داستان Horizon Robotics
در سپتامبر ۲۰۲۶، شرکت Horizon Robotics بار دیگر رکورد جدیدی بر جای گذاشت و تیراژ تولید تراشه‌های رانندگی هوشمند سری Journey از مرز ۱۵ میلیون دستگاه عبور کرد. دستیابی به ۱۵ میلیون دستگاه، نقطه عطف جدیدی در توسعه در مقیاس صنعتی رانندگی هوشمند در چین و آغازی تازه برای عصر فراگیری این فناوری به شمار می‌رود. Horizon Robotics در طول ۱۱ سال، از تولید نخستین تراشه تا دستیابی به جایگاه نخست سهم بازار، مسیری را پیمود که از نوآوری فناورانه تا تولید انبوه صنعتی و از دستاوردهای بومی تا گسترش جهانی امتداد یافته است. نام برخی شرکت‌ها صرفاً یک برند تجاری است، اما نام برخی دیگر بیانگر یک مأموریت است. در ۱۴ ژوئیه ۲۰۱۵، فضاپیمای کاوشگر New Horizons از کنار پلوتون گذر کرد و بشر برای نخستین بار به مرزهای منظومه شمسی چشم دوخت؛ رویدادی که سرآغاز کاوش در کمربند کویپر بود. در همان روز، Yu Kai نام شرکت خود را Horizon Robotics گذاشت و مأموریت آن را «تبدیل شدن به Wintel در عصر روباتیک» تعریف کرد: ساخت پلتفرم محاسباتی برای روبات‌هایی که در آینده همه‌جا حضور خواهند داشت. با این حال، او ده سال پس از آن را صرف توسعه رانندگی هوشمند کرد؛ حوزه‌ای که در نگاه نخست ارتباط چندانی با «روباتیک» نداشت. در طول این یازده سال، عرضه تراشه‌های رانندگی هوشمند Horizon Robotics از ۱۵ میلیون واحد فراتر رفت و این شرکت رتبه نخست سهم بازار و حجم عرضه تراشه‌های بومی رانندگی هوشمند را از آن خود کرد؛ به گونه‌ای که کمتر کسی واژه «روباتیک» را در نام آن به یاد می‌آورد.
اما Horizon Robotics این هدف را فراموش نکرده بود. در یازدهمین سال فعالیت، در حالی که صنعت این مجموعه را صرفاً یک شرکت فعال در زمینه رانندگی هوشمند می‌شناخت، Horizon Robotics تلاش کرد تا این مرزها را درنوردد و به جایگاه اولیه خود که از روز نخست در نامش نهفته بود بازگردد: پلتفرمی افقی برای همه سامانه‌های روباتیک (Horizontal Platform for all Robotics) و ایجاد یک پلتفرم فراگیر در عصر هوش مصنوعی فیزیکی. افق، خطی است در دوردستِ آسمان؛ هرگز نمی‌توان به آن رسید و هر گامی که برمی‌دارید، آن را دورتر می‌برد. این یک تناقض نیست، زیرا افق یک مقصد معین نیست، بلکه مرزی همواره رو به گسترش از شناخت و آگاهی است. این داستانی است که از یازده سال پیش در نام شرکت پیش‌بینی شده بود.
شکیبایی در مسیرهای دشوار
دنیای امروز شتاب را ستایش می‌کند: جذب سرمایه سریع، عرضه سریع محصول و ورود زودهنگام به بورس. تبدیل شدن به یونیکورن در پنج سال و ورود به بازار سرمایه در ده سال، به الگوی استاندارد روایت‌های کارآفرینی بدل شده است. در چنین فضایی، «حرکت باحوصله» نقصی بزرگ تلقی می‌شود.
اما شرکت‌هایی که دوره‌های گوناگون تحول صنعتی را با موفقیت پشت سر گذاشته‌اند، همگی اقداماتی انجام داده‌اند که در ظاهر خلاف جریان زمانه به نظر می‌رسید؛ آن‌ها دوره‌های طولانی سکوت و تمرکز را سپری کردند تا توان جهش بعدی را بیابند.
یک نمونه برجسته که در ایده اولیه شکل‌گیری Horizon Robotics نیز اثرگذار بود، شرکت Intel است.
در دهه ۱۹۸۰، در حالی که کل صنعت نیمه‌رسانا روی تراشه‌های حافظه تمرکز داشت، Intel تصمیمی گرفت که با مخالفت شدید درون‌سازمانی روبه‌رو شد: توقف کامل کسب‌وکار حافظه و تمرکز همه‌جانبه بر CPU. این تصمیمی دشوار بود؛ حافظه مبنای شکل‌گیری Intel به شمار می‌رفت و کنار گذاشتن آن به منزله چشم‌پوشی از گذشته بود. اما Andy Grove به این ارزیابی رسید که حوزه حافظه بازاری فرسایشی و اشباع‌شده است و آینده در پردازش محاسباتی رقم خواهد خورد. در نهایت، Intel در سراسر دهه ۱۹۹۰ ارزش CPU را تثبیت کرد و هژمونی پایداری در عصر رایانه‌های شخصی (PC) به وجود آورد.
