مکا ایآی به ارزشگذاری ۵۰۰ میلیون دلاری نزدیک شد
مکا ایآی، استارتاپی که برای آموزش رباتها دادهٔ حرکتی انسان جمعآوری میکند، در آستانهٔ یک دور سرمایهگذاری تازه با ارزشگذاری حدود ۵۰۰ میلیون دلار قرار گرفته است. دو منبع آگاه به تککرانچ گفتهاند سکویا کپیتال رهبری این دور را بر عهده خواهد داشت، هرچند اندازه و شرایط معامله هنوز نهایی نشده است. این خبر فقط دربارهٔ رشد یک استارتاپ نیست؛ نشان میدهد گلوگاه مهم رباتیک نسل جدید ممکن است نه موتور و بازوی مکانیکی، بلکه کمبود دادهٔ باکیفیت از تعامل انسان با دنیای فیزیکی باشد.
ربات انساننما برای راه رفتن، برداشتن اشیا یا کار کردن در آشپزخانه به دستور ساده نیاز ندارد. مدل باید رابطهٔ میان تصویر، صدا، موقعیت بدن، نیرو و نتیجهٔ عمل را یاد بگیرد. یک ویدئو از دست انسان هنگام گرفتن فنجان میتواند به مدل نشان دهد دست چگونه نزدیک میشود، چه زمانی انگشتان بسته میشوند و چطور فشار تنظیم میشود. هرچه این نمونهها متنوعتر باشند، ربات در برابر میزها، ابزارها و شرایطی که پیشتر ندیده است انعطاف بیشتری خواهد داشت.
مکا ایآی برای ثبت چنین دادههایی از حسگرهای بدنی و تلفنهای هوشمند استفاده میکند. افرادی که در برنامهٔ جمعآوری داده شرکت میکنند، کارهای روزمره مانند آماده کردن قهوه یا تعمیر خودرو را انجام میدهند و حرکت آنها ثبت میشود. مزیت این روش، نزدیک بودن داده به رفتار طبیعی است. ربات فقط به مسیر از پیش برنامهریزیشده نیاز ندارد؛ باید بیاموزد انسان در موقعیتهای واقعی چگونه دست خود را تغییر میدهد، مکث میکند، اشتباه را اصلاح میکند و از ابزار استفاده میکند.
این رویکرد در ادبیات فنی «دادهٔ egocentric» نامیده میشود؛ یعنی داده از منظر اولشخص و همراه با حرکت بدن جمعآوری میشود. تفاوت آن با فیلم معمولی این است که حسگرها میتوانند موقعیت دست، جهت نگاه و زمانبندی حرکت را بهتر ثبت کنند. سپس داده با برچسبهایی مانند نوع شیء، هدف کار و نتیجهٔ موفق یا ناموفق مرتب میشود. کیفیت این برچسبها برای آموزش اهمیت دارد. ویدئوی فراوان اما بینظم، الزاماً از مجموعهای کوچک اما دقیق ارزشمندتر نیست.
مکا ایآی در سال ۲۰۲۴ توسط چهار کارآفرین بنیانگذاری شد که پیشینهٔ اصلیشان رباتیک نبود. بنیانگذاران پیشتر در حوزههایی مانند فینتک رستوران و رمزارز کار کرده بودند و پس از بررسی بازار به این نتیجه رسیدند که کمبود دادهٔ دنیای واقعی مانع پیشرفت رباتهای عمومی است. این تصمیم نشاندهندهٔ تغییر نگاه در بازار سرمایه است: برای ساخت ربات بهتر، فقط سختافزار جدید کافی نیست و شرکتهایی که داده را جمعآوری و ساماندهی میکنند نیز ارزش استراتژیک دارند.
سه ماه پیش، مکا ۶۰ میلیون دلار در دوری به رهبری Framework Ventures جذب کرده بود و Menlo Ventures، SV Angel و Kindred Ventures نیز در آن مشارکت داشتند. نزدیک شدن ارزشگذاری به ۵۰۰ میلیون دلار در فاصلهٔ کوتاه، بازتاب علاقهٔ شدید سرمایهگذاران به دادهٔ رباتیک است. با این حال، ارزشگذاری گزارششده هنوز به معاملهٔ قطعی تبدیل نشده و ممکن است شرایط تغییر کند. استارتاپ باید نشان دهد سرمایهٔ تازه به قرارداد، درآمد و مجموعهدادهٔ قابل استفاده منجر میشود.
مدل درآمدی مکا به مشتریان سازمانی وابسته است. آزمایشگاههای هوش مصنوعی و سازندگان ربات برای آموزش مدلهای خود به دادهٔ واقعی نیاز دارند، اما ممکن است توان یا زمان جمعآوری آن را نداشته باشند. مکا میتواند داده را بهصورت مجموعهٔ آماده، اشتراک تحلیلی یا پروژهٔ اختصاصی ارائه کند. قیمتگذاری به تنوع، کیفیت، مجوز استفاده و امکان اتصال داده به مدل مشتری بستگی دارد. هرچه داده اختصاصیتر باشد، ارزش آن بالاتر است؛ اما تهیه و بررسی آن نیز هزینهٔ بیشتری دارد.
