Project Fetch؛ آزمون Claude در کنار ربات چهارپا

Anthropic در ۱۸ ژوئن ۲۰۲۶ مرحله دوم Project Fetch را درباره کمک Claude به کار با ربات چهارپا منتشر کرد. پرسش پروژه این نیست که مدل می‌تواند یک ربات را به‌تنهایی کنترل کند یا نه. تیم بررسی می‌کند آیا یک مدل زبانی می‌تواند به کاربری که متخصص رباتیک نیست کمک کند تا وظیفه‌ای را تعریف، اجرا و اصلاح کند؛ آن هم در محیطی که خطای کوچک می‌تواند به حرکت اشتباه یا آسیب سخت‌افزاری منجر شود.

#از زبان طبیعی تا حرکت

کاربر به‌جای نوشتن کنترلر سطح پایین، هدفی مانند پیدا کردن شیء، دنبال کردن مسیر یا تنظیم رفتار را توصیف می‌کند. Claude می‌تواند توضیح را به برنامه یا مرحله‌های اجرایی تبدیل کند، نتیجه حسگرها را بخواند و پیشنهاد بعدی بدهد. ارزش این لایه در کم کردن فاصله میان قصد انسان و API ربات است، نه در حذف مهندس رباتیک.

مرحله دوم Project Fetch روی همکاری با کاربران غیرمتخصص تمرکز دارد. چنین کاربری ممکن است فرق میان وضعیت ایمن، توقف اضطراری و خطای حسگر را نداند. رابط باید این وضعیت‌ها را به زبان روشن نمایش دهد و هر دستور فیزیکی را پیش از اجرا در sandbox یا شبیه‌ساز آزمایش کند. پاسخ مطمئن مدل نباید جای محدوده حرکتی و کنترل سخت‌افزاری را بگیرد.

#ارزیابی یک عامل فیزیکی

ربات محیطی متفاوت از کدبیس دارد. دنیا ممکن است تغییر کند، دوربین بخشی از صحنه را نبیند، باتری کم شود یا شبکه قطع شود. بنابراین benchmark باید فقط موفقیت نهایی را نشمارد؛ زمان واکنش، توقف ایمن، recovery و میزان مداخله انسانی نیز باید ثبت شوند.

در Project Fetch، نتیجه جالب برای تیم محصول همین لایه انسانی است. اگر مدل بتواند توضیح دهد چرا یک مسیر را انتخاب کرده و از کاربر سؤال مناسب بپرسد، استفاده از ربات برای گروه بزرگ‌تری ممکن می‌شود. اگر نتواند uncertainty را نشان دهد، ساده شدن زبان فقط خطر را پنهان می‌کند.

#مرز قابلیت

این پروژه پژوهشی و آزمایشی است، نه اعلام یک ربات مصرفی یا API کنترل عمومی. نمونه آزمایشگاهی را نباید به محیط صنعتی، کودک، حیوان یا دستگاه خودران تعمیم داد. مدل زبانی باید پشت policy ایمنی، محدودیت سرعت، منطقه ممنوع و کلید توقف قرار گیرد.

Project Fetch ارزش خود را در تغییر نقش متخصص نشان می‌دهد. متخصص از نوشتن هر فرمان دستی به طراحی محیط امن، داده آموزش و تست recovery نزدیک می‌شود؛ کاربر غیرمتخصص نیز می‌تواند هدف را بیان کند، اما مسئولیت ایمنی و تصمیم نهایی حذف نمی‌شود.

نکته مهم این است که موفقیت مدل در چند کار مقدماتی، معادل کنترل قابل اعتماد ربات نیست. حرکت دقیق توپ به حلقه بازخوردی نیاز دارد؛ ربات باید اثر فرمان قبلی را ببیند و اصلاح بعدی را با ظرافت انجام دهد. همین فاصله میان «برنامه‌نویسی ابزار» و «کنترل پیوسته جهان» مرز فعلی آزمایش را روشن می‌کند.