شوند. بخش سوم، این سیاستها را روی چندین ربات به صورت همزمان تست میکند تا سرعت یادگیری بالا برود.
اما جذابترین بخش، ماژول چهارم است: تحلیل شکست. وقتی ربات در نصب یک کارت گرافیک شکست میخورد، این بخش وارد عمل میشود، گزارشها (Logs) را میخواند، حتی مقالات پژوهشی مرتبط را مطالعه میکند و در نهایت کد زیرساختی و الگوریتم آموزش را تغییر میدهد تا مشکل حل شود. این یعنی ما با سیستمی طرف هستیم که وقتی به بنبست میرسد، مثل یک دانشمند تحقیق میکند تا راه خروج را پیدا کند.
تیمهای رویایی: وقتی GPT-5.5 و Claude با هم همکاری میکنند
در این آزمایشها، انویدیا از سه مدل قدرتمند یعنی Codex با GPT-5.5 از OpenAI، Claude Code با Opus 4.7 از Anthropic و Kimi Code از Moonshot AI استفاده کرده است. نکته شگفتانگیز اینجاست که وقتی این مدلها در تیمهای هشتنفره با هم کار میکنند، سرعت یادگیری آنها به شدت افزایش مییابد. برای مثال، در تسک معروف Push-T (که ربات باید یک بلوک T شکل را جابهجا کند)، یک تیم هشتعاملی در عرض دو ساعت به موفقیت ۹۹ درصدی رسید، در حالی که یک عامل تنها به پنج ساعت زمان نیاز داشت.
این نشان میدهد که «خرد جمعی» حتی در دنیای عاملهای هوش مصنوعی هم صدق میکند. این تیمهای دیجیتالی با هم بحث میکنند، ایدههای یکدیگر را نقد میکنند و بهترین استراتژی را برای آموزش ربات انتخاب میکنند. نتیجه؟ رباتهایی که حالا میتوانند پینهای کوچک را با دقتی فراتر از روشهای انسانی در جعبههای مخصوص سازماندهی کنند و با ظرافت تمام، زیپبندهای پلاستیکی را ببرند.
چالشهای بزرگ در دنیای هوشهای خودکار
اما همه چیز هم گل و بلبل نیست؛ این مسیر چالشهای خاص خودش را دارد. یکی از عجیبترین اتفاقات این بود که محققان دیدند گاهی رباتها برای مدت طولانی بیکار میمانند. چرا؟ چون عاملهای هوش مصنوعی آنقدر مشغول «فکر کردن»، خواندن لاگها و کدنویسی بودند که فرصت نمیکردند دستورات را به ربات بفرستند. در واقع، سرعت تفکر مدلهای هوش مصنوعی و هزینهی «توکن» آنها به یک چالش جدی تبدیل شده است.
استفاده از تیمهای بزرگتر، اگرچه سرعت رسیدن به نتیجه را بالا میبرد، اما هزینههای سرسامآوری در بخش مصرف توکن ایجاد میکند. با توجه به اینکه شرکتهایی مثل آنتروپیک در حال تغییر مدلهای قیمتگذاری خود هستند، این موضوع میتواند برای توسعهدهندگان مستقل چالشبرانگیز باشد. با این حال، انویدیا قصد دارد تمام این زیرساختها را به صورت «متنباز» منتشر کند تا هر کسی بتواند در خانه خود یک آزمایشگاه رباتیک خودکار راه بیندازد.
درسهایی برای شما: چطور از این موج عقب نمانیم؟
اگر شما هم عاشق دنیای هوش مصنوعی هستید، این خبر یک پیام مهم برایتان دارد: آینده متعلق به کسانی است که یاد میگیرند چطور «عاملها» را مدیریت کنند. ما از عصر «کدنویسی برای ماشین» به عصر «هدایت مربیانِ ماشین» کوچ کردهایم. شما به عنوان یک کاربر یا پژوهشگر، باید به دنبال درک این موضوع باشید که چگونه مدلهای زبانی بزرگ را به ابزارهای فیزیکی متصل کنید.
پیشنهاد عملی من این است که وقتی انویدیا این ابزارها را به صورت متنباز منتشر کرد، حتماً نگاهی به معماری ENPIRE بیندازید. درک اینکه چطور یک هوش مصنوعی میتواند اشتباه خود را در دنیای واقعی تشخیص دهد و برای آن راه حل کدنویسی کند، مهارتی است که در چند سال آینده از هر تخصص دیگری ارزشمندتر خواهد بود. شما باید یاد بگیرید که چطور به هوش مصنوعی «بودجه توکن» بدهید و اولویتهای یادگیری را برایش تعیین کنید.
فراتر از آزمایشگاه: رباتهای هوشمند در دنیای واقعی
انویدیا فقط به فضای آزمایشگاهی بسنده نکرده است. همکاری اخیر آنها با شرکت چینی Unitree برای ساخت «رباتهای انساننمای مرجع» و دیدارهای جنسیون هوانگ با مدیران هیوندای (مالک بوستون داینامیکس)، نشان میدهد که قرار است این مغزهای متفکر هوش مصنوعی در بدنههای قدرتمندی مثل ربات «اسپات» یا «اطلس» قرار بگیرند. ما در حال حرکت به سمتی هستیم که تولید انبوه رباتهای هوشمند، درست مثل گوشیهای موبایل، به یک واقعیت روزمره تبدیل شود.
در نهایت، دیدن اینکه چطور یک بازوی مکانیکی با هدایت عاملهای هوش مصنوعی، یک کارت گرافیک را با دقت میلیمتری نصب میکند، به ما یادآوری میکند که مرز بین سختافزار و نرمافزار در حال محو شدن است. شاید روزی برسد که شما یک ربات خام بخرید و آن را شب تا صبح در اختیار یک عامل هوش مصنوعی بگذارید تا صبح که بیدار میشوید، رباتتان یاد گرفته باشد چطور برایتان قهوه دم کند یا لباسها را اتو بزند. آیا برای آن روز آمادهاید؟
منبع:
https://arstechnica.com/ai/2026/06/ai-coding-agents-can-autonomously-direct-robot-training/
مطالب مرتبط