عندما تبدأ الذكاء الاصطناعي في امتلاك جسد: هل سيكون الذكاء الاصطناعي الفيزيائي هو الخط الرئيسي التالي في التكنولوجيا؟

كتابة: جيم، MSX ميتينغ

تحرير: فرانك، MSX ميتينغ

على مدار العامين الماضيين، كان الذكاء الاصطناعي المتداول في الأسواق المالية هو "عقل" الذكاء الاصطناعي.

من ChatGPT والنماذج الكبيرة إلى GPU وHBM ومراكز البيانات والاتصالات الضوئية والبنية التحتية للطاقة، تدور جميع الخطوط الرئيسية حول كيفية جعل النماذج أكبر حجماً، وسرعة التدريب أسرع، وتكلفة الاستدلال أقل.

ومع ذلك، فإن هذه الأنظمة الذكية يمكنها إنتاج نصوص وصور وأكواد وفيديوهات، لكنها لا تزال تعمل في الغالب على الشاشات وفي العالم الرقمي.

لذلك، عندما تبدأ قدرات النماذج الكبيرة والبنية التحتية للحوسبة في النضوج، يبدأ السوق في طرح السؤال التالي: هل يمكن لهذه النماذج الذكية بشكل متزايد أن تخرج من الشاشة وتدخل السيارات والمصانع والمخازن والمستشفيات والعالم الحقيقي؟

وهذا هو السبب وراء ظهور الذكاء الاصطناعي الفيزيائي، أي الذكاء الاصطناعي الذي بدأ يظهر في مقدمة الصناعة.

أولاً، من "التفكير" إلى "العمل"، لماذا يعتبر الذكاء الاصطناعي الفيزيائي مهماً؟

وفقاً لتعريف NVIDIA، فإن الذكاء الاصطناعي الفيزيائي هو جعل الذكاء الاصطناعي يخرج من الشاشة، مما يسمح للروبوتات والكاميرات والسيارات ذاتية القيادة وغيرها من الأنظمة المستقلة بإدراك وفهم البيئة المحيطة بها، وإجراء الاستدلال واتخاذ القرارات وتنفيذ الأعمال المعقدة.

بعبارة أخرى، إذا كان الذكاء الاصطناعي التوليدي يحل مسألة "كيف تفكر الآلات"، فإن الذكاء الاصطناعي الفيزيائي يحاول حل مسألة كيف يمكن للآلة أن تتصرف بشكل صحيح وآمن وبتكلفة منخفضة بعد التفكير، مما يمنحها القدرة على التفاعل مع العالم الحقيقي.

من خلال تصريحات جين-هوانغ في خطبه العامة الأخيرة، يبدو أن NVIDIA تعزز باستمرار خطوط منتجات مثل Isaac وGR00T وCosmos وOmniverse وJetson، حيث لا يهدفون فقط إلى المراهنة على نوع واحد من الروبوتات، بل لبناء منصة أساسية شاملة تغطي التدريب والمحاكاة والاستدلال والنشر لدخول الآلات إلى العالم الفيزيائي.

لأن الذكاء الاصطناعي الفيزيائي الحقيقي ليس مجرد توصيل نموذج كبير داخل الروبوت، بل يحتاج أيضاً إلى فهم العلاقات المكانية والقوانين الفيزيائية، ويتطلب نماذج عالمية وبيانات تدريب وبيئات محاكاة وحوسبة حافة ورؤية آلية وأجهزة استشعار وتحكم في الحركة، وإجراء اختبارات أمان مكثفة قبل النشر.

في سياق السوق، يتداخل الذكاء الاصطناعي الفيزيائي بشكل كبير مع "الذكاء المتجسد"، لكن الأول له نطاق أوسع، حيث يشمل ليس فقط الروبوتات البشرية، بل أيضاً السيارات ذاتية القيادة والروبوتات الصناعية والطائرات بدون طيار والمصانع الذكية وأنظمة التخزين، بالإضافة إلى المساحات الذكية المدفوعة بالكاميرات وأجهزة الاستشعار.

