Çin’in insansı robot yarışındaki asıl engel donanım değil, veri

Çin’in insansı robot sektöründeki darboğaz giderek donanımdan çok veri sorununa dönüşüyor. Robotlar yürüyebiliyor, dans edebiliyor veya önceden dikkatle hazırlanmış gösterileri tamamlayabiliyor. Fakat fiziksel dünyada güvenilir bir özerklik için çok daha zor bir kayda ihtiyaçları var: makinelerin çevreyi algıladığı, hareket ettiği, nesnelere temas ettiği, hata yaptığı ve bu hatalardan toparlandığı anları kaydeden; hukuka uygun, çeşitli ve yüksek kaliteli veriler. 514

2026 Dünya Robot Konferansı’nda (WRC) bu değişim açıkça görüldü. Sergilenen etkileyici robot performanslarının yanında katılımcılar, uzaktan işletim ekipmanlarını, giyilebilir hareket yakalama sistemlerini, dokunma ve kuvvet sensörlerini ve robot öğrenme modellerinin ihtiyaç duyduğu eğitim verisini üretmeye yönelik altyapıyı öne çıkardı. 4913

Fiziksel yapay zekânın veri açığı

WRC çevresinde sıkça aktarılan sektör rakamlarına göre Çin’deki uyumlu gerçek dünya fiziksel etkileşim verisi yaklaşık 500 bin saat düzeyinde. Ticari açıdan kullanılabilir genel amaçlı fiziksel yapay zekâ modelleri içinse çoğu tahmin on milyonlarca saat veri gerektiğine işaret ediyor. Bu, yüzde 99’un üzerinde bir açığa karşılık geliyor. Ancak söz konusu oran, tüm görevler için geçerli kesin bir bilimsel eşik olarak görülmemeli. Gerekli veri miktarı; görevin niteliğine, robot platformuna, çalışma ortamına ve güvenlik standardına göre değişebilir. 357

Bu karşılaştırma önemli; çünkü fiziksel etkileşim verisi, internet ölçeğinde toplanan sıradan verilerle aynı şey değil. Bir video, bir insanın fincanı kaldırdığını gösterebilir. Fakat çoğu zaman robotun eklem durumunu, kavrama kuvvetini, temas zamanlamasını, sürtünmeyi, kaymayı veya hareket sırasında yaptığı düzeltmeleri göstermez. Oysa robotun fincan daha ağır olduğunda, yüzey ıslandığında ya da nesne farklı bir noktaya yerleştirildiğinde aynı işi yapıp yapamayacağını bu ayrıntılar belirler.

Gösteri neden özerkliği kanıtlamaz?

Senaryosu önceden yazılmış bir rutin, robotikteki en zor bölümleri gizleyebilir. Nesneler, aydınlatma, izlenecek yol ve zamanlama kontrol altında olabilir. Robot beklenmedik bir durumla karşılaştığında bir insan operatör devreye girebilir. Böyle bir performans dışarıdan özerk görünebilir; ancak robotun sağlam bir algıdan eyleme politikası öğrendiğini kanıtlamaz.

Ticari kullanım daha fazlasını gerektirir. Robotların farklı nesne biçimleriyle, değişen kavrama noktalarıyla, farklı yüzey ve malzemelerle, dağınık ortamlarla ve çevredeki insanlarla başa çıkması gerekir. Ayrıca hatayı fark etmeleri ve hatadan sonra toparlanabilmeleri beklenir.

Temasın yoğun olduğu görevlerde değerli kayıt, yalnızca nihai hedefe ulaşılıp ulaşılmadığından ibaret değildir. Modelin öğrenmesi gerekenler arasında gözlemlerin, eylemlerin, fiziksel durumların ve süreç boyunca yapılan düzeltmelerin sırası da bulunur. Bu nedenle fiziksel yapay zekâ veri setleri, çok modlu gözlemleri eylemler ve bu eylemlerin sonuçlarıyla ilişkilendirecek biçimde tasarlanıyor. 333440

Veri toplamak neden giderek zorlaşıyor?

Robot öğrenmesinin ilk dönemlerindeki veri setleri kısa ve tekrarlanabilir gösterilere odaklanabiliyordu. Yeni aşamada ise robotların uzun soluklu ve sık temas gerektiren görevleri öğrenmesi bekleniyor: nesneleri ayırma, montaj, paketleme, temizlik, bakım ve evlerde, mağazalarda, fabrikalarda ya da hizmet ortamlarında yürütülen başka işler.

