סין בונה את תשתית הנתונים שתאמן את “המוח” של הרובוטים

ועידת הרובוטים העולמית 2026 בבייג׳ינג סיפקה הצצה לשלב הבא בתעשיית הרובוטים דמויי־האדם בסין: מעבר מהתמקדות בהרכבת גופים מתוחכמים יותר ויותר, לבניית תשתית הנתונים שתאמן את ה״מוח״ שלהם.

לפי דיווחים, לפחות 90 מרכזים לאיסוף ולאימון נתונים לרובוטים דמויי־אדם כבר פועלים בסין או נמצאים בשלבי הקמה. המספר הזה מצביע על שינוי משמעותי בסדרי העדיפויות של ההשקעות. עם זאת, הוועידה גם הדגישה את הפער בין ייצור נתונים בקנה מידה תעשייתי לבין הוכחה שהנתונים הללו אכן יוצרים אינטליגנציה רובוטית שניתנת להעברה בין מכונות, משימות וסביבות עבודה. 13

הנתון האסטרטגי החדש: מידע על העולם הפיזי

רובוטים דמויי־אדם זקוקים ליותר מתמונות או טקסט. כדי ללמד מכונה להתמודד עם העולם הפיזי דרוש מידע על מה שאנשים רואים, על האופן שבו הם נעים, על תגובת חפצים למגע ועל השתלשלות הפעולות לאורך זמן.

לכן נתונים כמו וידאו מנקודת מבט ראשונה, תנוחת גוף, עומק, אותות מישוש ומצב הרובוט עצמו הופכים לקלט חשוב עבור מודלים של “אינטליגנציה מגולמת” — מערכות AI שפועלות באמצעות גוף פיזי ולא רק מייצרות טקסט או תמונות.

Lightwheel AI המחישה את הכיוון הזה באמצעות EgoSuite-Open100K — מאגר מתוכנן של 100,000 שעות פעילות אנושית מנקודת מבט ראשונה. המאגר צפוי לכלול יותר מ־15,000 משימות וסצנות איסוף בעולם האמיתי, ולשלב תיעוד ממצלמות המותקנות על הראש ועל פרק היד עם נתוני תנוחה של הידיים ושל הגוף, תיוג סמנטי ומידע עומק. 10,000 השעות הראשונות זמינות דרך Hugging Face, והפרויקט מכוון גם להפצה ב־AtomGit. 1 12

היתרון ברור: הדגמות אנושיות עשויות לספק כיסוי רחב של תנועות ושל פעולות יומיומיות, בלי להפעיל רובוט פיזי יקר עבור כל דוגמה. אבל פעילות אנושית אינה שקולה אוטומטית לניסיון רובוטי. אדם מפצה באופן טבעי על שיווי משקל, חיכוך ומגע; רובוט צריך לחוש את הכוחות האלה ולשלוט בהם באמצעות הגוף, החיישנים והמפרקים שלו.

שש שיטות איסוף — ופשרה בסיסית אחת

טיאן פנג מהמכון למחקר תעשיות חכמות של SenseTime תיאר שש שיטות איסוף נתונים שפועלות במקביל, ובהן טל־אופרציה, לכידת תנועה, נתונים סינתטיים ואיסוף על קווי ייצור אמיתיים. 13

כל שיטה לוכדת חלק אחר מהבעיה:

• טל־אופרציה יכולה לשמר פעולות ומשוב פיזי הקשורים לרובוט מסוים, אך דורשת חומרה, מפעילים ותשתית מבוקרת.
• לכידת תנועה מתעדת תנועות אנושיות בקנה מידה רחב, אך אינה בהכרח מתעדת את הכוחות והמגבלות שרובוט יפגוש.
• נתונים סינתטיים מאפשרים ליצור תרחישים נדירים ביעילות, אך ההתנהגות המדומה עדיין צריכה לעבור בהצלחה לעולם הפיזי.
• איסוף בקווי ייצור קרוב יותר לשימוש מסחרי, משום שהוא מתעד משימות ספציפיות, תקלות ומגבלות סביבתיות אמיתיות.
• תיעוד אנושי מנקודת מבט ראשונה מציע מגוון רחב ועלויות איסוף נמוכות יותר, אך עלול להחסיר נתונים דינמיים של רובוט — למשל מומנט במפרקים וכוחות מגע.

