عصر ایران - داستان عروسکها و رباتهایی که آرزو دارند انسان واقعی شوند، بارها در فرهنگ عامه تکرار شده است. پینوکیو میخواست یک پسر واقعی باشد. کودک رباتی فیلم A.I. ساخته استیون اسپیلبرگ هم میخواست مانند یک فرزند انسانی دوست داشته شود. دلیل تکرار این داستانها روشن است: بسیاری تصور میکنند مسیر پیشرفت رباتها کاملاً بدیهی است؛ چیزی بسازید که شبیه انسان باشد، آن را بهتر و بهتر کنید و در نهایت، نسخه کپی از نسخه اصلی قابل تشخیص نخواهد بود.
اما آنچه امروز در دنیای رباتیک رخ میدهد، بسیار عجیبتر و جالبتر از این تصور ساده است. در نمایشگاه CES 2026، ربات Atlas شرکت بوستون داینامیکس مچهایی را به نمایش گذاشت که میتوانستند به سمت عقب خم شوند و نیمتنهای داشت که تا ۱۸۰ درجه میچرخید. در نقطهای دیگر از این صنعت، رباتهای انساننما مسیرهای متفاوتتری را تجربه میکنند؛ بعضی از آنها میتوانند با بردن هر دو دست به پشت بدن، باتری خود را تعویض کنند و برخی دیگر با پاهایی که مفاصل معکوس دارند راه میروند.
ظاهر کلی هنوز یادآور بدن انسان است، اما حرکتها، تواناییها و منطق طراحی این رباتها دیگر الزاماً انسانی نیست.
در نگاه اول، ممکن است این پرسش پیش بیاید: مگر تقلید از طبیعت قبلاً به موفقیتهای بزرگ منجر نشده است؟ پاسخ کوتاه این است: بله، اما نه همیشه و نه به هر شکل.
برای نمونه، ساختار پای مارمولکهای گکو الهامبخش چسبهای خشک شد. بافت پوست کوسه نیز در طراحی برخی لباسهای شنای حرفهای مورد استفاده قرار گرفت. اما در هر دو نمونه، مهندسان اصل فیزیکی پنهان در طبیعت را برداشتند، نه اینکه شکل طبیعی را دقیقاً کپی کنند.
در مقابل، تلاشهایی که صرفاً به تقلید کامل از فرمهای طبیعی متکی بودند، اغلب به بنبست رسیدند. قرنها انسانها تلاش کردند ماشینهایی بسازند که مانند پرندگان بال بزنند؛ اما هیچکدام به راهی عملی برای پرواز انسان تبدیل نشدند. برادران رایت زمانی موفق شدند از زمین بلند شوند که فقط به تقلید از بالزدن پرندگان اکتفا نکردند و به جای آن، روی اصول بالابرندگی، تعادل و کنترل پرواز تمرکز کردند.
اگر طبیعت میلیونها سال برای تکامل یک طراحی زمان گذاشته، چرا مهندسان همان طراحی را کپی نمیکنند؟ این پرسشی است که میتوان آن را در کارهای آزمایشگاه Hubo Lab در مؤسسه پیشرفته علم و فناوری کره جنوبی، KAIST، دنبال کرد.
این آزمایشگاه ربات HUBO را ساخته بود؛ رباتی که در سال ۲۰۱۵ برنده رقابت معروف DARPA Robotics Challenge شد. امروز این آزمایشگاه زیر نظر پروفسور پارک ههوون فعالیت میکند و پروژههای اخیر تیم او نشان میدهد آینده رباتها چقدر متنوع و غیرمنتظره شده است.
از جمله دستاوردهای این تیم میتوان به این موارد اشاره کرد:
پاهای رباتیکی که با سرعت ۱۲.۶ کیلومتر بر ساعت میدوند
ربات چهارپایی که از دیوارهای عمودی بالا میرود
ربات یکپایی که به هوا میپرد، پشتک میزند و دوباره روی همان یک پا فرود میآید
این پروژهها نشان میدهند که تقلید از طبیعت همیشه پاسخ نهایی نیست.
برای یک انسان، سرعت ۱۲.۶ کیلومتر بر ساعت معمولاً یعنی باید از راه رفتن وارد دویدن شود. اما رباتی که تیم پروفسور پارک در KAIST ساخته، میتواند با همین سرعت روی دو پا حرکت کند. این ربات گاهی حرکاتی شبیه مونواک مایکل جکسون انجام میدهد و گاهی با حالتی شبیه راه رفتن اردک، از روی زمینهای ناهموار عبور میکند.