Bu dönüşüm veri yükünü üç yönden artırıyor:

• Daha fazla çeşitlilik: Aynı görev farklı nesneler, yerleşimler, malzemeler ve çevre koşulları altında kaydedilmeli.
• Daha fazla hata bilgisi: Kaymalar, çarpışmalar, başarısız kavramalar ve toparlanma girişimleri, başarılı örnekler kadar öğretici olabilir. 33
• Daha fazla eşzamanlı sensör: Kameralar, derinlik sensörleri, robot konumu, eklem hareketleri, kuvvet, dokunma ve diğer sensör akışları senkronize edilmeli. Böylece model, algıladığı şeyle verdiği eylem arasındaki ilişkiyi öğrenebilir.

Bu ölçeğe çıkmak zor; çünkü gerçek robotları çalıştırmak pahalı, fiziksel deneyler güvenlik önlemleri gerektiriyor ve kaliteli veri yalnızca biriktirilmiyor, aynı zamanda seçilip düzenleniyor. Büyük bir video arşivi, kendiliğinden robot eğitimi için yararlı bir veri setine dönüşmez.

Yeni veri tedarik zinciri oluşuyor

Uzmanlaşmış eğitim ve veri sağlayıcıları, insan davranışı ile makinenin kullanabileceği veri arasındaki boşluğu doldurmaya başlıyor. Bu şirketlerin işleri arasında operatörleri bulmak ve eğitmek, robotları uzaktan işletmek, insan hareketini kaydetmek, görevleri sensörlerle donatmak, farklı veri akışlarını eşzamanlamak, düşük kaliteli yörüngeleri ayıklamak ve sonuçları model geliştiricilerinin kullanabileceği biçime getirmek bulunuyor.

Uzaktan işletim özellikle değerli; çünkü yalnızca bir insanın benzer hareketi yapmasını değil, gerçek bir robot üzerindeki eylemi kaydediyor. Sanal gerçeklik (VR) ve diğer genel amaçlı kumandalar robot komutları üretebilir. Giyilebilir sistemler ve hareket yakalama ekipmanları ise bir insanın daha yüksek boyutlu vücut, kol ve el hareketlerini kaydedip bunları makineye aktarabilir. 1

Böylece fiziksel yapay zekâ için yeni bir tedarik katmanı ortaya çıkıyor: Şirketler artık yalnızca robot gövdeleri ve modeller üretmiyor, ikisini birbirine bağlayan gösterileri ve sensör kayıtlarını da üretiyor. WRC’deki katılımcılar, gündelik faaliyetler sırasında baş ve el hareketlerini kaydeden sistemler de dâhil olmak üzere veri toplamayı fiziksel zekâ ekosisteminin bir parçası olarak sundu. 49

Çin neden ülke çapında eğitim sahaları kuruyor?

Eğitim sahaları, robotların eğitilebileceği, test edilebileceği ve karşılaştırılabileceği kontrollü ama gerçekçi ortamlar sağlıyor. Bu alanlar fabrika, depo, ev, ticari işletme ve kamu hizmeti mekânlarını taklit edebiliyor. Böylece geliştiriciler, sorunu tamamen laboratuvar koşullarına indirgemeden tekrarlanabilir senaryolara erişiyor.

Çin Bilgi ve İletişim Teknolojileri Akademisi’nin 2026 tarihli bir raporuna ilişkin haberlere göre, haziran sonu itibarıyla ülke genelinde 70’ten fazla fiziksel yapay zekâ eğitim sahası faaliyetteydi. 46 tesis daha yapım veya planlama aşamasındaydı. Bu sahalar Çin’in eyalet düzeyindeki bölgelerinin yarısından fazlasına yayılmış durumdaydı; sanayi üretimi, bildirilen sahaların yüzde 86’sında yer alarak en yaygın kullanım alanını oluşturdu. 1822

Ancak altyapıyı kurmak yalnızca ilk adım. Bu alanların gerçekten kullanılması ve veri kaynağına dönüşmesi gerekiyor. Amaç, yeni gösteri salonları oluşturmak değil; gerçek dünya testleriyle model eğitiminin aynı döngüde buluşmasını sağlamak. Pratikte hedeflenen döngü şöyle işliyor: Gerçek dünyadaki eğitim veri üretir, veri modeli geliştirir, daha iyi model daha geniş kullanımı mümkün kılar ve kullanım da yeni operasyon verisi oluşturur. 1422

Politika robotları gösteri salonundan çıkarmaya çalışıyor

Çin Sanayi ve Bilgi Teknolojileri Bakanlığı ile Devlet Varlıkları Denetim ve İdare Komisyonu, 2026’da insansı robotlar ve fiziksel yapay zekâ için gerçek dünya eğitimine yönelik özel bir eylem başlattı. Program; üretim, lojistik, sağlık hizmetleri, kamu hizmetleri ve acil durum çalışmaları gibi sanayi, hizmet ve özel görev alanlarına odaklanıyor. 2425

