سخنرانی کامل وانگ شینگ شینگ در کنفرانس جهانی رباتیک 2026: هوش بدنی ChatGPT در دو تا سه سال آینده به سرعت خواهد رسید

پس از عرضه فناوری یوشو، بنیان‌گذار آن، وانگ شینگ شینگ، در روز دوم کنفرانس جهانی رباتیک 2026 سخنرانی با عنوان "از نمایشگاه به محصول: دهه آینده صنعت ربات‌های انسان‌نما" ایراد کرد. او معتقد است که صنعت رباتیک در حال حاضر در نقطه عطفی از توسعه سریع هوش مصنوعی قرار دارد و بزرگ‌ترین مانع در این حوزه، هنوز هم کمبود توانایی تعمیم هوش بدنی است.

"از نظر دوره توسعه، اگر سریع باشد، دو تا سه سال و اگر کند باشد، پنج تا ده سال طول می‌کشد و صنعت به احتمال زیاد به یک شکاف کلیدی خواهد رسید." در مورد زمان رسیدن هوش بدنی به نقطه عطف صنعتی مشابه ChatGPT، وانگ شینگ شینگ قضاوت نسبتاً خوش‌بینی ارائه داد.

او در مورد اینکه ربات‌های عمومی چه زمانی واقعاً وارد خانه‌ها خواهند شد، گفت: "بزرگ‌ترین مانع در حال حاضر کمبود توانایی تعمیم است. اگر روزی همه بتوانند رباتی را به یک محیط ناشناخته ببرند و آن ربات بتواند تقریباً 80 درصد از وظایف را انجام دهد، فکر می‌کنم که به نوعی به زمان ChatGPT هوش بدنی رسیده‌ایم."

در ادامه، سخنرانی به شرح زیر است:

مرور ده سال یوشو: از ربات چهارپایه تا ربات انسان‌نما

حضور محترم همه رهبران و مهمانان، سلام. بسیار خوشحالم که در اینجا به اشتراک بگذارم. ابتدا به طور مختصر وضعیت شرکت را مرور می‌کنم. یوشو در آگوست 2016 تأسیس شد و تا آگوست امسال تقریباً 10 سال می‌شود. ما در ابتدا ربات‌های چهارپایه ساختیم و در چند سال اخیر به ساخت ربات‌های انسان‌نما پرداخته‌ایم.

یکی از محصولات موفق ما در سال‌های اخیر، G1 است که در سال 2024 عرضه شد. پس از عرضه G1، این ربات به یکی از محصولات نماینده در حوزه ربات‌های انسان‌نما در سطح جهانی تبدیل شد. بسیاری از ربات‌های انسان‌نما که اکنون مشاهده می‌کنید، چه از نظر شکل کلی و چه از نظر طراحی، شباهت‌هایی به G1 دارند.

اوایل امسال، یکی از پروژه‌های نماینده ما، برنامه "ووبوت" بود که در جشنواره بهار اجرا شد. این برنامه ترکیبی از هنرهای رزمی و فرهنگ سنتی چین است. ما پیش از این، ده‌ها حرکت نماینده از هنرهای رزمی چین را جمع‌آوری کرده و سپس آموزش هوش مصنوعی را انجام دادیم و در نهایت حرکات جذاب را در کل صحنه اجرا کردیم. بزرگ‌ترین نکته قوت این برنامه، ترکیب فناوری‌های پیشرفته ربات انسان‌نما با هنرهای رزمی و فرهنگ سنتی چین است. این ویدیو در خارج از کشور نیز به خوبی منتشر شد و ممکن است صدها میلیارد بار مشاهده شده باشد. من فکر می‌کنم این یک مثال خوب از ادغام علم و فرهنگ است.

در فوریه، ما همچنین در معبد آسمان یک نمایش اجرا کردیم. در آن زمان، تقریباً 49 ربات به صورت خودکار اجرا کردند. معبد آسمان خود دارای چند صد سال فرهنگ و تاریخ است و اجرای ربات‌ها در چنین صحنه‌ای، حس بسیار قوی از عبور از زمان را ایجاد می‌کند - ترکیب فرهنگ چند صد ساله چین با جدیدترین فناوری‌ها، از نظر بصری و احساسی بسیار شگفت‌انگیز است.