در رباتیک، طبیعت سالها منبع الهام بوده است. اما روش پروفسور پارک کمی متفاوت است. او ابتدا حیوانی را انتخاب نمیکند تا از آن نسخه رباتیک بسازد؛ بلکه مسئله را انتخاب میکند و سپس ماشینی میسازد که آن مسئله را حل کند.
پروفسور پارک میگوید:
«اگر هدف شما توسعه فناوری برای حرکت پرسرعت باشد، چرخها میتوانند انتخابی بسیار کارآمد باشند. هیچ ضرورتی ندارد حرکت یوزپلنگ را تقلید کنیم.»
یک خودرو چرخدار میتواند از یوزپلنگ سریعتر حرکت کند. چون طبیعت هرگز به دنبال ساخت سریعترین دونده ممکن نبوده است؛ طبیعت موجودی را شکل داده که بیشترین شانس بقا را داشته باشد.
به گفته او، مطالعه موجودات زنده به پژوهشگران نشان میدهد یک طراحی خوب تا چه سطحی از عملکرد میتواند برسد. اما طبیعت باید یک منبع الهام باشد، نه نسخهای که بیکموکاست کپی شود.
بدن انسان با ماهیچه، تاندون و انرژی شیمیایی کار میکند. اما ربات از قابهای فلزی، موتورها و برق نیرو میگیرد. اگر بخواهیم حرکت انسان را کاملاً کپی کنیم، باید از ماهیچههای مصنوعی استفاده شود؛ در حالی که در بسیاری از شاخصهای عملی، موتورهای امروزی هنوز از بسیاری از ماهیچههای مصنوعی تجاری عملکرد بهتری دارند.
پس سؤال اصلی این است: چرا باید ربات را مجبور کنیم مثل بدنی حرکت کند که اصلاً آن را ندارد؟
این نگاه تازه باعث شده بسیاری از رباتهای انساننما دیگر فقط به دنبال شبیهتر شدن به انسان نباشند، بلکه به سمت کارآمدتر شدن برای وظایف واقعی حرکت کنند.
یکی از پروژههای مهم آزمایشگاه پروفسور پارک، ربات چهارپایی به نام MARVEL است. این ربات برای کارهای دشوار و خطرناک طراحی شده؛ بهخصوص در محیطهایی مانند کارخانههای کشتیسازی، پلها و مخازن بزرگ صنعتی؛ جاهایی که نیروهای تعمیر و نگهداری در معرض سقوطهای مرگبار قرار دارند.
در نگاه اول شاید به نظر برسد ربات دیوارنورد باید مانند مارمولک گکو پاهای چسبنده داشته باشد یا مانند حشرات از چنگک استفاده کند. اما سطوح واقعی در صنایع سنگین چنین شرایطی ندارند. فولادهای صنعتی اغلب زنگزده، پوشیده از رنگهای قدیمی و آلوده به گردوغبار و چربی هستند. چسبندگی شبیه پای گکو احتمالاً نمیتواند تجهیزات سنگین را روی چنین سطوحی نگه دارد.
به همین دلیل، پژوهشگران برای MARVEL از آهنرباهای الکترو دائمی در پاهای ربات استفاده کردند.
آهنرباهای الکتریکی معمولی برای فعال ماندن باید بهطور مداوم برق مصرف کنند. اما آهنرباهای الکترو دائمی روش متفاوتی دارند. یک پالس کوتاه الکتریکی، آرایش داخلی قطبهای آهنربا را تغییر میدهد و حالت چسبندگی را روشن یا خاموش میکند.
پاهای MARVEL در حدود ۵ میلیثانیه قفل یا آزاد میشوند. وقتی آهنرباها فعال میشوند، دیوار برای ربات مثل زمین عمل میکند. سه پا روی سطح قفل میمانند و پای چهارم قدم بعدی را برمیدارد.
این ربات میتواند با سرعت ۰.۷ متر بر ثانیه روی دیوارهای عمودی حرکت کند و هنگام آویزان شدن از سقف، با سرعت ۰.۵ متر بر ثانیه پیش برود. نیروی چسبندگی آن نیز به حدود ۵۴ کیلوگرم میرسد؛ یعنی فقط وزن خودش را تحمل نمیکند، بلکه میتواند ابزارهای سنگین را هم با خود حمل کند.
پروفسور پارک میگوید:
«اگر با نگاه تقلید زیستی به ربات مخصوص کشتیسازی نگاه کنید، ممکن است نتیجه بگیرید باید شبیه کارگر انسانی باشد و ابزارها را مانند او در دست بگیرد. اما در نهایت، مهم این است که سیستمی طراحی شود که با محیط کار و وظیفه مورد نظر سازگار باشد.»