رقابت در این حوزه در حال شکلگیری است. شرکتهایی مانند XDOF دادهٔ فیزیکی جمع میکنند و پلتفرمهای دادهٔ انسانی که ابتدا مدلهای زبانی را هدف گرفته بودند نیز به سمت رباتیک حرکت کردهاند. شرکتهای بزرگ رباتیک ممکن است خودشان گروههای جمعآوری داده ایجاد کنند. مزیت مکا زمانی پایدار میماند که فرایند آن سریعتر، دادهاش دقیقتر و دسترسیاش برای مشتری سادهتر باشد. صرفاً داشتن فیلمهای زیاد نمیتواند در برابر مخزن دادهٔ داخلی یک شرکت بزرگ مزیت ایجاد کند.
حریم خصوصی یکی از حساسترین مسائل است. بدن، چهره، خانه و محیط کار افراد ممکن است در فرایند ثبت دیده شود. شرکت باید رضایت آگاهانه بگیرد، کاربرد داده را توضیح دهد و برای حذف یا ناشناسسازی اطلاعات مسیر مشخص داشته باشد. دادهٔ حرکتی حتی بدون نام نیز ممکن است الگوی قابل شناسایی ایجاد کند. مشتریان رباتیک نیز باید بدانند آیا اجازهٔ استفاده فقط برای آموزش داخلی است یا میتوان داده را در محصول تجاری دیگری به کار برد.
ایمنی محیط کار نیز اهمیت دارد. اگر فردی برای ثبت داده با ابزار یا خودرو کار میکند، حسگر و تلفن نباید حرکت او را محدود یا خطر حادثه ایجاد کند. دستورالعمل، آموزش و نظارت باید بخشی از برنامهٔ جمعآوری باشد. دادهای که با فشار یا شرایط غیرطبیعی ثبت شده، رفتار واقعی انسان را بهخوبی نشان نمیدهد. مکا باید میان سرعت تولید مجموعهداده و سلامت افرادی که در آن مشارکت میکنند تعادل ایجاد کند.
از نظر فنی، تبدیل حرکت انسان به رفتار ربات دشوار است. بدن انسان نرم و انعطافپذیر است، اما ربات محدودیت مفصل، تأخیر موتور و ظرفیت حسگر دارد. یک حرکت که برای انسان ساده است ممکن است برای ربات به مسیر دقیق و کنترل نیرو نیاز داشته باشد. مدل آموزشدیده باید تفاوت این دو بدن را بفهمد و از دادهٔ انسانی به دستور قابل اجرا برسد. همکاری نزدیک میان متخصصان یادگیری ماشین، مهندسان کنترل و طراحان ربات برای همین مرحله ضروری است.
دادهٔ بیشتر لزوماً مدل بهتر نمیسازد. توزیع نمونهها باید متنوع باشد: افراد با قد، سرعت، مهارت و روشهای مختلف؛ محیطهای روشن و تاریک؛ ابزارهای نو و فرسوده؛ و کارهای موفق و ناموفق. اگر داده فقط از گروهی محدود یا یک نوع خانه و کارخانه بیاید، ربات هنگام ورود به محیط جدید خطا خواهد کرد. بنابراین ارزش کار مکا در انتخاب، پاکسازی، برچسبگذاری و ارزیابی داده است، نه فقط تعداد ساعت فیلم.
پیشبینی درآمد نیز باید با احتیاط خوانده شود. مکا پیشتر گفته بود ممکن است سال ۲۰۲۶ را با نرخ درآمد سالانهٔ ۱۰۰ میلیون دلار به پایان برساند، اما این هدف به قراردادهای واقعی و سرعت تحویل داده وابسته است. یک قرارداد بزرگ میتواند درآمد را ناگهان بالا ببرد، ولی اتکا به چند مشتری ریسک تمرکز ایجاد میکند. شرکت برای پایداری باید همزمان مشتریان متنوع، محصول استاندارد و خدمات سفارشی داشته باشد.
برای صنعت رباتیک، رشد مکا پیام مهمی دارد. تولیدکنندهای که امروز روی بدنه و موتور سرمایهگذاری میکند، فردا ممکن است بخش بزرگی از بودجه را برای داده و آموزش کنار بگذارد. این بازار میتواند شغلهای تازه در ثبت حرکت، کنترل کیفیت و برچسبگذاری ایجاد کند و در عین حال نیاز به استانداردهای اخلاقی تازه به وجود آورد. اگر شرکتها داده را بدون شفافیت جمع کنند، اعتماد عمومی آسیب میبیند؛ اگر درست عمل کنند، آموزش رباتها سریعتر و قابل سنجشتر میشود.
در نهایت، ارزشگذاری ۵۰۰ میلیون دلاری مکا آزمونی برای یک ایدهٔ بزرگتر است: آیا دادهٔ دنیای واقعی میتواند فاصلهٔ میان ربات آزمایشگاهی و ربات قابل استفاده را کم کند؟ پاسخ به کیفیت نمونهها، مجوزهای روشن، قراردادهای مشتری و توان تبدیل داده به مدل بستگی دارد. سرمایهگذاری تازه فرصت توسعه میدهد، اما موفقیت زمانی ثابت میشود که رباتها با کمک این داده در محیطهای متنوعتر، ایمنتر و قابل اعتمادتر عمل کنند.
منبع: TechCrunch