عصر هوش مصنوعی دوره گذار دیگری برای این شرکت بود. بازار برای مدتی برچسب «عقب‌ماندن از موج هوش مصنوعی» را به Intel زد؛ به گونه‌ای که این شرکت در سال ۲۰۲۴ با زیان خالص ۱۸.۸ میلیارد دلاری مواجه شد و ارزش سهام آن در طول سال ۶۰ درصد افت کرد. اما با انتقال کانون تمرکز هوش مصنوعی از «آموزش مدل» به «استنتاج»، جایگاه پردازنده‌ها بازتعریف شد. در سه‌ماهه اول ۲۰۲۶، درآمد بخش مراکز داده و هوش مصنوعی Intel حدود ۲۲ درصد رشد کرد و در ماه مه، بهای سهام این شرکت از کف ۱۷.۶۶ دلاری در آوریل ۲۰۲۵ به بیش از ۱۰۰ دلار صعود کرد و ارزش بازار آن مجدداً از ۶۰۰ میلیارد دلار فراتر رفت.
Intel نشان داد که همچنان توانایی عبور از چرخه‌های فناوری را دارد؛ شاید این شرکت همیشه برنده میدان نباشد، اما همواره در مرکز بازی باقی می‌ماند.
تجربه NVIDIA نیز نمونه‌ای شاخص در این زمینه است. در سال ۲۰۰۶، این شرکت که فعالیت خود را با کارت‌های گرافیک بازی آغاز کرده بود، تصمیمی گرفت که در آن برهه برای ناظران بیرونی توجیه‌پذیر نبود: معرفی پلتفرم CUDA برای تجهیز پردازنده‌های گرافیکی به توان پردازش عمومی. این برنامه نیازمند سرمایه‌گذاری هنگفت در حوزه تحقیق و توسعه بود، در حالی که در ابتدا بازده اقتصادی به همراه نداشت. رویکرد Jensen Huang این بود: آینده محاسبات صرفاً در گرافیک خلاصه نمی‌شود و NVIDIA باید زیرساخت محاسبات موازی را پایه‌گذاری کند.
طی نزدیک به یک دهه پس از آن، NVIDIA دوره‌ای سخت را پشت سر گذاشت؛ کاربران اولیه این فناوری محدود به گروه کوچکی از دانشگاهیان بودند و ارزش سهام شرکت نوسان‌های شدیدی داشت و حتی افت‌های بیش از ۵۰ درصدی را تجربه کرد. با این حال، با آغاز موج یادگیری عمیق پس از سال ۲۰۱۲ و سپس انفجار عصر مدل‌های بزرگ زبانی در سال ۲۰۲۲، جایگاه این شرکت تثبیت شد و ارزش بازار آن به بیش از ۳ تریلیون دلار رسید.
مرور این تجربیات نشان می‌دهد که ایستادگی بر یک چشم‌انداز، حتی برخلاف رویه‌های غالب بازار، گاه نقشه راهی برای هدایت تحولات آتی است.
Yu Kai الگوی دیگری را نیز در این روندها مشاهده کرد: هر پارادایم محاسباتی، تراشه‌های اختصاصی خود را پدید می‌آورد و موجب جابه‌جایی قدرت در بازار فناوری می‌شود. Intel پردازنده‌های CPU را برای عصر رایانه‌های شخصی توسعه داد و NVIDIA معماری GPU را در اختیار پردازش‌های هوش مصنوعی گذاشت. در چنین شرایطی این پرسش مطرح می‌شد که پارادایم بعدی چیست و پردازش بلادرنگ جهان فیزیکی به چه نوع تراشه‌ای نیاز دارد؟ این پرسش فراتر از سوار شدن بر روندهای مقطعی، به درک مسیر آینده فناوری مربوط بود؛ موضوعی که در آن دوران توجه چندانی به آن نمی‌شد.
اما Yu Kai به دلیل پیشینه فعالیت خود در موج‌های آغازین یادگیری عمیق، به اهمیت این موضوع پی برد.
او در سال ۲۰۱۰ تیم NEC Lab را در کسب مقام نخست نخستین دوره رقابت‌های ImageNet هدایت کرد؛ دوره‌ای که در آن پیشرفته‌ترین الگوریتم‌های تشخیص تصویر پیش از AlexNet به کار گرفته شد. در سال ۲۰۱۲، تیم Hinton با شبکه عصبی AlexNet به مقام نخست دست یافت که نقطه عطفی در احیای یادگیری عمیق دانسته می‌شود و Yu Kai بلافاصله به نمایندگی از Baidu وارد رقابت برای جذب تیم Hinton شد. او در سال ۲۰۱۳ مؤسسه تحقیقات یادگیری عمیق را در Baidu پایه‌گذاری کرد که از پیشگامان تأسیس مراکز پژوهشی هوش مصنوعی پیشرفته در میان شرکت‌های چینی محسوب می‌شود و نخستین نسل از متخصصان صنعت هوش مصنوعی چین را تربیت کرد.
او متوجه این نکته شد که جهش در الگوریتم‌ها نیازمند توان پردازشی متناسب است، در حالی که معماری‌های پردازشی آن زمان برای یادگیری عمیق بهینه‌سازی نشده بودند. GPU به شکلی تصادفی برای این منظور به کار گرفته شده بود و ساختار CPU تفاوت‌های بنیادینی با الزامات این حوزه داشت. بر همین اساس، Horizon Robotics تصمیم به توسعه مستقل تراشه‌های اختصاصی گرفت.