طراحی بدن ربات فقط نیمی از مسئله است. بخش دیگر، کنترل حرکت و آموزش ربات برای راه رفتن، دویدن، حفظ تعادل و انجام وظایف مختلف است. روشهایی مانند یادگیری تقویتی در سالهای اخیر روش آموزش رباتها را تغییر دادهاند؛ اما آنچه در شبیهسازی جواب میدهد، همیشه در دنیای واقعی کار نمیکند.
تیم پروفسور پارک رباتهای خود را با یادگیری تقویتی آموزش میدهد. در این روش، سامانه کنترل ربات با آزمون و خطا یاد میگیرد چگونه حرکت کند؛ درست مانند کودکی که بارها زمین میخورد و دوباره بلند میشود.
اما اگر قرار باشد ربات هزاران بار در دنیای واقعی زمین بخورد، این کار هم زمانبر است و هم خطر آسیب به قطعات را بالا میبرد. به همین دلیل، آموزش ابتدا در محیط شبیهسازی انجام میشود.
در شبیهسازیهای تیم KAIST، حدود ۴۰۰ نسخه از یک ربات بهطور همزمان اجرا میشود. هر نسخه در شرایطی متفاوت زمین میخورد، تعادل خود را پیدا میکند و تجربه بهدستآمده از همه آنها در لحظه وارد یک شبکه آموزشی مشترک میشود.
در چنین فضایی، حتی زمان هم فشرده میشود. تمرینی که در دنیای واقعی ممکن است حدود یک سال طول بکشد، روی یک رایانه قدرتمند تقریباً در چهار ساعت انجام میشود. به گفته پروفسور پارک، حدود نیم روز یادگیری تقویتی میتواند برای راه رفتن یک ربات کافی باشد.
اما مشکل اصلی از همینجا شروع میشود: رباتی که در شبیهسازی عالی حرکت میکند، ممکن است روی زمین واقعی بهسادگی تعادل خود را از دست بدهد.
در دنیای رباتیک، این مشکل را فاصله میان شبیهسازی و واقعیت مینامند. شبیهسازیها نمیتوانند تمام پیچیدگیهای فیزیک واقعی را بهطور کامل بازسازی کنند. همین تفاوتهای کوچک کافی است تا سامانهای که در یک جهان سادهتر آموزش دیده، در دنیای واقعی دچار خطا شود.
برای مثال، رباتی که روی صفحه رایانه مانند ژیمناست پشتک میزند، ممکن است به محض قرار گرفتن روی زمین واقعی بیفتد. دلیل آن این است که جهان واقعی پر از جزئیاتی مانند اصطکاک، لقی قطعات، محدودیت موتور و واکنشهای غیرایدهآل مکانیکی است.
اینجاست که تخصص سختافزاری تیم KAIST اهمیت پیدا میکند.
یکی از دلایل اصلی سخت شدن کنترل ربات فیزیکی، اصطکاک در مفاصل است. بسیاری از رباتهای معمولی از کاهندههای آماده با نسبت دنده بالا استفاده میکنند تا خروجی موتور تقویت شود. این کار نیروی زیادی به ربات میدهد، اما همزمان مفاصل را سفتتر میکند؛ مثل دوچرخهای که روی دنده سنگین گیر کرده باشد.
پروفسور پارک توضیح میدهد:
«در یک سیستم دنده با نسبت کاهش بالا، چرخاندن آن از بیرون بسیار دشوار است. اگر به آن یک اتصال وصل کنید و با چکش ضربه بزنید، مقاومت آنقدر زیاد است که حتی ممکن است دندانههای چرخدنده خرد شوند.»
بیشتر شبیهسازیها نمیتوانند این اصطکاک را بهخوبی مدل کنند. بنابراین سامانهای که در یک محیط مجازی کماصطکاک راه رفتن را یاد گرفته، وقتی با مقاومت سفت مفصل واقعی روبهرو میشود، تعادل خود را از دست میدهد.
راهحل تیم پروفسور پارک، ساخت یک عملگر اختصاصی بود که نسبت دنده را به حدود یکدهم نمونههای رایج کاهش میداد، در حالی که خروجی خود موتور را تقویت میکرد. این طراحی که با عنوان درایو شبهمستقیم شناخته میشود، نخستین بار در MIT مطرح شده بود.
نتیجه چه بود؟ اصطکاک سختافزار کمتر شد و ربات واقعی رفتاری نزدیکتر به نسخه شبیهسازیشده پیدا کرد. پس از این تغییر، آموزشهای انجامشده در شبیهسازی بهتر به دنیای واقعی منتقل شدند.