بالطبع، لم يظهر الذكاء الاصطناعي الفيزيائي كفكرة جديدة فجأة.

لقد تطورت السيارات ذاتية القيادة والروبوتات الصناعية ورؤية الآلات وأتمتة التخزين على مدار سنوات عديدة، لكن ما يحدث هو أن النماذج الكبيرة والنماذج العالمية وتقنيات المحاكاة والحوسبة الحافة، تعمل على ربط هذه المسارات التكنولوجية التي كانت متباينة في الماضي.

تعتمد العديد من الروبوتات الصناعية التقليدية على برامج مكتوبة مسبقاً، حيث تنفذ حركات قياسية في بيئات ثابتة نسبياً؛ بينما هدف الذكاء الاصطناعي الفيزيائي هو تمكين الآلات من تعديل الأحكام والسلوك بناءً على المعلومات الفورية عند مواجهة أشياء مختلفة وبيئات غير مألوفة وحالات طارئة.

هذا يعني أن سلسلة صناعة الذكاء الاصطناعي تمتد من "العقل" إلى "الجسد".

على مدار العامين الماضيين، أعاد السوق تقييم GPU والتخزين والخوادم والشبكات والطاقة اللازمة لتدريب وتشغيل الذكاء الاصطناعي. بعد ذلك، قد تبحث الأموال عن وسائل قادرة على استيعاب هذه الحوسبة وتحويل قدرات النماذج إلى إنتاجية حقيقية: الروبوتات، والسيارات ذاتية القيادة، والطائرات بدون طيار، وأجهزة الأتمتة الصناعية، وأنظمة الرؤية وأجهزة الاستشعار المنتشرة في المصانع والمخازن والمدن.

لذا، فالذكاء الاصطناعي الفيزيائي ليس مجرد مفهوم يمكن ببساطة مساواته بـ "الروبوتات البشرية"، بل إنه يفتح سلسلة كاملة من الصناعة من الحوسبة إلى العمل.

ثانياً، من الحوسبة إلى الروبوتات، سلسلة صناعة الذكاء الاصطناعي الفيزيائي من خمس طبقات

لتسهيل الفهم، قامت أكاديمية MSX بتفكيك سلسلة صناعة الذكاء الاصطناعي الفيزيائي إلى خمس مراحل رئيسية.

1. الطبقة الأولى: طبقة الحوسبة

سواء كان تدريب نماذج الروبوتات، أو بناء بيئات افتراضية، أو إجراء استدلال في الوقت الحقيقي على السيارات والروبوتات، فإن الحوسبة لا غنى عنها.

تشمل مراكز بيانات GPU، ورقائق الذكاء الاصطناعي الحافة، ومنصات الحوسبة المدمجة، والمعالجات منخفضة الطاقة، وتتناسب الأهداف الرئيسية مع:

• NVIDIA (NVDA.M): تغطي حوسبة التدريب، ومنصة Jetson للحوسبة الحافة، ونظام تطوير الروبوتات؛
• TSMC (TSM.M): قاعدة تصنيع شرائح الذكاء الاصطناعي، والشرائح المدمجة، وشرائح الحوسبة الحافة؛
• Arm (ARM.M): هيكل الحوسبة منخفضة الطاقة مستخدم على نطاق واسع في السيارات والروبوتات والأجهزة الذكية؛
• Qualcomm (QCOM.M): تخطيط الذكاء الاصطناعي للسيارات، والاستدلال الحافة، والأجهزة الذكية؛
• AMD (AMD.M): المستفيدون المحتملون من حوسبة الذكاء الاصطناعي والحوسبة المدمجة؛

تتبع هذه الطبقة منطقاً مشابهاً لسوق الذكاء الاصطناعي التوليدي في العامين الماضيين، حيث تستمر في "بيع المجارف"، بغض النظر عن أي شركة روبوتات ستفوز في النهاية، فإن القاعدة الأساسية تحتاج إلى شرائح وحوسبة وبنية تحتية للحوسبة.

