اینتل با معرفی یک فریم‌ورک جدید چالش بزرگ توسعه هوش مصنوعی فیزیکی را حل کرد

شرکت اینتل در جریان رویداد کامپیوتکس ۲۰۲۶، در کنار معرفی پردازنده‌های جدید زئون (Xeon) برای سرورها، از یک فریم‌ورک نرم‌افزاری جدید به نام Physical AI OpenVINO رونمایی کرد. اینتل می‌گوید با ترکیب پردازنده‌های Core Ultra Series 3 در این فریم‌ورک جدید، توانسته مشکل بزرگی را حل کند که مانع توسعه هوش مصنوعی فیزیکی و رباتیک در مقیاس وسیع می‌شد. همچنین این رویکرد مجموع هزینه‌های مالکیت را برای شرکت‌ها به‌شدت کاهش می‌دهد.

براساس گزارش‌های منتشر شده، تا پیش از این، اگر شرکتی قصد داشت هوش مصنوعی فیزیکی را در مقیاس بزرگ روی ربات‌های خود پیاده‌سازی کند، مجبور بود برای هر ربات مسیرهای پردازش داده و زیرساخت‌های نرم‌افزاری کاملاً اختصاصی توسعه دهد تا حسگرها، کدک‌ها و فرایندهای پردازشی آن مدیریت شوند. این موضوع مشتریان را محدود به استفاده از سیستم‌های پردازش دوگانه می‌کرد. این سیستم‌ها نه تنها بسیار گران‌قیمت بودند و هزینه بالایی داشتند، بلکه تعمیر و نگهداری آنها نیز بسیار دشوار و پیچیده بود.

اکنون پلتفرم یکپارچه اینتل تمام این فرآیندها را ساده‌تر و کارایی کدنویسی را به‌طرز چشمگیری بیشتر می‌کند.

چالش حل‌شده توسط فریم‌ورک جدید اینتل

برای درک بهتر اهمیت این دستاورد، باید با هوش مصنوعی فیزیکی (Physical AI) آشنایی داشته باشیم. این فناوری با ترکیب هوش مصنوعی و سیستم‌های فیزیکی مانند ربات‌ها، خودروهای خودران، پهپادها و ماشین‌آلات صنعتی کار می‌کند و به این تجهیزات اجازه می‌دهد تا محیط اطراف خود را حس و درک کنند، درباره آن تصمیم بگیرند و در دنیای واقعی کارهای مختلفی انجام دهند. این فرآیند پیچیده با استفاده از مدل‌های پیشرفته بصری-زبانی-حرکتی یا VLA (Vision-Language-Action) انجام می‌شود.

در اسلاید بالا، اینتل توضیح می‌دهد که چالش اصلی صنعت، ساختن مدل‌های هوش مصنوعی بهتر نیست؛ بلکه پیاده‌سازی و انتقال آنها روی ربات‌های واقعی در مقیاس وسیع است. فرایند توسعه طبق این اسلاید معمولاً شامل ۴ مرحله آموزش مدل، شبیه‌سازی، توسعه و در نهایت پیاده‌سازی می‌شود؛ اما درست در مرحله آخر، یک شکاف بزرگ رخ می‌دهد.

طبق این نمودار، سازندگان تجهیزات رباتیک (OEMs) تا پیش از این ناچار بودند برای پیاده‌سازی هوش مصنوعی روی هر پلتفرم رباتیک، هزاران خط «کد رابط» را از اول بازنویسی کنند تا مواردی مانند درایور دوربین‌ها، زنجیره پردازش کدک‌ها، حلقه‌های استنتاج هوش مصنوعی، کنترل حرکت آنی ربات و اعتبارسنجی ایمنی دستگاه برقرار شود. نبودِ یک استاندارد باز و مشخص باعث می‌شد پیاده‌سازی هر ربات نیاز به یک فرایند کاملاً سفارشی و مجزا داشته باشد؛ چالشی که حالا اینتل می‌گوید با فریم‌ورک خود آن را حل کرده است تا یک مسیر استاندارد و مستقیم از مدل‌های هوش مصنوعی فیزیکی به اجرای آنی در ربات‌ها ایجاد کند.

در نمودار بالا، شرکت اینتل با مقایسه پردازنده Core Ultra x7 358H در برابر پلتفرم‌های رباتیک انویدیا یعنی Jetson AGX Orin و Jetson Thor T5000، مدعی برتری در زمینه هزینه، عملکرد و ارزش خرید برای ربات‌های انسان‌نما شده است. براساس این چارت، راهکار اینتل در بخش «هزینه نسبی سیستم» (Relative System Cost) به‌صرفه‌تر از رقبای خود ظاهر شده، به‌طوری‌که هزینه سیستم AGX Orin حدود ۱.۱ برابر و پلتفرم Thor حدود ۲ برابر بیشتر از آن است.

در بخش توان پردازشی خالص (Dense INT8 TOPs)، پردازنده اینتل با ثبت عدد ۱۸۰ عملکردی بالاتر از AGX Orin با امتیاز ۱۳۸ نشان می‌دهد، هرچند پلتفرم قدرتمند Thor با امتیاز ۵۱۸ و بهره‌گیری از ۲.۹ برابر توان پردازشی بیشتر، در رتبه نخست این بخش قرار دارد. بااین‌حال، در تست عملیِ تأخیر (Pi0.5 Droid Latency) روی مدل‌های VLA متوسط با ۳ دوربین و دقت FP16، پردازنده اینتل کارایی چشمگیری از خود نشان داده است؛ به گونه‌ای که عملکرد آن ۵۰ درصد سریع‌تر از AGX Orin بوده و در عین حال با وجود قیمت بسیار کمتر، تنها ۱۰ درصد ضعیف‌تر از پلتفرم گران‌قیمت Thor عمل می‌کند.

برخلاف هوش مصنوعی معمولی که فقط در دنیای دیجیتال و روی مانیتورها خروجی می‌دهد، هوش مصنوعی فیزیکی مدل‌های هوشمند را مستقیماً به حسگرها و قطعات حرکتی ماشین‌ها وصل می‌کند تا بتوانند خود را با تغییرات محیطی سازگار کنند و به‌صورت کاملاً مستقل به کار خود ادامه دهند.

به همین دلیل استفاده از پردازش محلی برای این سیستم‌ها حیاتی است؛ چرا که ربات‌ها برای حرکت و تصمیم‌گیری ایمن، به پردازشی فوق‌العاده سریع (با تأخیر نزدیک به صفر)، پایداری بالا و تصمیم‌گیری لحظه‌ای نیاز دارند. پردازش داده‌ها به‌صورت محلی و روی خود دستگاه، به‌جای ارسال آنها به سرورهای ابری، تأخیر را از بین می‌برد، پهنای باند اینترنت را حفظ می‌کند، حریم خصوصی را بهبود می‌بخشد و به دستگاه‌های فیزیکی اجازه می‌دهد تا به‌سرعت و با ایمنی کامل در محیط‌های پویا و درحال تغییر دنیای واقعی واکنش نشان دهند.