در زمان تأسیس Horizon Robotics، نخستین موج سرمایه‌گذاری روی هوش مصنوعی جریان داشت و شرکت‌های موسوم به «چهار اژدهای کوچک هوش مصنوعی» روی کاربردهای تشخیص بینایی متمرکز بودند؛ رویکردی که فرمول رایج بازار به شمار می‌رفت.
در حالی که صنعت فناوری با سرعت به سمت سامانه‌های ابری و نرم‌افزاری پیش می‌رفت، Horizon Robotics که ریشه در مهندسی نرم‌افزار داشت، مسیر حرکت به سوی سخت‌افزارهای پردازش لبه را در پیش گرفت.
یک نرم‌افزار هوش مصنوعی می‌تواند ظرف سه ماه به مرحله نمونه اولیه برسد، اما توسعه تراشه‌های دارای استاندارد خودرو ۳ تا ۵ سال زمان می‌برد؛ تعیین جایگاه در بازار، تدوین فرایندها، تحقیق و توسعه، تجاری‌سازی و رسیدن به تیراژ تولید، همگی مستلزم گذر زمان هستند. برآورد Yu Kai این بود که مدل‌های کسب‌وکار زودبازده فاقد مزیت رقابتی پایدارند و سرمایه‌گذاری باید در فرایندهای صنعتی بلندمدت انجام گیرد.
او در سخنرانی‌های بعدی خود همواره بر پایبندی به راهبردهای بلندمدت و استخراج مسیرهای روشن از میان فضای نااطمینان بازار تأکید کرد. بدین ترتیب، هنگامی که جریان کلی صنعت در یک جهت حرکت می‌کرد، Horizon Robotics مسیر متفاوتی را برگزید: به جای ورود به حوزه فراگیر صوت و تصویر، بر توسعه معماری اختصاصی متمرکز شد و به جای پردازش تمام‌ابری، زیرساخت محاسبات لبه را هدف قرار داد.
Horizon Robotics در میانه گسترش فضای دیجیتال، به سوی حوزه نوظهور پردازش هوشمند در جهان فیزیکی متمایل شد؛ مسیری که هرچند در آن زمان تثبیت نشده بود، اما ظرفیت‌های تحول در آینده را با خود داشت.
این رویکرد پایه‌های دهه نخست فعالیت Horizon Robotics را استوار ساخت؛ این شرکت دوره‌ای از پژوهش و توسعه متمرکز را سپری کرد تا در نقطه عطف صنعتی آمادگی لازم را داشته باشد.
نخستین نقطه فرود در مسیر هوش مصنوعی فیزیکی
در سال ۲۰۱۵، هرچند هدف نهایی Horizon Robotics ساخت زیرساخت روباتیک بود، اما بخش خودرو را انتخاب کرد؛ مسیری که در نگاه نخست غیرمستقیم به نظر می‌رسید.
دیدگاه Yu Kai این بود که تثبیت جایگاه در عصر روباتیک منوط به حل مسائل رانندگی خودکار است و سامانه‌های خودران مبنای شکل‌گیری مدل‌های پایه هوش مصنوعی در جهان فیزیکی به شمار می‌روند.
از منظر تکامل فناوری، مؤلفه‌های درک محیط، تعامل انسان و ماشین، و کنترل تصمیم‌گیری میان خودروهای خودران و سایر روبات‌ها مشترک است. با این تفاوت که در حوزه خودرو الزامات پیچیده‌تری نظیر درک بلادرنگ محیط، تصمیم‌گیری در کسری از ثانیه، ایمنی قطعی و استقرار در مقیاس وسیع وجود دارد. از این رو، پردازنده‌های رانندگی خودکار قله دشوار صنعت هوش مصنوعی به حساب می‌آیند.
با بررسی شرایط زمانی سال‌های ۲۰۱۵ تا ۲۰۲۰، این تصمیم روشن‌تر ارزیابی می‌شود. در آن مقطع، سیاست‌های حمایتی آغاز شده بود، بستر فنی خودروهای برقی شکل گرفت و تقاضای مصرف‌کنندگان برای قابلیت‌های هوشمند به تدریج افزایش یافت. گذار صنعت خودرو چین به سوی هوشمندسازی در روندی پرفرازونشیب تثبیت شد و راهبرد Horizon Robotics با این تحول صنعتی هم‌راستا شد.
در ابتدای راه، تمرکز Horizon Robotics صرفاً بر حوزه خودرو نبود، بلکه خط تولیدی نیز در بخش عمومی AIoT شامل روبات‌های اسباب‌بازی، خانه هوشمند و خرده‌فروشی هوشمند داشت؛ حوزه‌هایی که دوره‌های درآمدزایی کوتاه‌تری نسبت به بخش خودرو داشتند.