לפי הדיווח, איסוף תנועה אנושית ללא שימוש בגוף רובוטי עשוי לעלות כחמישית מאיסוף הדגמות באמצעות רובוטים פיזיים. המחיר של החיסכון הוא שהנתונים עלולים לשקף את הדרך שבה מבצעים שכירים מבצעים משימה, ולא בהכרח את הדרך שבה עובדים מנוסים מבצעים אותה. 13

אין בכך סיבה לפסול נתונים אנושיים. יש בכך סיבה לראות בהם שכבה אחת בתוך תערובת אימון רחבה יותר, לצד טל־אופרציה, נתוני מצב של רובוט, סימולציות ומשוב מפריסות בעולם האמיתי.

שרשרת האספקה הופכת לשרשרת לכידת נתונים

המסר הרחב יותר של הוועידה היה שתשתית רובוטית כוללת כעת גם את הציוד שמקליט הדגמות והתנהגות חושית־מוטורית — לא רק מנועים, סוללות ושלדות.

מערכות צילום מנקודת מבט ראשונה ואמצעי צילום ידניים, כפפות חישה, ממשקי מישוש, מצלמות, שבבים, זיכרון ורכיבים אנלוגיים הופכים כולם לחלק מצינור הנתונים. בין היתר הוצגו פתרונות לכידה ללא גוף רובוטי של ORBBEC, כפפות נתונים וידיים רובוטיות בעלות יכולת מישוש של BrainCo, ורכיבי מיקרו־בקרים, זיכרון ורכיבים אנלוגיים של GigaDevice. הטענות לגבי המוצרים דווחו במסגרת הוועידה, אך אינן מהוות כשלעצמן מדד ביצועים בלתי־תלוי. 13

המערך הזה עשוי לאפשר איסוף כמויות גדולות של הדגמות בעלות נמוכה יותר. במקביל, הוא יוצר בעיית תקינה. נתונים שנאספו באמצעות חיישנים, שיטות כיול, מרחבי פעולה, תוכנות תיווך וכללי תיוג שונים לא תמיד יתחברו זה לזה בצורה חלקה.

כך נוצרים מה שמכונה בתעשייה “נתוני איים”: רשומות שימושיות שנלכדות בתוך מערך החומרה והתוכנה שיצר אותן. מאגר פתוח יכול לצמצם את הבעיה, אך פתיחות כשלעצמה אינה מבטיחה שימוש חוזר. לפני שכמות הנתונים תוכל להפוך ליכולת משותפת שמתחזקת עם הזמן, נדרשים סכמות נתונים אחידות, מטא־נתונים של כיול, מוסכמות תזמון, ממשקים ופרוטוקולי הערכה משותפים. 13

האם גם לרובוטיקה יש חוק קנה מידה?

שאלה נוספת שנשארה פתוחה היא אם הדפוס המוכר של מודלים גדולים — יותר נתונים ומודלים גדולים יותר שמובילים למערכות חזקות יותר — תקף גם ברובוטיקה, ולא רק בשפה ובראייה ממוחשבת.

דו״ח GEN-0 של Generalist AI, שפורסם בנובמבר 2025, סיפק תשובה מעודדת אך מוגבלת. בניסויים של החברה, מודלים קטנים יותר התקשו לקלוט נתונים חושיים־מוטוריים מגוונים שהלכו והתרחבו. החברה כינתה את התופעה “התקבעות” — ossification. במודלים גדולים יותר הביצועים המשיכו להשתפר, והדו״ח הצביע על מעבר אפשרי סביב 7 מיליארד פרמטרים. 36

זו ראיה מעניינת, אך עדיין לא “חוק קנה מידה” כלל־רובוטי. התוצאה מגיעה ממודלים, נתונים ושיטת הערכה של חברה אחת. לרובוטיקה יש גם אתגר נוסף שמודלים של טקסט אינם מתמודדים איתו באותו אופן: מדיניות פעולה חייבת לפעול דרך גוף מסוים, בסביבה מסוימת ותחת מגבלות פיזיות אמיתיות.