در سال‌های اخیر، ما همچنین به دنبال این بوده‌ایم که ربات‌ها واقعاً وارد زندگی و کارخانه‌ها شوند. در سال 2024، ما همکاری با کارخانه‌های خودروسازی را برای انجام برخی از کاربردهای عملی آغاز کردیم و همچنین در کارخانه خود ربات‌ها را مستقر کردیم تا برخی آزمایشات و کاربردهای ساده را انجام دهیم. اکنون بیشتر تیم‌های هوش مصنوعی شرکت در حال تحقیق و توسعه در مورد چگونگی ورود واقعی ربات‌ها به خانه‌ها یا کارخانه‌ها هستند.

چرا هنوز ترویج گسترده‌ای وجود ندارد؟ دلیل اصلی این است که کارایی و توانایی تعمیم ربات‌ها هنوز کافی نیست. اکنون ربات‌ها می‌توانند برخی از مونتاژهای ساده را انجام دهند، اما کارایی آن‌ها هنوز نسبت به انسان پایین‌تر است؛ علاوه بر این، هر بار که با یک وظیفه جدید مواجه می‌شوند، معمولاً نیاز به آموزش مجدد دارند که این امر کارایی کلی را کاهش می‌دهد. بنابراین، ما هنوز امیدواریم که ابتدا توانایی تعمیم فناوری را بهبود بخشیم و سپس ترویج گسترده‌ای انجام دهیم. این نیز یکی از موانع اصلی است که صنعت رباتیک جهانی با آن مواجه است.

در آوریل امسال، ما همچنین رکورد سرعت دویدن ربات انسان‌نما را شکستیم. این ربات بر اساس نسل اول ربات انسان‌نمای H1 که در سال 2023 ساخته شده بود، اصلاح شده است. H1 اولین ربات انسان‌نمای یوشو است و همچنین یکی از محصولات کلاسیک است. ما همچنین در حال آزمایش اشکال مختلف بر اساس آن هستیم، مانند افزودن ساختار چرخ‌دار تا ربات در برخی صحنه‌ها بتواند انعطاف‌پذیری بیشتری داشته باشد.

محرک ربات‌ها: هوش مصنوعی، داده‌ها و صحنه‌های واقعی

همه شما می‌دانید که ربات‌های امروزی اساساً توسط هوش مصنوعی هدایت می‌شوند و هوش مصنوعی به طور اساسی توسط داده‌ها هدایت می‌شود. مقدار داده‌ها، به ویژه مقدار داده‌های با کیفیت بالا، تا حد زیادی تعیین می‌کند که توانایی هوش مصنوعی به چه اندازه است. بنابراین، ما از یک سو داده‌ها را جمع‌آوری می‌کنیم و از سوی دیگر با شرکت‌های ثالث همکاری می‌کنیم تا داده‌های بیشتری به دست آوریم، هم برای استفاده در صنعت و هم برای استفاده خودمان.

من شخصاً معتقدم که داده‌هایی که واقعاً برای آموزش ربات‌های هوش مصنوعی استفاده می‌شود، باید عمدتاً بر اساس داده‌های واقعی انسان یا داده‌های اینترنتی به عنوان داده‌های پیش‌آموزشی باشد و سپس مقداری داده‌های واقعی ربات به آن اضافه شود. این دو نوع داده هر دو نیاز ضروری هستند. از نظر مقیاس داده‌ها، داده‌های واقعی انسان بیشتر و مهم‌تر خواهند بود؛ اما داده‌های واقعی ربات نیز ضروری هستند، زیرا در نهایت باید ربات را با دنیای فیزیکی واقعی مطابقت دهیم.