نقطه چرخش راهبردی در اواخر سال ۲۰۱۹ رقم خورد. در آن زمان، درآمد سالانه بخش AIoT به نزدیک ۲۰۰ میلیون یوآن رسیده بود. با این حال، کاربردهای AIoT بسیار پراکنده بود و هر بخش عمودی نیازمند تخصیص نیرو و منابع جداگانه بود که راندمان کلی را کاهش می‌داد. از سوی دیگر، بخش‌های تأییدشده بازار وارد رقابتی شدید و کم‌بازده شده بودند و پراکندگی منابع، شکل‌گیری یک پلتفرم منسجم را با مشکل روبه‌رو می‌کرد.
Yu Kai تجربه رشد پلتفرم‌های مایکروسافت و اندروید را بررسی کرد. پلتفرم Microsoft از ابتدا یکپارچه نبود، بلکه ابتدا بر نرم‌افزار اداری Office تمرکز کرد و همین امر زمینه فراگیری Windows را فراهم ساخت؛ سامانه Android نیز نخست بازار تلفن‌های هوشمند را پوشش داد و سپس به سایر ابزارهای متصل گسترش یافت. او به این جمع‌بندی رسید که برای شکل‌گیری یک پلتفرم فراگیر، ابتدا باید در یک حوزه عمودی پیشران ورود کرد تا منابع لازم متمرکز شود و بلوغ فنی حاصل گردد. برای Horizon Robotics، این حوزه رانندگی هوشمند بود.
در آن مقطع، صنعت نوپای خودروهای هوشمند هنوز مراحل اولیه خود را می‌گذراند و شرکت‌هایی چون NIO، XPeng و Li Auto برای جذب سرمایه تلاش می‌کردند. در چنین شرایطی، تصمیم‌گیری برای تعدیل بخش‌های درآمدزا با بحث‌های مفصل درون‌سازمانی همراه شد. سرانجام در نوامبر ۲۰۱۹ تصمیمی قاطع اتخاذ شد: توقف فعالیت در بخش‌های درآمدزای AIoT و تمرکز همه‌جانبه بر رانندگی هوشمند.
پس از این بازآرایی، Horizon Robotics منابع خود را به ساختار زیربنایی، یعنی معماری محاسباتی BPU اختصاص داد.
نخستین نسخه BPU با نام Gauss همزمان با تراشه Journey 1 در سال ۲۰۱۷ معرفی شد که توانایی تفکیک عابران پیاده، خودروها، خطوط جاده و چراغ‌های راهنمایی را داشت. هرچند Journey 1 فاقد استانداردهای صنعتی خودرو بود و به تولید انبوه نرسید، اما به عنوان سنگ‌بنایی برای راستی‌آزمایی این رویکرد عمل کرد که تراشه‌های با معماری اختصاصی عملکرد بهینه‌تری نسبت به تراشه‌های عمومی دارند. این محصول به عنوان نخستین تراشه پردازش شبکه عصبی عمیق در چین شناخته شد و در عمل نشان داد که با پردازش لبه، نرخ خطای مدل‌ها به طور چشمگیری تا بیش از ۵۰ درصد کاهش می‌یابد.
تکامل BPU با نسخه بعدی تحت عنوان Bernoulli ادامه یافت. در سال ۲۰۱۹، تراشه Journey 2 با توان محاسباتی ۴ TOPS و مصرف توان ۲ وات معرفی شد. این ارقام هرچند با معیارهای امروزی محدود به نظر می‌رسند، اما نشان‌دهنده ورود نخستین تراشه هوشمند بومی دارای استانداردهای خودرو به بازار چین بودند. یک سال بعد، تراشه Journey 3 توان محاسباتی را به ۵ TOPS افزایش داد.
با این حال، فرایند صنعتی‌سازی چالش‌های سنگینی به همراه داشت؛ طراحی و تولید آزمایشی پردازنده ۱۸ تا ۲۴ ماه، دریافت گواهی‌های استاندارد خودرو ۱۲ تا ۱۸ ماه، و پیاده‌سازی و آزمون روی مدل‌های خودرو ۲۴ تا ۳۶ ماه زمان می‌برد. Yu Kai در این زمینه اشاره کرده بود که طراحی تراشه به منزله تولد محصول است، اما ورود به خط تولید انبوه، مرحله بلوغ نهایی آن محسوب می‌شود.
نسل سوم BPU به نام Bayes توسعه یافت؛ معماری نوینی که علاوه بر اجرای قواعد مشخص، بر یادگیری مستقیم از داده‌ها استوار بود.
Horizon Robotics در ابتدا قصد استفاده مجدد از دارایی‌های فکری دو نسل پیشین را داشت، اما برای رعایت کامل الزامات ایمنی کارکردی، بازطراحی کامل بخش‌های CPU، گذرگاه داده و بلوک‌های اختصاصی را در دستور کار قرار داد. در ژوئیه ۲۰۲۱، تراشه جدید با جهش توان محاسباتی به ۱۲۸ TOPS رونمایی شد؛ تحولی که امکان استقرار سریع سیستم‌های هدایت خودکار در بزرگراه‌ها (NOA) را فراهم کرد. با توجه به این فاصله فناورانه، این محصول مستقیماً Journey 5 نام‌گذاری شد.