تیم KAIST فقط سختافزار را به شبیهسازی نزدیک نکرد؛ از مسیر مقابل هم وارد شد و تلاش کرد شبیهسازی را به واقعیت سختافزار نزدیکتر کند.
از آنجا که این تیم موتورهای اختصاصی خود را طراحی و ساخته بود، اطلاعات دقیقی از رفتار واقعی موتورها داشت. این دادهها اهمیت زیادی دارند؛ چون بسیاری از شبیهسازیها فرض میکنند گشتاور موتور در هر سرعتی ثابت است. اما موتورهای واقعی اینگونه کار نمیکنند.
وقتی موتور سریعتر میچرخد، گشتاور قابل دسترس کاهش مییابد. وقتی سرعت کم میشود، گشتاور قابل دسترس افزایش پیدا میکند. اگر سامانه کنترلی با مدل سادهشده آموزش ببیند، ممکن است از سختافزار بیش از توان واقعیاش کار بکشد.
تیم پروفسور پارک منحنیهای واقعی محدودیت گشتاور موتور را وارد فرایند آموزش کرد تا سامانه کنترل یاد بگیرد سقف توان موتور کجاست و از آن عبور نکند.
نقطهای که تمام این فناوریها به هم میرسند، ربات جهنده یکپای KAIST است. این ربات فقط یک پا دارد؛ نه دست، نه پای دوم و نه تکیهگاهی برای جبران خطا. چنین مسئلهای از نظر تعادل بسیار دشوار است.
پروفسور پارک پیش از آن موفق شده بود رباتهای چهارپا را به حرکت پایدار برساند. اما به جای اینکه مرحله بعدی را ربات دوپا انتخاب کند، مستقیم سراغ سختترین حالت رفت: ربات یکپا. منطق او این بود که اگر الگوریتم و سختافزار بتوانند دشوارترین حالت را حل کنند، کنترل دو پا مسئله سادهتری خواهد بود.
پژوهشگران تمام ویژگیهای ربات واقعی را وارد شبیهسازی کردند؛ از مرکز جرم متغیر گرفته تا اینرسی و محدودیتهای فیزیکی عملگرها. سپس تقریباً همان الگوریتم یادگیری تقویتی ربات چهارپا را به کار گرفتند.
نتیجه شگفتانگیز بود. سامانه کنترل یاد گرفت روی یک پا تعادل نگه دارد. سپس شروع به پریدن کرد و کمی بعد، ربات در هوا پشتک میزد و هر بار تمیز روی همان یک پا فرود میآمد.
پروفسور پارک میگوید:
«ساخت ربات جهنده نشان داد الگوریتم یادگیری تقویتی و طراحی سختافزاری ما میتواند در شرایط بسیار متنوعی به کار گرفته شود. این پروژه فرصتی ایجاد کرد تا بررسی کنیم فناوری موتور و روشهای یادگیری ما چگونه میتوانند در توسعه رباتهایی با شکلهای مختلف گسترش پیدا کنند.»
پروفسور پارک با این ایده که نرمافزار میتواند همه مشکلات را حل کند موافق نیست. او بارها دیده که پژوهشگران جوان ساعتها و حتی روزها روی کد کار میکنند، در حالی که مشکل واقعی چیز سادهای مثل شل بودن یک پیچ یا خراب شدن یک اتصال لحیمکاریشده است.
وقتی ربات راه نمیرود، بسیاری ابتدا سراغ الگوریتم میروند. پارامترها را تغییر میدهند، شبیهسازی را دوباره اجرا میکنند و منطق کنترل را بازنویسی میکنند. اما گاهی ایراد اصلی درست جلوی چشم آنهاست و به سختافزار مربوط میشود.
هیچ کدی نمیتواند یک پیچ شل را سفت کند.
به گفته پروفسور پارک:
«هرچقدر فناوری کنترل پیشرفته باشد، اگر سختافزار توان همراهی نداشته باشد، محدودیتهای جدی وجود خواهد داشت. در توسعه ربات، کنترل و سختافزار هر دو حیاتی هستند و نمیتوان هیچکدام را جدا از دیگری در نظر گرفت.»
سرمایهگذاری در حوزه رباتهای انساننما امروز به شکل چشمگیری افزایش یافته است. اما تاریخ فناوری نشان داده بسیاری از ایدهها با وجود وعدههای بزرگ، در نهایت به کاربرد گسترده نمیرسند.
شرکت هوندا بیش از دو دهه روی ربات ASIMO کار کرد، اما در نهایت آن را بیسروصدا کنار گذاشت. رباتی که روی صحنه یک نمایشگاه راه میرود، با رباتی که بتواند یک شیفت کامل در کارخانه کار کند، تفاوت زیادی دارد.