در ماه مه امسال، ما اولین ربات متغیر انسانی تولید انبوه جهان به نام GD01 را معرفی کردیم. این ربات ارتفاعی بیش از 3 متر دارد و پس از سوار شدن، وزن آن تقریباً 500 کیلوگرم است. ممکن است شما کنجکاو باشید که این نوع ربات‌ها چه کاربردی دارند. به سادگی می‌توان گفت که این ربات شبیه یک "خودروی آفرود" است و عمدتاً برای استفاده روزمره در خانه یا شهر طراحی نشده است، بلکه بیشتر برای محیط‌های پیچیده و برخی صحنه‌های حمل و نقل مناسب است. به عنوان مثال، برای پیاده‌روی در فضای باز یا حمل و نقل کالا در مکان‌های با زمین پیچیده، می‌توان از آن استفاده کرد.

GD01 همچنین یک ویژگی جالب دارد که می‌تواند به حالت چهارپایه تغییر شکل دهد. پس از تغییر به حالت چهارپایه، ثبات آن بهتر و توانایی عبور از موانع نیز قوی‌تر خواهد بود. این نیز یکی از دلایلی است که ما مایل به پیش‌فروش آن هستیم: در حالت چهارپایه، این ربات دارای ثبات نسبتاً خوبی و توانایی عبور از زمین‌های پیچیده است. به طور ساده، می‌توان آن را به عنوان "خودروی آفرود" در شکل رباتی در نظر گرفت.

چند ماه پیش، ما همچنین یک سیستم تولید حرکات هوش مصنوعی مبتنی بر مدل چندرسانه‌ای را به نمایش گذاشتیم. در گذشته، بسیاری از حرکات ربات‌ها از پیش جمع‌آوری و آموزش داده شده بودند؛ اما این سیستم می‌تواند حرکات را بر اساس دستورات صوتی در زمان واقعی تولید کند. ابتدا باید صدا شناسایی شود، سپس به ابر منتقل شود تا تولید حرکات هوش مصنوعی انجام شود و پس از آن حرکات باید تأیید شوند تا اطمینان حاصل شود که مشکلی وجود ندارد و سپس به ربات ارسال شود، بنابراین کل فرآیند هنوز چند ثانیه تأخیر دارد.

ما امیدواریم که در آینده، زمانی که ربات‌ها واقعاً به کار گرفته شوند، حرکات بتوانند به طور کامل در زمان واقعی تولید شوند و به برنامه‌نویسی پیشین وابسته نباشند. اکنون این روش تولید خودکار همچنین یک ویژگی دارد: حتی اگر دستورات کاملاً یکسانی وارد شوند، هر بار حرکات تولید شده ممکن است کمی متفاوت باشد. به عبارت دیگر، اگر امروز و فردا به ربات بگویید همان جمله، حرکات آن ممکن است کاملاً یکسان نباشد.

ما همچنین در حال تلاش برای ورود ربات‌ها به صحنه‌های روزمره مانند اتاق‌های کنفرانس هستیم. به عنوان مثال، اتاق‌های کنفرانس در شرکت‌ها گاهی اوقات ممکن است به هم ریخته باشند، بنابراین مرتب‌سازی اتاق کنفرانس یک وظیفه مشخص و با ارزش عملی است. هدف آموزشی ما این است که پس از به هم ریختن یک اتاق کنفرانس، ربات بتواند آن را به حالت تمیز و مرتب برگرداند.

این وظیفه در حال حاضر به طور کامل به صورت انتها به انتها پیاده‌سازی شده است، بنابراین کارایی حرکات ربات هنوز نسبتاً کند است. اما این یک سیستم تک‌وظیفه‌ای نیست. در این صحنه، ما تقریباً 7 تا 8 وظیفه مختلف را تنظیم کرده‌ایم و از یک مدل استفاده می‌کنیم تا ربات به طور خودکار بین وظایف مختلف جابجا شود و به طور مستقیم اجرا کند و همچنین دارای توانایی مقاومت در برابر اختلالات باشد. زیرا هوش مصنوعی نیاز به شناسایی در زمان واقعی، تولید در زمان واقعی و استدلال مداوم دارد، بنابراین حرکات هنوز به آن اندازه روان نیستند و هر قدم و هر حرکت نیاز به استدلال دارد که این امر بر "نرمی" کلی تأثیر می‌گذارد. با این حال، ویدیوهای نمایشی خود یک برداشت یک‌دست هستند و هیچ ویرایشی انجام نشده و همچنین اختلالات محیطی اضافه شده است.