سپس معماری Bayes به ساختار Nash ارتقا یافت؛ معماری نوینی که توان درک تعاملات محیطی و تصمیم‌گیری پویا در شرایط ترافیکی پیچیده را دارا بود. بر این مبنا، سری تراشه‌های Journey 6 در آوریل ۲۰۲۴ با شش مدل متفاوت و در بازه توان محاسباتی ۱۰ تا ۵۶۰ TOPS معرفی شدند. مدل Journey 6M با وجود داشتن توان ۱۲۸ TOPS مشابه نسل قبل، به دلیل پشتیبانی ذاتی از ساختار Transformer قادر به انجام پردازش‌هایی بود که پیش‌تر به توان ۵۰۰ TOPS نیاز داشت.
این محصول در دوره‌ای عرضه شد که شرکت‌های خودروسازی چین رقابت گسترده‌ای را برای فراگیری سیستم‌های رانندگی هوشمند آغاز کرده بودند و مدل Journey 6 توانست قابلیت‌های ناوبری خودکار شهری را به طیف وسیع‌تری از خودروها انتقال دهد.
تا سپتامبر ۲۰۲۶، مجموع عرضه تراشه‌های سری Journey از ۱۵ میلیون دستگاه گذشت و Horizon Robotics رتبه نخست سهم بازار تراشه‌های رانندگی هوشمند در چین را به دست آورد؛ سامانه‌ای که به بیش از ۸ میلیون راننده و ۵۰۰ مدل خودرو خدمت‌رسانی کرده و با ده خودروساز برتر چین همکاری دارد.
معماری Nash نه تنها پردازش‌های رانندگی هوشمند Journey 6 را پشتیبانی کرد، بلکه مسیر ادغام سامانه‌های هدایت خودرو و کابین هوشمند را نیز هموار ساخت.
صنعت خودرو در حال گذار به سوی یکپارچه‌سازی سامانه‌های پردازشی است. پیش از این، دو بخش پردازشی مجزا در خودرو فعالیت می‌کردند: یکی مسئول تعاملات صوتی کابین و دیگری ناظر بر برنامه‌ریزی و کنترل حرکت خودرو بود که انتقال مداوم داده‌ها میان این دو بخش را ایجاب می‌کرد. با این حال، معماری آینده خودروها به سوی پردازش مرکزی متمرکز می‌شود تا با رفع گلوگاه‌های تبادل اطلاعات و کاهش تأخیر زمانی، زیرساخت خودروهای مبتنی بر هوش مصنوعی کامل گردد؛ روندی از ادغام که پیش‌تر در صنایع رایانه و اینترنت نیز تجربه شده بود.
برای پاسخ به این نیاز، تراشه یکپارچه کابین و رانندگی Xingkong با توان محاسباتی ۶۵۰ TOPS توسعه یافت.
Horizon Robotics مسیر توسعه را با معماری Riemann در اواخر سال ۲۰۲۵ ادامه داد. این معماری پیشرفته که در تراشه Journey 7 پیاده‌سازی شده، کارایی محاسباتی BPU را در طول ده سال بیش از ۱۰۰۰ برابر ارتقا داده است. در برنامه‌ریزی این شرکت، این ساختار به عنوان معماری نهایی برای محاسبات روباتیک عمومی تعریف شده است.
این روند نشان‌دهنده عبور از فضاهای پردازش خطی به سمت محاسبات پیچیده روباتیک چندمنظوره است. سیر تکامل از Bernoulli تا Riemann، و از تصمیم‌گیری مستقل تا تعامل پویا، روند ارتقای سامانه‌های کمکی راننده به ناوبری خودکار در تمام سناریوها را بازتاب می‌دهد؛ تحولی که فراتر از ارتقای سخت‌افزاری، نشان‌دهنده تعمیق درک سامانه از جهان فیزیکی است.
با این همه، سخت‌افزار تنها پایه اولیه این سازه بود و تکمیل آن نیازمند پایه‌ای دیگر در بخش نرم‌افزار بود.
توسعه سخت‌افزار در پیوند با نرم‌افزار
Alan Kay، دانشمند برجسته علوم رایانه، در بیانی معروف اشاره کرده بود: «کسانی که نرم‌افزار را جدی می‌گیرند، باید سخت‌افزار اختصاصی خود را بسازند.» عکس این گزاره نیز صادق است؛ شرکت‌هایی که سخت‌افزار را به عنوان مزیتی پایدار دنبال می‌کنند، ناگزیر باید تسلط کاملی بر نرم‌افزار داشته باشند.
این ضرورت در حوزه هوش مصنوعی دوچندان است. بر همین اساس، Yu Kai شرکت Horizon Robotics را «مجموعه‌ای نرم‌افزاری در قالب یک تولیدکننده تراشه» توصیف کرده است.
پیوند میان نرم‌افزار و سخت‌افزار در Horizon Robotics روندی تصادفی نبود. بنیان‌گذاران این شرکت از پژوهشگران شناخته‌شده الگوریتم‌های هوش مصنوعی بودند که سابقه انتقال این الگوریتم‌ها از آزمایشگاه به صنعت را در کارنامه داشتند. افزون بر این، چرخه طراحی و عرضه تراشه‌ها حدود سه تا پنج سال زمان می‌برد؛ بنابراین ترسیم معماری پردازنده باید بر پایه پیش‌بینی دقیق از وضعیت الگوریتم‌ها در سال‌های آینده صورت گیرد، در غیر این صورت طراحی سخت‌افزار فاقد کارایی لازم خواهد بود.