Bir hükümet duyurusunda, 2026 sonuna kadar 10 bin insansı robotun ticari kullanıma sunulması ve 100’den fazla yüksek değerli uygulama senaryosunun oluşturulması hedefleri yer aldı. 26 Politika yaklaşımı, robotların sahaya çıkarılmasını doğrudan eğitim altyapısının bir parçası hâline getiriyor. Yerel yönetimler ve kamu şirketleri, sistemlerin operasyonel koşullarda test edilip doğrulanabileceği ve geliştirilebileceği ortamlar sağlamaya teşvik ediliyor. 24

Bu yaklaşım robotların hedefleri kesinlikle tutturacağını veya kısa sürede genel amaçlı özerkliğe ulaşacağını garanti etmiyor. Ancak politika odağının donanım üretiminin ötesine geçerek ticari güvenilirlik için gerekli veri ve uygulama döngüsüne kaydığını gösteriyor.

Robotlar neden yalnızca video, metin veya sürüş verisiyle öğrenemez?

Video ve dil verisi yine de önemli. Bu kaynaklar modele nesnelerin ne olduğunu, talimatların ne anlama geldiğini ve insan eylemlerinin nasıl göründüğünü öğretebilir. Simülasyon da ölçek sağlayarak fiziksel ortamda oluşturulması pahalı veya tehlikeli senaryoları çalışmaya yardımcı olabilir. Fiziksel yapay zekâ veri standartlarına ilişkin araştırmalar, gerçek dünya verisi, simülasyon ve farklı duyusal kanalların birlikte kullanılmasına yöneliyor. 232

Ancak bu kaynaklar kontrol problemini tamamen tarif etmiyor. Bir robotun bir nesneyi kavraması veya yerine yerleştirmesi için şunları tahmin etmesi gerekebilir:

• nesnenin üç boyutlu konumu ve yönü;
• kendi eklem açıları, hızı ve mekanik tepkisi;
• kavrama, itme, yerleştirme veya kaldırma için gereken kuvvet;
• temas, kayma veya çarpışmanın zamanlaması; ve
• beklenen hareket işe yaramadığında nasıl düzeltme yapılacağı.

Bu nedenle farklı veri toplama yöntemleri birbirinin alternatifi değil, tamamlayıcısıdır:

• VR ile uzaktan işletim, bir insanın robot hareketlerine dönüştürülebilen komutlarını kaydeder. 1
• Giyilebilir hareket yakalama, insanın vücut, kol ve el hareketlerini yakalar; bu hareketler daha sonra robota aktarılabilir. 1
• Kuvvet geri bildirimi ve dokunsal algılama, sıradan görüntülerin kaçırabileceği temas, direnç, basınç ve kaymayı görünür kılar. 733
• Motor torku ve proprioseptif veriler, robotun iç durumunu ve mekanizmasının hareket sırasında nasıl tepki verdiğini gösterir. 3946
• Gerçek robot yörüngeleri, kalibrasyon hatalarını, gecikmeyi, sensör gürültüsünü, mekanik sınırları ve simülasyonun ancak yaklaşık olarak yansıtabildiği çevresel karmaşayı ortaya çıkarır. 3234

Otonom sürüş veri setleri algılama ve navigasyona katkı sağlayabilir; ancak becerikli nesne manipülasyonu farklı bir eylem alanına sahiptir. Sürüş ağırlıklı olarak araç merkezli ve çoğu nesneyle sürekli temastan kaçınan bir problemdir. Kavrama, parçaları yerine oturtma ve montaj gibi görevlerse temas kuvvetlerine, esnekliğe ve hatadan toparlanmaya bağlıdır.

Stratejik sonuç: Yarış artık veri hattını kurma yarışı

WRC 2026’nın gösterdiği temel nokta, Çin’in robot donanımına ilgisini kaybettiği değil. Donanımın tek başına özerklik açığını kapatamayacağı. Rekabet avantajı giderek, büyük miktarlarda çok modlu fiziksel etkileşim verisini toplayabilen, standartlaştırabilen ve hukuka uygun şekilde kullanabilen kuruluşlara geçebilir.

Çin’in insansı robot sektörünün sahne gösterilerinin ve uzaktan kumandayla işletilen makinelerin ötesine geçmesi; gerçek saha uygulamalarını, eğitimli operatörleri, sensörlerle donatılmış ortamları, ortak veri standartlarını ve tekrarlanan testleri aynı hatta buluşturmasına bağlı. Bu hat kuruluyor. Ancak yüz binlerce saatlik mevcut veri ile ticarileşme için sıkça dile getirilen on milyonlarca saat arasındaki fark, sektörün önündeki temel kısıt olmaya devam ediyor. 31314