بر این اساس، ما همچنین ترکیب صوتی و مدل چندرسانه‌ای را ترکیب کردیم تا ربات نه تنها بتواند حرکات را بر اساس صدا تولید کند، بلکه واقعاً وظایف تعاملی و عملیاتی را نیز انجام دهد. در نمایش زنده، ربات می‌تواند رنگ اشیاء را شناسایی کند، مکان‌های مختلف جعبه‌های دارویی را تشخیص دهد و سپس بر اساس دستورات زبانی، شیء مشخص شده را بردارد. در این حالت، ربات حرکتی را که از پیش تعیین شده است انجام نمی‌دهد، بلکه نیاز به درک زبان، شناسایی محیط و سپس انجام عملیات دارد.

مدتی پیش، ما همچنین نسل جدید ربات چهارپایه چرخ‌دار As2-W را معرفی کردیم. این ربات نسبتاً سبک است و وزن آن با باتری حدود 25 کیلوگرم است و توانایی بارگذاری و عمر باتری خوبی دارد و همچنین دارای قابلیت ضد گرد و غبار و ضد آب IP54 است که می‌تواند صحنه‌های داخلی و خارجی را پوشش دهد.

ما برخی از فناوری‌هایی که در ربات‌های انسان‌نما جمع‌آوری کرده‌ایم را دوباره در ربات‌های چهارپایه به کار برده‌ایم تا امیدواریم انعطاف‌پذیری ربات‌های چهارپایه را بیشتر کنیم و همچنین توانایی بارگذاری، عمر باتری و سازگاری با محیط‌های پیچیده را بهبود بخشیم. ما همچنین امیدواریم که این ربات در آینده واقعاً برای پیاده‌روی در فضای باز، حمل و نقل و برخی صحنه‌های صنعتی استفاده شود.

در عین حال، ما همچنین R1 را که نوعی ربات انسان‌نما سبک است، به‌روزرسانی می‌کنیم تا حرکات و انعطاف‌پذیری آن را بیشتر کنیم. R1 خود از نظر قیمت و عملکرد نسبتاً مناسب است و همچنین می‌توان آن را از طریق JD، Taobao و سایر کانال‌ها خریداری کرد.

مدتی پیش، ما همچنین یک ربات جدید را به نمایش گذاشتیم. زمان توسعه این ربات بسیار کوتاه بود و اکنون حدود سه ماه است که در حال توسعه است و هنوز نسخه رسمی آن منتشر نشده است. حداکثر سرعت آن به 12.65 متر در ثانیه رسیده است که از سرعت بالاترین ورزشکار تاریخ بشر فراتر رفته است؛ طبق نتایج آزمایش فعلی، ارتفاع پرش آن نیز از بالاترین سطح پرش تاریخ بشر فراتر رفته است. در سال 2025، من، محصولات شرکت و یوشو نیز در فهرست‌های مربوط به مجله تایم قرار گرفتیم.

مانع اصلی هوش بدنی: توانایی تعمیم و هم‌راستایی با دنیای واقعی

بیایید نگاهی به پیشرفت‌های اخیر مدل‌های هوش بدنی AI بیندازیم. در حال حاضر، مسیرهای تکنولوژیکی اصلی شامل مدل‌های VLA و مدل‌های جهانی است. امسال، ممکن است بیشتر از همه، در مورد مدل‌های جهانی شنیده باشید.

شرکت ما همیشه سرمایه‌گذاری زیادی در مدل‌های هوش مصنوعی داشته است و این یکی از بزرگ‌ترین حوزه‌های سرمایه‌گذاری مالی و انسانی ما است. در اوایل سال 2020، ما شروع به کاوش در مدل‌های جهانی مبتنی بر تولید ویدیو کردیم. در آن زمان، تا پایان سال 2020، نتایج هنوز چندان ایده‌آل نبود، بنابراین مدتی متوقف شد؛ اما از سال گذشته، ما دوباره سرمایه‌گذاری خود را در این حوزه افزایش داده‌ایم.

