در 18 سپتامبر 2026، تویوتا به‌طور رسمی ورود خود به کسب‌وکار ربات‌های متمرکز بر محیط تولید را اعلام کرد. خودِ خبر غیرمنتظره نبود—این شرکت سال‌هاست با ربات‌ها سروکار دارد و از ربات پرتاب‌کننده توپ CUE تا ربات حمایت از زندگی روزمره HSR، همه چیز را امتحان کرده است. تفاوت این بار اینجاست: سازمان جدیدی به نام «تویوتا رباتیکس» تأسیس کرده تا ربات‌های حامل هوش مصنوعیِ توسعه‌یافته توسط خودش را به فروش برساند و عددی میان‌مدت و بلندمدت هم روی میز گذاشته است—حدود 400 هزار دستگاه.

400 هزار دستگاه یعنی چه؟ کل خروجی سالانه ربات‌های صنعتی ژاپن در حدود 50 تا 60 هزار دستگاه است. پس این آشکارا یک هدف فروش متعارف نیست. وقتی این عدد را کنار اطلاع دیگری بگذاریم، ماجرا روشن می‌شود: از این 400 هزار دستگاه، 150 هزار دستگاه مصرف گروه تویوتا و 250 هزار دستگاه مصرف تأمین‌کنندگان است که هم‌زمان با نوسازی تجهیزات در مقیاس سالانه حدود 1 تریلیون ین (معادل حدود 50 میلیارد یوان) از سال 2028، در قالب بازسازی اساسی حدود 60 کارخانه در سراسر جهان به‌تدریج مستقر می‌شوند. به بیان دیگر، تویوتا خودش و کل زنجیره تأمینش را مانند شبکه‌ای برای گردآوری داده از محیط تولید برنامه‌ریزی کرده است.

ابتدا اسکلت ماجرا را بچینیم:

  • تویوتا در 18 سپتامبر 2026 ورود به کسب‌وکار ربات‌های محیط تولید را اعلام و سازمان جدید «تویوتا رباتیکس» را برای فروش ربات‌های حامل هوش مصنوعی توسعه‌یافته توسط خودش بنیان گذاشت؛
  • هدف میان‌مدت و بلندمدت، به‌کارگیری حدود 400 هزار دستگاه است: 150 هزار دستگاه گروه + 250 هزار دستگاه تأمین‌کنندگان، همراه با نوسازی تجهیزات سالانه حدود 1 تریلیون ین از 2028 و بازسازی حدود 60 کارخانه در سراسر جهان—این عدد شامل ربات‌های صنعتی موجود نیز می‌شود و فروش یک مدل واحد نیست؛
  • ربات محوری «ELEY» حدود 50 کیلوگرم وزن دارد، گریپر دو انگشتی دارد و چرخ‌محور حرکت می‌کند و به هوش مصنوعی پایه رفتاری «مدل رفتاری بزرگ (LBM)» توسعه‌یافته در مؤسسه تحقیقات تویوتا (TRI) مجهز است؛
  • تویوتا برنامه دارد کار حدود 18 هزار استادکار ماهر («تاکومی») را به الگوی یادگیری ربات تبدیل کند، اما شاخص سنجش دستاورد هنوز اعلام نشده است.

ELEY: چرخ‌ها، گریپر دو انگشتی، و هسته‌ای که هرچه بیشتر تغذیه شود باهوش‌تر می‌شود

اول از بدنه بگوییم. ELEY حدود 50 کیلوگرم وزن دارد، دست‌هایش دو انگشت دارد و با چرخ جابه‌جا می‌شود—مانند انسان با دو پا راه نمی‌رود. این انتخاب محافظه‌کارانه نیست، بلکه کاملاً عمل‌گراست: کنترل راه رفتن دوپا دشوار، در معرض خطر افتادن و بسیار پرمصرف است، در حالی که کف کارخانه ذاتاً هموار است و چرخ ارزان‌تر، سریع‌تر و آسان‌تر برای گسترش انبوه است. خودِ همین گسترش انبوه مهم است: هرچه زودتر گروه‌گروه ربات‌ها به خط تولید برسند، داده سریع‌تر انباشته می‌شود. شکل بدنه هدف نیست؛ وسیله‌ای است برای برقراری گردش پیوسته داده.