ربات انساننمای پروفسور پارک برای نمایشهای کوتاه طراحی نشده؛ هدف اصلی او کار در محیط کارخانه است. ظرفیت حمل هدفگذاریشده برای این ربات ۲۵ کیلوگرم یا بیشتر است؛ عددی که بسیاری از رباتهای انساننمای فعلی بازار به آن نزدیک هم نمیشوند.
این عدد تصادفی انتخاب نشده است. کره جنوبی یکی از بزرگترین بخشهای تولید صنعتی جهان را دارد، اما نیروی کار این کشور بهسرعت در حال پیر شدن است. بسیاری از جوانان تمایلی به کارهایی مانند جوشکاری یا حضور طولانی در خطوط مونتاژ ندارند. بخشی از این کمبود با کارگران ماهر سالخورده و نیروی کار خارجی جبران میشود، اما تعداد آنها کافی نیست.
در چنین محیطی، رباتی که فقط بتواند اشیای سبک را جابهجا کند، کاربرد چندانی نخواهد داشت. به همین دلیل، عملگرهای شبهمستقیم و موتورهای اختصاصی تیم پروفسور پارک دقیقاً برای چنین مأموریتهایی توسعه یافتهاند.
رباتهای آینده اگر قرار است در کارخانهها مفید باشند، باید بتوانند بار سنگین حمل کنند، در محیطهای واقعی دوام بیاورند و با ابزارهای صنعتی کار کنند.
با وجود تمرکز فعلی روی کارخانهها، این تنها بازار احتمالی رباتهای انساننما نیست. پروفسور پارک برای توضیح این موضوع به مثال پهپادها اشاره میکند.
برای سالها، پهپادها بیشتر در اختیار ارتش یا گروههای خاص بازرسی زیرساخت بودند. اما بعد از مدتی، تولیدکنندگان محتوا و فیلمبرداران به دنبال تصویربرداری هوایی رفتند. شرکتها هم پهپادهای چهارملخه ارزانتری ساختند که میتوانستند دوربین حمل کنند. در مدت کوتاهی، صنعتی مصرفی شکل گرفت که پیش از آن نیاز گستردهای برایش تصور نمیشد.
پروفسور پارک معتقد است رباتهای انساننما هم ممکن است مسیر مشابهی را طی کنند. شاید کاربردی که باعث پذیرش گسترده آنها میشود، هنوز حتی به ذهن فعالان این صنعت نرسیده باشد.
در پایان گفتوگو، پروفسور پارک تأکید میکند که رباتها باید مکمل انسانها باشند، نه رقیب آنها. نگاه او این است که رباتها میتوانند کارهای سخت، خطرناک، تکراری یا فرساینده را بر عهده بگیرند تا انسانها فرصت بیشتری برای کارهای ارزشمندتر، خلاقانهتر و انسانیتر داشته باشند.
او میگوید:
«من باور دارم رباتها باید انسانها را کامل کنند، نه اینکه با آنها رقابت کنند. امید من این است که رباتها در نهایت برای غنیتر کردن زندگی انسانها به کار گرفته شوند و به مردم آزادی بیشتری بدهند تا کارهای مهمتر و معنادارتری را دنبال کنند.»
رباتهای انساننما در ظاهر ممکن است شبیه انسان باشند، اما آینده آنها الزاماً در تقلید کامل از بدن انسان خلاصه نمیشود. مسیر تازه رباتیک نشان میدهد که مهندسان بیش از هر چیز به دنبال حل مسئله واقعی هستند؛ حتی اگر نتیجه آن رباتی با مچهای برعکس، پاهای غیرانسانی، بدن چرخان یا توانایی حرکت روی دیوار باشد.
تجربه تیم KAIST نشان میدهد موفقیت در رباتیک فقط به نرمافزار، یادگیری تقویتی یا شبیهسازی وابسته نیست. سختافزار دقیق، موتورهای اختصاصی، شناخت محدودیتهای واقعی و طراحی متناسب با محیط کار همانقدر اهمیت دارند.
شاید رباتهای انساننمای آینده شبیه ما بایستند، اما لزوماً مثل ما حرکت نکنند. آنها قرار نیست نسخه فلزی انسان باشند؛ بلکه ممکن است به شکل تازهای از ماشینهای هوشمند و کاربردی تبدیل شوند که برای دنیای واقعی، کارخانهها، محیطهای خطرناک و شاید زندگی روزمره ما طراحی شدهاند.
منبع: popsci