بسیاری از مردم می‌پرسند: ربات‌های واقعی، چه انسان‌نما و چه نیمه‌انسان‌نما، چه زمانی واقعاً وارد زندگی و خانه‌ها خواهند شد؟

من معتقدم که بزرگ‌ترین مانع فعلی، هنوز هم کمبود توانایی تعمیم هوش بدنی است. اکنون بسیاری از مدل‌های هوش مصنوعی در صحنه‌های ثابت، تنها با جمع‌آوری و آموزش داده‌های کافی، نرخ موفقیت تقریباً 100 درصدی را می‌توانند به دست آورند. اما به محض اینکه شیء مورد عمل کمی تغییر کند یا محیط کمی تغییر کند، نرخ موفقیت به وضوح کاهش می‌یابد.

من امیدوارم که در آینده، اگر سریع باشد، ممکن است دو تا سه سال و اگر کند باشد، پنج سال یا حتی بیشتر طول بکشد. اگر روزی رباتی را به یک محیط کاملاً ناشناخته ببرید، مثلاً به یک خانه‌ای که هرگز ندیده است، و تنها از طریق دستورات صوتی یا زبانی بتواند تقریباً 80 درصد از وظایف را انجام دهد، فکر می‌کنم که به نوعی به "زمان ChatGPT" هوش بدنی رسیده‌ایم. این نیز به یک نقطه عطف کلیدی برای انفجار واقعی صنعت در آینده تبدیل خواهد شد.

این معیار ارزیابی در واقع بسیار ساده است: ربات باید در حدود 80 درصد از صحنه‌های ناشناخته، تنها از طریق دستورات صوتی یا زبانی، بتواند تقریباً 80 درصد از وظایف را انجام دهد. من فکر می‌کنم این یک نقطه عطف بسیار مهم است.

چرا اکنون هنوز به این سطح نرسیده‌ایم؟ یکی از بزرگ‌ترین موانع این است که هم‌راستایی ورودی و خروجی مدل‌های هوش مصنوعی با ربات واقعی و دنیای فیزیکی واقعی هنوز کافی نیست.

به عنوان مثال، اگر از ربات بخواهید حرکت کند یا دو شیء را به هم متصل کند یا یک شیء را از یک مکان به مکان دیگر منتقل کند، معمولاً در جهت کلی مشکلی ندارد و به طور کلی می‌تواند وظیفه شما را درک کند و بداند که چگونه باید اجرا کند. اما آنچه واقعاً بر نرخ موفقیت نهایی تأثیر می‌گذارد، معمولاً آخرین چند سانتی‌متر یا حتی چند میلی‌متر است.

زمانی که ربات می‌خواهد چیزی را بگیرد، به نظر می‌رسد که دستش تقریباً به آن رسیده است، اما آخرین بازخورد لمسی و آخرین خطای موقعیت را نمی‌تواند به خوبی اصلاح کند. اگر این خطا به درستی اصلاح نشود، در نهایت ممکن است منجر به شکست کل وظیفه شود و نرخ موفقیت به وضوح کاهش یابد.

این یک مشکل بسیار اساسی است که هوش بدنی در حال حاضر در سطح جهانی با آن مواجه است: وجود انحراف بین ورودی و خروجی مدل‌های هوش مصنوعی و دنیای واقعی.

چرا این مشکل در ربات‌ها وجود دارد، در حالی که در مدل‌های زبانی یا مدل‌های چندرسانه‌ای این‌گونه نیست؟ محتوایی که مدل‌های زبانی پردازش می‌کنند، اساساً کدگذاری عددی است. ورودی چیست و خروجی چیست، همه در یک فضای عددی یا فضای برداری به شدت محدود شده‌اند، بنابراین خطا به همان شیوه به طور مداوم انباشته نمی‌شود.

