Robotik şirketleri, ellerimizi ve uzuvlarımızı nasıl hareket ettirdiğimize dair muazzam miktarda veri istiyor ve taktikleri giderek tuhaflaşıyor.
James O’Donnell / Nisan 2026
Geçtiğimiz günlerde, yemeği bir kaseye koymak, mikrodalgada ısıtmak ve sonra çıkarmak gibi işleri yaparken kendimi filme almam karşılığında bana kripto para ödeyecek bir uygulamaya katılmaya davet edildim. Başka bir web sitesi ise, robotun el becerisini geliştirmeye yardımcı olmak için Çin’in Shenzhen şehrinde bulunan bir robot kolunu uzaktan kontrol ederek bulmacaları ve görevleri tamamlayacağım yeni bir oyunu denememi önerdi.
Neler oluyor böyle? Şöyle ki, kelimelerimiz büyük dil modelleri için eğitim verisi haline gelirken, robotik şirketleri de hareket şeklimiz hakkındaki verilerin daha yetenekli insansı robotlar geliştirmelerine yardımcı olacağına inanıyor. İnsansı robotların -basit robot kollarından daha zor eğitilmelerine rağmen- insanların bugün çalıştığı yerlere daha kolay uyum sağlayacağını (ve bir gün tamamen yerlerini alacağını) düşünüyorlar.
İnsansı robotların nasıl eğitileceğine dair bu yeni anlayış, tartışmalı bir şekilde 2022’de ChatGPT’nin piyasaya sürülmesiyle başladı. Büyük dil modelleri, yapay zeka şirketlerinin bulabildiği (veya bazılarına göre çalabildiği) şimdiye kadar yazılmış her kelimeyi içeren devasa miktarda eğitim verisine maruz kalarak metin üretebiliyordu. Robot bilimciler bu ölçeklendirme yasalarını robotik alanına uygulamak istediler, ancak hareket şeklimizi tanımlayan internet boyutunda bir veri koleksiyonuna sahip değillerdi.
Bu verilerin toplanmasının ne kadar zor olacağından çekinen şirketler, robotlara sanal simülasyonlarda hareket etmeyi öğretmek gibi alternatif çözümler kullandılar. Ancak simülasyonlar, sürtünme veya esneklik gibi şeylerin gerçek dünyada nasıl çalıştığını asla mükemmel bir şekilde modelleyemez, bu nedenle bu simülasyonlarda eğitilen robotlar (kelimenin tam anlamıyla) tökezleme eğilimindeydi.
İnsan benzeri robotlar üreten şirketler, ne kadar zahmetli olsa da gerçek dünya verilerini toplamanın büyük bir getiri sağlayabileceğine karar verdiler. İşte işler burada tuhaf bir hal aldı.
İlk çalışmalar oldukça geleneksel ve akademikti. Laboratuvarlar, kameralar veya el tipi tutucular takarak waffle çevirmek veya masalarını temizlemek gibi ev işleri yapan insanlardan saatlerce veri topladı. Veriler açıkça paylaşıldı. Ancak girişim sermayesi parası robotik alanına akmaya başlayınca (yalnızca insansı robotlar için 2025’te 6,1 milyar dolar), bu eğitim verilerini oluşturma yarışı daha rekabetçi ve daha karmaşık hale geldi.
Evlerinde insansı robotları eğiten geçici işçiler
Çin’de, insanların aynı tekrarlayan işi (örneğin masa silmek gibi) günde yüzlerce kez yaparken dış iskelet ve sanal gerçeklik donanımı giydiği eğitim merkezleri bulunuyor . Nijerya, Arjantin ve Hindistan’daki serbest çalışanlar ev işlerini yaparken kendilerini filme alıyorlar . Bu yılın başlarında, ABD’deki bir kargo şirketinin, çalışanlarını kutuları taşırken hareketlerini izleyen sensörlerle donattığını öğrendim ; bunun bir nedeni yaralanmaları incelemek, diğer bir nedeni ise onları değiştirebilecek robotları eğitmekti.
Tüm bunlar, fiziksel işçilerin giderek veri toplayıcılarına dönüştüğü gerçeküstü bir çalışma geleceğine işaret ediyor. Ancak topladığımız hareket verileri üzerinde robotları eğitmek hala karmaşık bir iş. Teknik atılımlar sağlamak bir yana, karlı bir iş kurmak için potansiyel olarak gereken ölçekte bunu yapmanın mümkün olup olmadığı bile belirsiz.
Mikrodalga fırınımı açtığım anın bir videosunun değeri nedir? Bir robota akşam yemeği pişirmeyi öğretmek için bu anlardan kaç bin tane gerekir? Belki de bu yıl bunu öğreneceğiz.