فروم بچه های تولز

ربات «ایس» (Ace) در حالی که برای بازگرداندن توپ به حریف انسانی خود، یاماتو کاواماتا، در مسابقه‌ای در دسامبر 2025 آماده می‌شود، راکت خود را با دقت تمام می‌چرخاند. این ربات که بازدهی خیره‌کننده از خود به نمایش گذاشته، در ارزیابی‌های اخیر توانسته است از بازیکنان نخبه و برجسته پینگ‌پنگ پیشی بگیرد. ربات Ace گامی بزرگ و روبه‌جلو به سوی سیستم‌های هوش مصنوعی (AI) است که می‌توانند در محیط‌های سریع‌تر، نامطمئن و واقعیِ دنیای فیزیکی با موفقیت عمل کنند.

در آزمایش‌های انجام‌شده، این ربات خودمختار موفق شد در سه مسابقه از مجموع پنج مسابقه در برابر بازیکنان نخبه پیروز شود؛ بازیکنانی که ورزشکارانی رقابتی با بیش از ده سال سابقه و میانگین 20 ساعت تمرین در هفته بودند. این ربات که توسط بخش هوش مصنوعی شرکت سونی (Sony AI) توسعه یافته است، اگرچه هر دو مسابقه خود را در برابر بازیکنان لیگ‌های حرفه‌ای ژاپن واگذار کرد، اما توانست یک «گیم» (Game) را از یکی از آن‌ها ببرد. جزییات فنی و پیچیده این سیستم به تازگی در مقاله‌ای در نشریه معتبر Nature در دسترس قرار گرفته است.

هوش مصنوعی دهه‌هاست که در حال تسخیر و تسلط بر بازی‌های مختلف است. این فناوری بارها و بارها بهترین انسان‌ها را در همه چیز شکست داده است؛ از بازی‌های ویدیویی استراتژیک و پیچیده‌ای مانند StarCraft II گرفته تا شطرنج، جایی که برنامه‌های مدرن در زمان حاضری با اختلاف بسیار زیادی از رتبه‌بندی‌های انسانی فراتر رفته‌اند.

سیستم‌های تاریخ‌سازی مانند Deep Blue (که کاسپاروف را در شطرنج شکست داد) و AlphaGo (پیروز بازی پیچیده گو) ثابت کرده‌اند که اگر قوانین مشخص و داده‌های کافی در اختیار هوش مصنوعی قرار گیرد، می‌تواند به بازدهی فراتر از توانایی انسان (Superhuman) دست یابد. اما تمام این پیروزی‌های شگرف، یک مشخصه کلیدی و مشترک داشتند: همه آن‌ها در محیط‌های کنترل‌شده و دیجیتالی رخ داده‌اند.

در نگاه اول، تنیس روی میز (پینگ‌پنگ) ممکن است به عنوان یک معیار ارزیابی غیرعادی برای هوش مصنوعی به نظر برسد. اما در واقعیت، این ورزش یکی از سخت‌ترین و چالش‌برانگیزترین محیط‌های ممکنی است که می‌توان تصور کرد. توپ پینگ‌پنگ می‌تواند با سرعتی بیش از 20 متر بر ثانیه حرکت کند، که به بازیکنان (و ربات) کمتر از نیم ثانیه برای واکنش نشان دادن فرصت می‌دهد.

علاوه بر سرعت، «چرخش توپ» پیچیدگی به شدت عظیمی را به معادله اضافه می‌کند. توپی که با سرعت‌های بسیار بالا در حال چرخش است، می‌تواند در هوا مسیر خود را کج کرده و پس از برخورد به میز، به شکلی جامعا غیرقابل پیش‌بینی کمانه کند. برای انسان‌ها، تفسیر و درک چرخش توپ تا حد زیادی یک امر شهودی و تجربی است؛ اما برای ربات‌ها، محاسبه فیزیکِ این چرخش همیشه یک مانع فنی بزرگ بوده است.

سیستم‌های رباتیک پینگ‌پنگِ قبلی، مانند Forpheus که توسط شرکت ژاپنی Omron توسعه یافته بود، با ساده‌سازی بازی به این چالش‌ها پاسخ می‌دادند؛ آن‌ها از پرتاب‌کننده‌های کنترل‌شده‌ی توپ استفاده می‌کردند، حرکات را محدود می‌ساختند یا اصلا چرخش توپ را به کلی نادیده می‌گرفتند. نسخه جدید‌های به‌روزتر سعی در تعامل بیشتر داشتند، اما همچنان تحت شرایطی محدود و ایزوله کار می‌کردند.

ربات Ace هیچ‌کدام از این محدودیت‌ها را ندارد. این ربات با تجهیزات مفصلا استاندارد، روی یک میز قانونی و رسمی، و در برابر حریفان انسانیِ واقعی بازی می‌کند که مفصلا آزادند از تمام تکنیک‌ها و ضربات ممکن استفاده کنند.