اما ربات‌ها متفاوت هستند. هر ورودی و خروجی ربات باید وارد دنیای فیزیکی واقعی شود و هر بار که یک عمل انجام می‌شود، مقداری انحراف و ضرر ایجاد می‌شود. این انحرافات بر درک و عمل بعدی تأثیر می‌گذارد و در نهایت منجر به انباشت خطا می‌شود. به همین دلیل است که در حال حاضر توانایی تعمیم مدل‌های رباتیک و نرخ موفقیت در وظایف واقعی هنوز به سطح کافی نرسیده است.

من فکر می‌کنم این مشکل در چند سال آینده قطعاً قابل حل است، اما واقعاً به زمان نیاز دارد.

اجازه دادن به ربات‌ها برای خودتکامل: بازسازی فرآیند توسعه ربات با AI

در اینجا می‌خواهم یک موضوع جدید که در حال حاضر در حال پیشبرد آن هستیم را معرفی کنم: اجازه دادن به مدل‌های رباتیک فیزیکی AI برای خودتکامل.

در چند سال گذشته، همه شما به طور گسترده‌ای از AI برای برنامه‌نویسی و توسعه‌های مختلف استفاده کرده‌اید، اما در مورد استفاده از AI در فرآیند توسعه ربات، فکر می‌کنم هنوز نسبتاً کم است. آنچه ما اخیراً در حال پیشبرد آن هستیم، تلاش برای استفاده از مدل‌های بزرگ پیشرفته و برتر برای هدایت توسعه ربات است.

به طور خاص، ما می‌توانیم ابتدا به AI برخی قوانین، تجربیات، محدودیت‌ها و ابزارها بدهیم و سپس اجازه دهیم خود به جستجوی جدیدترین مقالات، بهترین نتایج تحقیق و انواع راه‌حل‌های متن‌باز بپردازد. سپس اجازه می‌دهیم خود برنامه‌نویسی کند و کد کنترل ربات را تولید کند.

پس از تولید کد کنترل، می‌توان آن را ابتدا در محیط شبیه‌سازی اجرا و آموزش داد و همچنین می‌توان آن را به مدل و سیستم کنترل فراخوانی کرد تا ربات واقعی را هدایت کند.

اگر این کد به ربات واقعی منتقل شود، می‌توانیم آزمایش‌های واقعی انجام دهیم و سپس نتایج را ارزیابی و نمره‌دهی کنیم. بخشی از ارزیابی می‌تواند توسط مدل AI ربات انجام شود و بخشی دیگر نیز می‌تواند توسط انسان انجام شود. تجربه انسانی هنوز بسیار مهم است، زیرا بسیاری از اوقات، انسان می‌تواند به راحتی قضاوت کند که آیا یک عمل به خوبی انجام شده است یا خیر.

اگر این منطق واقعاً به یک سیستم تبدیل شود و به درستی عمل کند، کارایی توسعه ربات به شدت افزایش خواهد یافت و سرعت تکرار نیز بسیار سریع خواهد بود. پس از اینکه این فرآیند برای مدتی ادامه یابد، فرصتی برای واقعی شدن توانایی خودتکامل ربات‌ها به وجود خواهد آمد.

می‌توان یک مثال بسیار ساده زد. ما می‌توانیم از یک عامل هوش برنامه‌نویسی استفاده کنیم و اجازه دهیم خود کد کنترل ربات را بنویسد. اکنون بسیاری از الگوریتم‌های یادگیری عمیق تقویتی نسبتاً ساده، با استفاده از عامل هوش برنامه‌نویسی، برنامه‌نویسی خودکار، واقعاً نتایج خوبی داشته‌اند.

پس از تولید کد، آن را در محیط شبیه‌سازی برای تأیید و آموزش قرار می‌دهیم؛ پس از اینکه نتایج به سطح معینی رسید، آن را به ربات واقعی برای آزمایش منتقل می‌کنیم. پس از آزمایش، از یک سو مدل AI ارزیابی می‌کند و از سوی دیگر می‌توان نمره‌های انسانی را اضافه کرد تا نتایج را بررسی کنیم. سپس این نتایج به عامل هوش برنامه‌نویسی بازخورد داده می‌شود و وارد دور بعدی تولید و بهینه‌سازی کد می‌شود و در نهایت یک چرخه مثبت مداوم شکل می‌گیرد.