לכן השאלה המעשית אינה רק אם המודל גדול מספיק. השאלה היא אם נתוני האימון כוללים את האותות הפיזיים הנכונים, ואם המדיניות שנלמדה יכולה לעבור לגופים רובוטיים אחרים ולמשימות אמיתיות.

משלוחי רובוטים אינם הוכחה לביקוש מסחרי

יכולת הייצור של סין מעניקה לה יתרון משמעותי בפריסת רובוטים לצורכי ניסוי ואיסוף נתונים. אך ספירת הרובוטים שנשלחו עלולה להטעות אם רוב המכונות עדיין משמשות להדגמות יכולת, ולא ליצירת ערך כלכלי חוזר.

Interact Analysis דיווחה כי הייצור העולמי של רובוטים דמויי־אדם עבר את רף 20,000 היחידות ב־2025, בעוד שרק כ־10% מהן הוצבו ביישומים בעולם האמיתי; מרביתן שימשו למחקר, לאיסוף נתונים או לבידור. לפי אותו ניתוח, סין הייתה המנוע הן של ההיצע והן של האימוץ המוקדם. 21

ההקשר הזה חשוב להבנת תנופת מרכזי הנתונים. תמיכה ממשלתית, רכישות מרוכזות ותוכניות לרכישה חוזרת של נתונים יכולות להגדיל במהירות את מספר הרובוטים, המתקנים ושעות ההקלטה. הן עשויות לסייע ביצירת מערכת למידה, אך אינן מוכיחות לבדן שלקוחות ישלמו עבור רובוטים שמפחיתים עלויות באופן אמין, מגדילים תפוקה או מבצעים עבודות שקשה לבני אדם לבצע.

צוואר הבקבוק האמיתי הוא החיבור בין החלקים

הוועידה בבייג׳ינג לא הוכיחה שסין כבר פתרה את בעיית האינטליגנציה המגולמת. היא הראתה שהתעשייה מרכיבה חלקים אפשריים של פתרון בקנה מידה חריג:

1. נתונים רחבים מהדגמות אנושיות ומסביבות מגוונות.
2. נתונים המעוגנים בפיזיקה מטל־אופרציה, מחיישני רובוט וממשימות ייצור אמיתיות.
3. תשתית interoperable — חומרה ותוכנה שיכולות לעבוד זו עם זו — כדי לאפשר לנתונים לעבור בין גופים רובוטיים ומערכי תוכנה שונים.
4. מודלים שמתרחבים ומעבירים מיומנויות, במקום רק לשנן הדגמות.
5. משוב מפריסות בשטח, הכולל תקלות, ניסיונות התאוששות והתערבות של מפעילים.
6. הכנסות מסחריות שיממנו את המשך איסוף הנתונים בלי להסתמך לעד על סובסידיות.

האקוסיסטם שמציעה Lightwheel מצביע גם הוא על לולאה כזו: תקני נתונים פתוחים, איסוף שמונחה בידי הערכה ותיאום בין תכנון הנתונים לתכנון המודלים. 1

המסקנה החשובה ביותר צרה יותר מהכותרת “סין בנתה מוח לרובוט”. סין בונה את המפעלים, המכשירים ומאגרי הנתונים שנועדו להפוך מוח כזה לאפשרי. האם התשתית הזו תייצר רובוטים דמויי־אדם שימושיים ורב־תכליתיים? הדבר יהיה תלוי באיכות הנתונים, בנאמנותם לפיזיקה, בתאימות בין סוגי חומרה שונים — ובעדויות לכך שרובוטים יוצרים ערך מתמשך מחוץ להדגמות ולמעבדות מחקר.