به بیانی دیگر، سخت‌افزار سقف توانایی سامانه را تعیین می‌کند و الگوریتم‌های نرم‌افزاری مشخص می‌سازند که تا چه حد می‌توان به این سقف دست یافت. همگرایی این دو مؤلفه، ظرفیت واقعی هر دو بخش را فعال می‌سازد.
بررسی محصولات Horizon Robotics نشان می‌دهد که در کنار هر نسل از تراشه‌ها، یک راهکار الگوریتمی مرجع نیز ارائه شده است: تراشه Journey 2 با الگوریتم مونوکولار Mono تطبیق داده شد؛ Journey 3 با سامانه Horizon Pilot برای ناوبری در بزرگراه همراه شد؛ و Journey 5 با ساختار ادراکی BEV+Transformer عرضه گردید.
در تراشه Journey 6، الگوریتم مرجع توسعه‌یافته سامانه ناوبری HSD (Horizon SuperDrive) بود که در سال ۲۰۲۵ معرفی شد؛ سامانه‌ای که نخستین راهکار بومی سرتاسری (End-to-End) تک‌مرحله‌ای چین برای تولید انبوه به شمار می‌رود.
در سامانه‌های تک‌مرحله‌ای، تفکیک سنتی میان مراحل درک محیط و تصمیم‌گیری حذف شده و یک مدل بزرگ یکپارچه سراسر فرایند را هدایت می‌کند. این الگو نخستین بار در سطح تجاری با عرضه FSD V12 شرکت Tesla در آمریکای شمالی در مارس ۲۰۲۴ مطرح شد.
اما پژوهش‌های Horizon Robotics در حوزه سامانه‌های سرتاسری زودتر آغاز شده بود. در اواخر سال ۲۰۲۲، این شرکت مدل بزرگ UniAD را برای رانندگی خودکار معرفی کرد که مقاله مرتبط با آن جایزه برترین مقاله کنفرانس CVPR 2023 را کسب کرد و به معیاری مرجع در صنعت بدل شد. پروژه SuperDrive با مشارکت بیش از هزار مهندس در همان مقطع آغاز گردید. در سال ۲۰۲۴ و همزمان با معرفی تراشه Journey 6، این سامانه پیاده‌سازی شد و در سال ۲۰۲۵، سفارش‌های قطعی برای مدل‌های شرکت‌های Chery و Changan Deepal را دریافت کرد؛ تا اینکه در نوامبر همان سال به مرحله تولید انبوه رسید. تلفیق این تراشه جدید و پشته نرم‌افزاری طی مدت حدود یک سال انجام شد.
پیش از آن، شرکت Huawei رویکرد مبتنی بر کنترل و برنامه‌ریزی مبتنی بر قواعد را در بازار چین هدایت می‌کرد؛ راهکار HSD مسیر دیگری را پیش روی این صنعت نهاد و گذار از سامانه‌های دومرحله‌ای به ساختارهای یکپارچه سرتاسری را در صنعت رانندگی خودکار چین تسریع کرد.
آمارها نشان می‌دهد در خودروهایی که سیستم HSD به عنوان گزینه اختیاری سطح بالا ارائه شد، ۷۷ درصد خریداران مدل مجهز به HSD را انتخاب کردند و سهم پیمایش مبتنی بر رانندگی هوشمند در این خودروها به مرز ۵۰ درصد نزدیک شد که نشان‌دهنده افزایش تمایل رانندگان به واگذاری هدایت خودرو به سامانه‌های خودکار است.
با این وجود، محدود ماندن به حوزه رانندگی، امکان درک کامل تعاملات جهان فیزیکی را فراهم نمی‌کند.
از این رو، Horizon Robotics سامانه عامل تعاملی خودرو موسوم به KakaXia را معرفی کرد. این سامانه کابین خودرو را از حالت پاسخ‌دهی غیرفعال، به بستری با تعامل پویا و بهره‌مند از حافظه رفتاری تبدیل کرد تا مواردی نظیر پیش‌بینی نیازهای کاربر و پیشنهاد برنامه‌های سفر میسر گردد.
تلفیق HSD و سامانه KakaXia ظرفیت‌های نرم‌افزاری Horizon Robotics را توسعه داد؛ اولی هوشمندی سرتاسری را در حوزه رانندگی ایجاد کرد و دومی کارکرد تعاملی کابین را ارتقا داد. این دو بستر نرم‌افزاری در هماهنگی با تراشه چندمنظوره Xingkong، زنجیره‌ای یکپارچه را تشکیل دادند.
با این گام‌ها، Horizon Robotics دامنه فعالیت خود را به سمت سامانه‌های هوشمند جامع خودرویی توسعه داد و زنجیره کاملی از تراشه تا نرم‌افزار، و از رانندگی تا کابین هوشمند را پوشش داد. این ادغام، پیش‌نیازی فنی برای ورود به عصر هوش مصنوعی فیزیکی تلقی می‌شود.