2. الطبقة الثانية: طبقة النماذج

هذا ليس من الصعب فهمه، فالذكاء الاصطناعي الفيزيائي يحتاج إلى أكثر من مجرد نماذج لغوية، بل يشمل أيضاً نماذج أساسية للروبوتات، ونماذج عالمية، ونماذج بصرية-لغوية-حركية.

يمكن لنموذج اللغة فهم أوامر البشر، بينما يساعد النموذج البصري الآلات على التعرف على البيئة، ويتولى النموذج الحركي تحويل الأحكام إلى أفعال محددة؛ أما النموذج العالمي فيسعى إلى جعل الذكاء الاصطناعي يفهم العلاقات بين الأشياء، ويتنبأ بما قد يحدث بعد ذلك، ويقوم بإجراء محاكاة قبل اتخاذ الإجراءات.

تدفع هذه الطبقة حالياً بشكل رئيسي من قبل شركات التكنولوجيا الكبرى والشركات المنصة، بما في ذلك NVIDIA وTesla وGoogle وبعض شركات الروبوتات الناشئة.

بالمقارنة مع النماذج اللغوية الكبيرة، فإن أكبر مشكلة تواجه نماذج الروبوتات هي البيانات، على الرغم من وجود كميات هائلة من النصوص والصور والفيديوهات على الإنترنت، إلا أن البيانات عالية الجودة لعمليات الروبوتات ليست كثيرة، وكيفية توليد كمية كافية من بيانات التدريب ستصبح عقبة رئيسية في عملية تطوير الذكاء الاصطناعي الفيزيائي.

3. الطبقة الثالثة: طبقة المحاكاة

نظرًا لأن تكاليف التدريب الواقعية مرتفعة، وسرعتها بطيئة، ومخاطرها كبيرة، تحتاج الروبوتات إلى التعلم أولاً في العالم الافتراضي، لذلك تشكل التوأم الرقمي، والبيانات الاصطناعية، وبيئات التدريب الافتراضية، طبقة مهمة جداً من الذكاء الاصطناعي الفيزيائي.

قامت NVIDIA ببناء سلسلة أدوات كاملة في هذه الطبقة: يستخدم Omniverse لبناء التوأم الرقمي وبيئات المحاكاة، بينما يدعم Isaac Sim وIsaac Lab تدريب واختبار والتحقق من الروبوتات، ويوفر Cosmos نماذج عالمية وقدرات توليد البيانات.

تتمثل قيمة هذه الطبقة في أنها يمكن أن تحول التجارب المكلفة والخطيرة والبطيئة في العالم الحقيقي إلى بيئة افتراضية، حيث يمكن للمطورين تشغيل العديد من السيناريوهات في وقت واحد، واختبار ظروف الإضاءة والطقس والتضاريس والأحداث الطارئة المختلفة، ثم نشر النماذج التي تم التحقق منها على الأجهزة الحقيقية.

ببساطة، قد تحتاج الروبوتات إلى بضع دقائق للتدريب في العالم الحقيقي، بينما يمكن تشغيلها بالتوازي آلاف المرات في بيئة المحاكاة.

4. الطبقة الرابعة: طبقة الإدراك

عندما تدخل الروبوتات إلى العالم الحقيقي، فإن الخطوة الأولى غالباً ليست امتلاك أيدٍ مرنة، بل القدرة على "رؤية" وفهم البيئة المحيطة بها بشكل مستقر.

يجب أن تتعرف على الأشياء، وتحدد المسافات، وتفهم التغيرات في البيئة، وفي الفضاءات المعقدة، يجب أن تكمل تحديد المواقع، وبعد اتخاذ القرار، تحتاج أيضاً إلى تحويل القرارات إلى أفعال حقيقية من خلال وحدات التحكم والمحركات والأذرع الميكانيكية ووحدات المفاصل.