کارایی بی‌نظیر Ace بر پایه سه نوآوری کلیدی استوار است: چگونه دنیا را می‌بیند، چگونه تصمیم می‌گیرد چه کاری انجام دهد، و چگونه آن اقدامات را به اجرا درمی‌آورد.

ابتدا بیایید به نحوه دیدن جهان توسط Ace بپردازیم. دوربین‌های سنتی در پردازش حرکات بسیار سریع‌تر با مشکل مواجه می‌شوند و اغلب عکس‌های تار تولید می‌کنند یا شرحات حیاتی را از دست می‌دهند. در مقابل، Ace از سه حسگر بینایی «رویدادمحور» (Event-based) استفاده می‌کند که به جای ثبت عکس‌ها جامع در فواصل زمانی ثابت، اصلاحات نور را به صورت پیوسته تشخیص می‌دهند. این حسگرها با 9 دوربین پرسرعت دیگر تکمیل می‌شوند که محیط اطراف، از جمله بازیکن حریف و راکت او را به دقت ردیابی می‌کنند.

این سیستم‌ها در کنار هم، قابلیت کنترل نگاهِ پرسرعت (تکنولوژی که به ربات اجازه می‌دهد حسگرهایش را برای تمرکز روی اهداف خاص هدایت کند) را فراهم کرده و به ربات توانایی می‌دهند توپ را با دقتی استثنایی و در لحظه (Real-time) دنبال کند. با ردیابی نشانه‌های روی توپ -جایی که بازیکنان حرفه‌ای می‌توانند چرخشی نزدیک به 9000 دور در دقیقه (rpm) ایجاد کنند- سیستم می‌تواند میزان چرخش را در لحظه تخمین بزند؛ دستاوردی که مدت‌ها رویای سیستم‌های رباتیک بود.

دانستن اینکه توپ به کجا می‌رود تنها نیمی از مشکل است؛ ربات باید بلافاصله واکنش نشان دهد. Ace از «یادگیری تقویتی عمیق» (Deep Reinforcement Learning) استفاده می‌کند. این هوش مصنوعی در محیط‌های شبیه‌سازی‌شده طی میلیون‌ها رالی مجازی و حتی بازی با خودش آموزش دیده است. این سیستم به صورت مداوم دستورات حرکتی نوینی را برای بازوی رباتیک و چندمفصلی خود تولید می‌کند و هر چند ده میلی‌ثانیه، مسیرها را مجددا محاسبه می‌نماید تا از برخورد با میز یا بدنه خود ربات جلوگیری کند.

برای همگام شدن با سرعت بازیکنان نخبه انسانی، این ربات حول یک بازوی با نحوه عملکرد بسیار بالا ساخته شده است که ترکیبی از دو مفصل منشوری (کشویی) و شش مفصل لولایی (چرخشی) است. این طراحی، توانایی حرکات سریع‌تر به طرفین و ضربات بسیار دقیق را فراهم می‌کند.

در کنار این‌ها، مهندسیِ تعاملِ پرسرعت نقش حیاتی دارد: ساختارهای سبک‌وزن و محرک‌های بهینه‌سازی‌شده (مکانیزم‌هایی در ربات که انرژی را به نیروی مکانیکی تبدیل می‌کنند) به Ace اجازه می‌دهند توپ‌ها را با سرعت‌هایی نزدیک به 20 متر بر ثانیه برگرداند و رالی‌های طولانی و رقابتی را با انسان‌ها حفظ کند.

آنچه این مبحث را به طور ویژه‌ای قابل توجه می‌کند، انتقال موفقیت‌آمیز از شبیه‌سازی به واقعیت است. بسیاری از سیستم‌های هوش مصنوعی در محیط‌های مجازی بازده خوبی دارند، اما هنگام مواجهه با نویزها و عدم قطعیت‌های دنیای واقعی شکست می‌خورند. لحظه‌ای در طول یک رالی با یک بازیکن نخبه به خوبی نشان داد که Ace چگونه از این شکاف عبور کرده است: زمانی که مسیر پیش‌بینی‌شده‌ی توپ پس از برخورد به لبه‌ی تور ناگهان تغییر کرد، Ace تقریبا بلافاصله واکنش نشان داد، توپ را برگرداند و امتیاز را گرفت.

تماشای رباتی که ضربات پرسرعت «تاپ‌اسپین» (Topspin) را دفع می‌کند ممکن است سرگرم‌کننده باشد، اما پیامدهای این تکنولوژی بسیار فراتر از تنیس روی میز است.

به عنوان مثال در تولید و صنعت، ربات‌ها معمولا محدود به انجام وظایف بسیار ساختاریافته و تکراری هستند. چالش واقعی، قابلیت انطباق‌پذیری، کار با اشیاء نامنظم و واکنش به اصلاحات محیطی است. قابلیت‌های پیش‌بینی و کنترلی که به Ace اجازه می‌دهد به ضربات غیرقابل پیش‌بینی واکنش نشان دهد، می‌تواند اتوماسیون انعطاف‌پذیرتری را در صنایع ایجاد کند.