با تکمیل این لایه‌های فناوری، ساختار پلتفرمی Horizon Robotics نمایان‌تر شد و شرکت به هدف اولیه خود در ایجاد بستر توسعه مشترک نزدیک گردید.
دیدگاه محوری Horizon Robotics بر پایه «توسعه رویکردهای باز» شکل گرفته است. از یک سو، پلتفرم توسعه هوش مصنوعی TianGong KaiWu زنجیره ابزاری کاملی را از آموزش مدل، پیاده‌سازی و شبیه‌سازی تا به‌روزرسانی‌های نرم‌افزاری از راه دور فراهم می‌کند؛ از سوی دیگر، حقوق مالکیت فکری معماری هسته BPU به اشتراک گذاشته شده تا شرکای تجاری بتوانند تراشه‌های اختصاصی خود را بر مبنای این فناوری طراحی کنند.
Yu Kai این رویکرد را ایجاد ارزش مشترک نامید و تأکید کرد که ایجاد بستر زیست‌بوم، حرکتی جمعی برای گسترش ظرفیت‌های کل بازار است و نباید به رقابت بر سر سهم‌های موجود تقلیل یابد.
تا سپتامبر ۲۰۲۶، Horizon Robotics با همکاری شرکای تجاری موفق شد برنامه پیاده‌سازی محصولات خود را در نزدیک به ۵۰۰ مدل خودرو از بیش از ۴۰ خودروساز و برند تثبیت کند و تیراژ کلی سری Journey را از ۱۵ میلیون دستگاه فراتر ببرد. آمارهای میانه سال ۲۰۲۶ نشان می‌دهد که این شرکت با سهم ۳۱.۹ درصدی، در جایگاه نخست بازار راهکارهای محاسباتی رانندگی هوشمند در میان برندهای ملی چین قرار دارد؛ به گونه‌ای که از هر سه خودروی سواری برندهای چینیِ مجهز به این سامانه‌ها، یک خودرو از تراشه‌های Horizon Robotics بهره می‌برد.
رویکرد هم‌افزایی نرم‌افزار و سخت‌افزار در قالب یک پلتفرم باز، صرفاً به حوزه خودرو محدود نمی‌ماند؛
افق‌های گسترده‌تری در جهان فیزیکی در حال شکل‌گیری است.
بازگشت به نقطه آغاز؛ ورود به پهنه هوش مصنوعی فیزیکی
تجربیات یک دهه اخیر در حوزه خودرو — از جمله توان فنی در هماهنگ‌سازی سخت‌افزار و نرم‌افزار، شبکه باز همکاری‌های تجاری، و سابقه تأمین در مقیاس صنعتی — زمینه‌ساز توسعه فعالیت‌های بعدی شده است. Horizon Robotics ضمن حفظ جایگاه خود در بخش خودرو، گام‌هایی را برای ورود به سایر کاربردهای فیزیکی برداشته است؛ روندی که از آن تحت عنوان «سرریز قابلیت‌های حوزه خودرو به صنایع دیگر» یاد می‌شود.
در شرایطی که مفاهیم مرتبط با «هوش مصنوعی فیزیکی» توجه زیادی را به خود جلب کرده است، شرکت‌های اندکی واجد تمام پیش‌نیازهای عملیاتی آن هستند؛ موضوعی که مزیت اصلی Horizon Robotics در این گذار به شمار می‌رود.
در مقیاس کلان، هوش مصنوعی در پی یافتن کالبدی ملموس برای تعامل با دنیای واقعی است.
از پردازش متن با ChatGPT در سال ۲۰۲۳، تولید ویدیو با Sora در سال ۲۰۲۴ و ایفای نقش کارگزاران هوشمند (Agents) در سال ۲۰۲۵، فناوری به نقطه‌ای رسیده است که توان پردازش لبه، پاسخگوی استنتاج‌های پیچیده بوده و مدل‌ها درک بهتری از محیط پیرامون به دست آورده‌اند. با این حال، هوش مصنوعی عمدتاً در قلمرو داده‌های دیجیتال باقی مانده بود؛ در حالی که بخش عمده فعالیت‌های انسانی نظیر جابه‌جایی، تولید، بازرگانی و سکونت در دنیای مادی جریان دارد.
Yu Kai منطق محصولات عصر اینترنت را درک نیازهای روزمره، و رسالت هوش مصنوعی را نزدیک شدن به واقعیت‌های عینی جهان می‌داند. از نگاه او، مقصد نهایی تلفیق هوش مصنوعی دنیای فیزیکی با سامانه‌های دیجیتال در قالب هوش جامع مصنوعی (AGI) است؛ دلیلی که رویکرد این شرکت به سوی پردازش لبه را از ابتدا جهت داده بود.
از این رو، پس از یک دهه تثبیت جایگاه در بخش خودروهای هوشمند، حرکت به سمت ساخت پلتفرم مرجع در عصر هوش مصنوعی فیزیکی، تداوم برنامه‌ای بود که از یازده سال پیش پایه‌ریزی شده بود.