تشمل هذه الطبقة رؤية الآلات، والكاميرات، والرادارات الليزرية، وأجهزة الاستشعار، ورقائق التحكم، والتحكم في الحركة، ومكونات التنفيذ المختلفة:

• Cognex (CGNX.M): أنظمة رؤية الآلات الصناعية والتعرف؛
• Ouster (OUST.M): الرادارات الليزرية ومنصات الإدراك؛
• Qualcomm وNVIDIA: توفر منصات الحوسبة البصرية للسيارات والحافة؛

لقد قامت Ouster بدمج الجيل الجديد من الرادارات الليزرية الرقمية مع NVIDIA Jetson وIsaac، وتعمل على دفع التطبيقات في الروبوتات الصناعية، والتفتيش، والأنظمة المستقلة؛ بينما تواصل Cognex نشر أنظمة الرؤية الذكية في مشاهد التصنيع والتفتيش والأتمتة.

بالمقارنة مع الروبوتات البشرية، قد لا تكون مساحة التخيل لرؤية الآلات وأجهزة الاستشعار كبيرة، لكنها أقرب إلى الطلبات الحقيقية والعملاء الحاليين.

أما بالنسبة للمحركات، والمخفضات، ووحدات المفاصل، فإن الأهداف النقية في سوق الأسهم الأمريكية نسبياً محدودة، والفرص ذات الصلة أكثر تشتتاً في الأتمتة الصناعية، والشرائح المماثلة، وشركات المكونات المتخصصة.

5. الطبقة الخامسة: طبقة التطبيقات

كأعلى طبقة في سلسلة الصناعة، فإنها تشمل أيضاً الروبوتات، والسيارات ذاتية القيادة، والطائرات بدون طيار، وأجهزة الأتمتة الصناعية الأكثر شهرة في السوق، والأهداف المقابلة تشمل:

• Tesla (TSLA.M): Optimus وFSD وRobotaxi؛
• Alphabet (GOOGL.M): تخطيط السيارات ذاتية القيادة من خلال Waymo؛
• Amazon (AMZN.M): الروبوتات التخزينية، وأتمتة اللوجستيات، وZoox؛
• Teradyne (TER.M): الروبوتات التعاونية والروبوتات المتنقلة؛
• AeroVironment (AVAV.M)، Kratos (KTOS.M)، Ondas (ONDS.M): الطائرات بدون طيار والأنظمة غير المأهولة؛
• Palantir (PLTR.M): منصة البرمجيات التي تربط البيانات والقرارات والأجهزة غير المأهولة؛

من بين هذه الشركات، ليست Palantir مصنّعة للروبوتات، بل تميل أكثر إلى كونها منصة برمجيات تربط البيانات والقرارات والأجهزة غير المأهولة؛ بينما قد تصبح Uber نقطة دخول لتوصيل مختلف أساطيل Robotaxi بالمستخدمين، وتنسيق الطلبات وإتمام المعاملات، وكلاهما ينتمي إلى اتجاهات الاستفادة غير المباشرة.

هذه هي الحلقة الأكثر مرونة في الذكاء الاصطناعي الفيزيائي، فبمجرد أن يدخل أي روبوت أو Robotaxi أو طائرة بدون طيار في الإنتاج الضخم، سيقوم السوق بسرعة بتعديل إيراداته وتقديراته.

لكن في الوقت نفسه، تعتبر طبقة التطبيقات الأكثر تنافسية والأكثر صعوبة في تحقيق العوائد.

ثالثاً، من سيحقق الأرباح أولاً: بيع المجارف أم تصنيع الروبوتات؟

من حيث ترتيب تحقيق العوائد في الصناعة، قد لا تظهر الإيرادات الإضافية والأرباح الناتجة عن الذكاء الاصطناعي الفيزيائي أولاً في الروبوتات البشرية الأكثر خيالاً.

بل من المحتمل أن يكون المسار الأكثر احتمالاً هو بيع المنصات الأساسية أولاً، ثم الدخول في المشاهد المغلقة؛ أولاً حل المهام القياسية، ثم تحدي العالم المفتوح، باختصار، لا يزال من الأكثر تأكيداً "بيع المجارف".