آنچه گفته شد تنها یک مثال ساده است و در واقع استفاده از آن بسیار پیچیده‌تر خواهد بود. اما من فکر می‌کنم این یک موضوع بسیار ارزشمند برای صنعت رباتیک جهانی در حال حاضر و در چند سال آینده است.

چرا باید این کار را انجام دهیم؟ چند دلیل مستقیم وجود دارد.

اول، توانایی مدل‌های پایه هر ماه و هر سال در حال افزایش است، بنابراین توانایی چرخه خودتکامل نیز به تبع آن افزایش خواهد یافت. به عبارت دیگر، این سیستم به طور طبیعی می‌تواند با پیشرفت توانایی‌های پایه AI جهانی تقویت شود.

دوم، این سیستم می‌تواند به طور کامل از داده‌های چندگانه استفاده کند. در گذشته، وابسته به انسان برای پردازش و استفاده از داده‌ها، کارایی کلی نسبتاً پایین بود. اگر چرخه خودتکامل شکل بگیرد، می‌توانیم از انواع داده‌های آموزشی، داده‌های دنیای واقعی و داده‌های انسانی استفاده کنیم و همچنین کارایی استفاده از داده‌ها را افزایش دهیم.

سوم، این سیستم می‌تواند با بیشتر استقرارهای واقعی ربات‌ها یک حلقه بسته ایجاد کند. با افزایش تعداد استقرارهای واقعی ربات‌ها، ما به طور مداوم داده‌های آزمایشی جدیدی به دست خواهیم آورد و همچنین معیارهای ارزیابی بیشتری خواهیم داشت. در این صورت، نرخ استفاده از داده‌ها و سرعت رشد داده‌های کل سیستم تضمین خواهد شد.

چهارم، این سیستم می‌تواند مهارت‌های ربات‌ها را به طور مداوم جمع‌آوری کند. ما می‌توانیم هر روز و هر ماه مهارت‌های جدیدی اضافه کنیم، نه اینکه امروز یک مهارت را توسعه دهیم و فردا آن را هدر دهیم یا دوباره از ابتدا شروع کنیم. مهارت‌ها، داده‌ها، استراتژی‌های کنترل و نتایج ارزیابی می‌توانند در این سیستم به طور مداوم جمع‌آوری شوند.

بنابراین، من فکر می‌کنم این یک موضوع بسیار مهم است: واقعاً استفاده از AI برای بهبود کارایی توسعه و تکامل ربات‌ها. در آینده، این روش احتمالاً به یک مسیر مهم برای تکامل مداوم ربات‌های فیزیکی AI تبدیل خواهد شد و ممکن است یک مرحله جدید را آغاز کند.

من فکر می‌کنم در آینده، افراد بیشتری به این سمت حرکت خواهند کرد.

به گذشته نگاه کنیم، یوشو تقریباً 10 سال را پشت سر گذاشته است. ما تقریباً در سال‌های 2017 و 2018 برای اولین بار در کنفرانس جهانی رباتیک شرکت کردیم و در این سال‌ها، احساسات عمیقی را تجربه کرده‌ایم.

با ایستادن در این مرحله جدید، به ویژه در زمینه توسعه سریع AI و توجه جهانی به ربات‌ها، سرعت تکامل ربات‌ها به وضوح افزایش یافته است. سرعت توسعه ربات‌ها در آینده ممکن است حتی سریع‌تر از آنچه که اکنون پیش‌بینی می‌کنم باشد.

من فکر می‌کنم این یک نقطه شروع جدید و یک آغاز جدید است.

به دلیل محدودیت زمان، امروز گزارش نسبتاً ساده‌ای ارائه شد. متشکرم از همه و لطفاً مرا ببخشید.