سال ۲۰۲۶ عموماً به عنوان سرآغاز تجاری‌سازی سامانه‌های هوشمند تجسم‌یافته (Embodied AI) شناخته می‌شود، اما زیرساخت‌های بنیادین این حوزه همچنان در سطح سامانه‌های محاسباتی، مدل‌های پایه و لایه‌های سیستم‌عامل با چالش‌هایی مشابه مراحل آغازین رانندگی هوشمند مواجهند.
در همایش زیست‌بوم فناوری Horizon Robotics در دسامبر ۲۰۲۵، دو مدل پایه متن‌باز در حوزه هوش مصنوعی تجسم‌یافته معرفی شد: سامانه HoloMotion به عنوان بخش کنترل حرکتی عمل کرده و روبات را قادر می‌سازد در عوارض گوناگون محیطی واکنش‌های مناسب نشان دهد. این سامانه بر روی پلتفرم محاسباتی شرکت پردازش می‌شود، از ساختارهای Transformer و سامانه‌های مبتنی بر چندمتخصص (MoE) پشتیبانی می‌کند و با سرعت پاسخ‌دهی ۳۰۰ فریم بر ثانیه، توان پردازش محیطی بالایی را ارائه می‌دهد.
سامانه HoloBrain نیز کارکرد بخش درک و عملیات را بر عهده دارد و درک فضایی و مهارت‌های حرکتی ظریف را در اختیار روبات می‌گذارد تا دستورات عمومی را دریافت کرده و مراحل اجرایی آن را طرح‌ریزی نماید.
علاوه بر عرضه متن‌باز مدل‌ها، فریم‌ورک‌های آموزشی و ابزارهای توسعه نیز در اختیار جامعه فناوری قرار گرفت.
این شیوه یادآور راهبردهای پیشین است: ایجاد زیرساخت‌های پایه‌ای و در دسترس قرار دادن آن برای صنعت، تا شرکت‌های همکار بتوانند توان خود را بر کاربردهای تخصصی متمرکز کنند. این رویکرد به نوعی بازتولید تجربیات رانندگی هوشمند در حوزه روباتیک محسوب می‌شود.
همان‌طور که جایگاه NVIDIA صرفاً وابسته به توان خام کارت‌های گرافیکی نبود و توسعه بسترهایی چون CUDA کارایی آن را به حداکثر رساند، Horizon Robotics نیز تقویت زیست‌بوم توسعه‌دهندگان را عاملی محوری برای حفظ جایگاه رقابتی می‌داند.
این شرکت در سال ۲۰۲۳ بخش روباتیک خود را تفکیک کرده و مجموعه مستقلی به نام Diga Robotics تأسیس نمود. تا پایان سال ۲۰۲۵، Diga Robotics با بیش از ۱۰۰ همکار صنعتی و بیش از ۱۰۰ هزار توسعه‌دهنده ارتباط برقرار کرد و میزان عرضه تراشه‌های سری Sunrise آن از ۵ میلیون واحد فراتر رفت و صدها محصول هوشمند را پوشش داد تا به پلتفرم محاسباتی عمده‌ای در بخش روبات‌های مصرفی چین بدل شود.
علاوه بر این، شرکت از طریق سرمایه‌گذاری روی استارتاپ‌ها شبکه خود را تقویت کرده است.
Yu Kai در شماری از طرح‌های کارآفرینی کارکنان سابق سرمایه‌گذاری کرد؛ از جمله سرمایه‌گذاری در Weita Power که توسط Yu Yinan پایه‌گذاری شد، سرمایه‌گذاری اولیه در Wujie Power به مدیریت Zhang Yufeng، پشتیبانی مالی از Jijia Technology با مدیریت Huang Guan و مشارکت در طرح Octopus Power به سرپرستی Du Dalong. این شبکه، بخش‌های پلتفرم محاسباتی، مدل‌های پایه، زیرساخت‌ها و محصولات نهایی را به هم پیوند داده است.
بخش قابل توجهی از مدیران اولیه Horizon Robotics از نیروهای پیشین Baidu بودند و اکنون این شرکت خود به بستری برای تربیت متخصصان حوزه هوش تجسم‌یافته تبدیل شده است.
روندی که این مجموعه از یک دهه قبل پیش‌بینی کرده بود، اکنون در حال تحقق است.
شرکت Horizon Robotics پس از یک دهه تمرکز بر رانندگی هوشمند، اکنون به مأموریت تعریف‌شده در نام خود نزدیک‌تر شده است: فراهم کردن قابلیت‌های درک محیط، تعامل و تصمیم‌گیری برای ماشین‌آلات و ادوات گوناگون در جهان مادی.
در دوران رایانه‌های شخصی، کنترل سخت‌افزار و سامانه‌های عامل در اختیار Intel و Microsoft بود؛ در عصر تلفن‌های هوشمند، Qualcomm و Apple حوزه تراشه‌ها را هدایت کردند و سامانه‌های Android و iOS پلتفرم‌های نرم‌افزاری را به دست گرفتند؛ و در دور نخست توسعه هوش مصنوعی نیز NVIDIA و OpenAI پیشگامی بخش سخت‌افزار و مدل‌ها را به دست آوردند.
با این حال، عصر هوش مصنوعی فیزیکی می‌تواند قواعد تازه‌ای را رقم بزند و فرصتی ایجاد کند تا ساختارها از سطوح پایه‌ای بازتعریف شوند.