لذا، إذا كان المستفيد الأكبر من المرحلة الأولى للذكاء الاصطناعي التوليدي هو NVIDIA، فإن التطور المبكر للذكاء الاصطناعي الفيزيائي لا يزال من الصعب تجاوزه. بغض النظر عمن سيفوز في النهاية، سواء كانت Tesla أو Amazon أو أي شركة ناشئة في مجال الروبوتات، فإنها جميعاً تحتاج إلى تدريب النماذج، واختبار المحاكاة، والاستدلال في الوقت الحقيقي، والنشر على الحافة.

ميزة NVIDIA ليست فقط في GPU، بل إنها تعمل على دمج الشرائح والنماذج وبرامج المحاكاة ومنصات الحوسبة الحافة في نظام تطوير كامل، مما يعني أنها لا تحتاج إلى إنتاج كل روبوت بنفسها، بل تحتاج فقط إلى جعل المزيد من الروبوتات تستخدم قوتها وبيئة البرمجيات الخاصة بها.

من هذا المنظور، قد يكون الاتجاه الأكثر وضوحاً للاستفادة في المرحلة الأولى من الذكاء الاصطناعي الفيزيائي هو توفير الحوسبة والمحاكاة والشرائح وأدوات التطوير من "بائعي المجارف"؛ لكن "وضوح مسار الاستفادة" لا يعني أن أسعار الأسهم خالية من المخاطر، ولا يزال يتعين مراقبة ما إذا كان السوق قد احتسب بالفعل توقعات النمو، وما إذا كانت بيئة البرمجيات يمكن أن تشكل إيرادات مستمرة، وما إذا كان المنافسون يمكن أن يقدموا بدائل.

ثم تأتي المصانع والمخازن، التي قد تكون قادرة على إغلاق الحلقة التجارية بشكل أسرع، مما يعني أن المشاهد التي يدخلها الذكاء الاصطناعي الفيزيائي في التقارير المالية قد تظهر أولاً في مجالات التصنيع والتخزين واللوجستيات.

تكون هذه البيئات أكثر انغلاقاً، وتكون المسارات والمهام أكثر معيارية، مما يسهل على الشركات حساب عائد الاستثمار ------ بعد استثمار روبوت، كم يمكن أن يقلل من العمالة، وكم يمكن أن يزيد من الكفاءة، وكم يمكن أن يقلل من الفاقد، كل ذلك يمكن قياسه مباشرة.

لقد استخدمت Amazon الروبوتات على نطاق واسع في شبكة التخزين الخاصة بها، وقامت بتحسين جدولة الأجهزة والطرق من خلال نماذج الذكاء الاصطناعي؛ بينما تغطي Universal Robots وMiR التابعة لشركة Teradyne الروبوتات التعاونية والروبوتات المتنقلة، وقد دخلت بالفعل في بيئات الإنتاج الفعلية مثل التصنيع واللوجستيات والدوائر الإلكترونية.

تتميز هذه الشركات بأنها لا تعرض فقط ما يمكن أن تفعله الروبوتات، بل بدأت بالفعل في إدخال الروبوتات إلى المصانع والمخازن، لحل المشكلات الإنتاجية الحقيقية. بالمقارنة، فإن إدخال الروبوتات إلى المنازل للطهي والتنظيف ورعاية كبار السن يتطلب مواجهة بيئات أكثر تعقيداً ومسؤوليات أمان، مما قد يؤدي إلى دورات تجارية أطول بكثير.

أخيراً، تمتلك الروبوتات البشرية بلا شك أكبر تخيل للسوق، نظرياً يمكنها دخول المصانع والمخازن والمستشفيات والمنازل التي صممها البشر، واستخدام الطرق والأدوات وأسطوانات العمل الموجودة.

لذلك، أصبحت Tesla Optimus واحدة من الاتجاهات الأكثر اهتماماً في سوق الذكاء الاصطناعي الفيزيائي، لكن هذا لا يعني أن التوسع التجاري الكبير قد وصل، بالنسبة للروبوتات البشرية، ما يجب مراقبته حقاً ليس مدى سلاسة الحركات في مؤتمرات الإطلاق، بل تكلفة الوحدة، ومدة العمل المستمرة، وما إذا كانت القيمة التي تخلقها يمكن أن تغطي تكاليف الشراء والصيانة.

بالمقارنة، فإن Robotaxi قد تقدمت في موقع أكثر تقدماً. فالسيارات ذاتية القيادة هي في جوهرها "الذكاء الاصطناعي الفيزيائي على العجلات" ------ حيث تدرك السيارة البيئة من خلال الكاميرات والرادارات والرادارات الليزرية، وتقوم النماذج بإجراء الأحكام، ثم تقوم السيارة بتنفيذ الأفعال الفعلية.

تمثل Tesla وWaymo وZoox تكامل البرمجيات والأجهزة للسيارات، ونظام القيادة الذاتية، ومسار Robotaxi المخصص؛ بينما تحاول Uber أن تصبح نقطة دخول تربط بين أساطيل السيارات ذاتية القيادة المختلفة والركاب؛ وقد بدأت Waymo في دفع نظام القيادة الذاتية من الجيل السادس نحو التشغيل الكامل بدون سائق، حيث كشفت الشركة أنها أكملت أكثر من 20 مليون رحلة بدون سائق، مما يدل على أن Robotaxi تتفوق في التحقق التجاري مقارنة بالروبوتات البشرية العامة.

بالإضافة إلى ذلك، فإن الطائرات بدون طيار والروبوتات الدفاعية أسهل في الحصول على تحقق من الطلبات. فعملاء الدفاع لديهم طلبات أكثر وضوحاً على الأنظمة غير المأهولة ذاتية التشغيل ومنخفضة التكلفة ومعدات مكافحة الطائرات بدون طيار، مثل AeroVironment وKratos، حيث تعكس أعمال الأنظمة غير المأهولة والإجراءات الذاتية زيادة في الإيرادات والطلبات، كما أن Ondas تستمر في الحصول على طلبات لمكافحة الطائرات بدون طيار، والطائرات بدون طيار، وأنظمة الدفاع الذاتية.

ومع ذلك، فإن هذه الشركات الصغيرة عادة ما تكون مصحوبة بمخاطر أعلى من تركيز المشاريع، والتمويل، والتنفيذ.

لذا، فإن تحديد ما إذا كانت شركة الذكاء الاصطناعي الفيزيائي تستحق المتابعة المستمرة يجب أن يعود في النهاية إلى ثلاثة أسئلة:

• هل هي حل أساسي لا يمكن الاستغناء عنه في سلسلة الصناعة؟
• هل لديها عملاء حقيقيون، وطلبات، ومشاهد تطبيق؟
• هل يمكن أن تعكس التقدم التكنولوجي في الإيرادات والأرباح والتدفقات النقدية؟

ختاماً

لن يكتمل تحقيق الذكاء الاصطناعي الفيزيائي بين عشية وضحاها.

من حيث قوانين الصناعة، من المرجح أن تتقدم على طول مسار يبدأ من اليقين إلى المرونة العالية: أولاً الحوسبة والمحاكاة ومنصات الحافة، ثم المخازن والمصانع والروبوتات المتخصصة، ثم Robotaxi والطائرات بدون طيار والروبوتات البشرية العامة.

وما يحدد مدى بُعد هذا الخط الرئيسي ليس عدد الحركات التي أكملتها الروبوتات في مؤتمرات الإطلاق، بل ما إذا كانت قادرة على النزول عن المسرح، والدخول إلى المصانع والمخازن والطرق والأعمال الحقيقية، وخلق قيمة يمكن التحقق منها من خلال التقارير المالية.

عندما يحدث ذلك، سيكون الذكاء الاصطناعي قد انتقل بالفعل من الشاشة إلى الواقع.