قهرمان واقعی، هوش مصنوعی درون آن است. LBM (مدل رفتاری بزرگ) گونه‌ای «مدل پایه رفتاری» است: مدل زبانی بزرگ با انبوه متن باهوش می‌شود و LBM با حجم زیاد داده نمایشی، حرکات ربات را می‌آموزد. مسیرش با برنامه‌نویسی دستیِ حرکت‌به‌حرکتِ گذشته متفاوت است—با تماشای کار انسان، از مقدار اندک یادگیری به حرکاتی می‌رسد که کمتر خطا می‌کنند. در نمونه‌های نمایشی منتشرشده، ELEY پس از یادگیری تا کردن تی‌شرت توانسته است آن را به‌صورت مستقل تکرار کند. قوت این‌گونه مدل‌های پایه آن است که با کمی یادگیری تکمیلی وظیفه جدید را می‌آموزند؛ اما کیفیت هسته، به میزان نمایش‌های میدانی گسترده و باکیفیت‌ای بستگی دارد که به آن خورانده شده است.

اینجا باید از چیزی گفت که تویوتا در دست دارد و تکرارش برای دیگران دشوار است: حدود 18 هزار «تاکومی» (استادکار). حسِ دست و راز و رمز استادکاران ماهر، درست مرغوب‌ترین منبع داده نمایشی است. اینکه استادکار باسابقه نیرو را چگونه تنظیم می‌کند و با قطعه معیوب چگونه رفتار می‌کند—این تجربه‌های ضمنی که در مستندات فرایند نمی‌گنجند، می‌توانند مستقیماً به ماده خام یادگیری ربات تبدیل شوند.

ربات متحرک چرخ‌دار FANUC در حال انتقال مواد در محوطه کارخانه
ربات متحرک چرخ‌دار در حال انتقال مواد در محوطه کارخانه. شاسی چرخ‌دار ارزان، قابل اعتماد و مناسب استقرار انبوه است و انتخاب غالب سناریوهای کارخانه‌ای به شمار می‌رود—ELEY نیز همین راه را رفته است

نکته‌ای هم که به‌سادگی از نظر دور می‌ماند: LBM به سخت‌افزار خاصی گره نمی‌خورد. TRI در سال 2025 نمایشی از راه‌اندازی ربات انسان‌نمای Atlas ساخت بستون داینامیکس با LBM منتشر کرده بود. حال که هوش مصنوعی در بند یک بدنه خاص نیست، تعیین‌کننده این است که این هوش مصنوعی را در چند نوع محیط به اجرا درآورند و چه مقدار داده بازگردانند. تویوتا با فروختن ربات، هم‌زمان دارد به این شبکه گره‌های تازه‌ای می‌افزاید.

آنچه همه واقعاً در پی آن‌اند، محیط‌های گردآوری داده است

اگر دوربین را عقب بکشیم، در همین پیست جای پای زیادی دیده می‌شود و ژست هر کدام خود گویاست.

تسلا صریح‌ترین است. تا میانه 2026، در کارخانه‌هایی مانند فریمونت حدود هزار دستگاه Optimus مستقر کرده، اما فروش به بیرون صفر است. ایلان ماسک خودش هم پذیرفته که این ربات‌ها «عمدتاً برای یادگیری و گردآوری داده به کار می‌روند و هنوز به نیروی واقعی در کارخانه تبدیل نشده‌اند». این تقریباً اعترافی علنی است: چیزی که همین حالا می‌خواهند داده است. البته محل‌های گردآوری آن عمدتاً کارخانه‌های خودش است و تنوع محیط‌ها محدود.

بی‌ام‌و و مرسدس-بنز آلمانی راه دیگری رفته‌اند: خودشان ربات نمی‌سازند و با استارتاپ‌های متخصص همکاری می‌کنند. بی‌ام‌و در کارخانه اسپارتانبرگ آمریکا ربات Figure 02 شرکت Figure AI را وارد راستی‌آزمایی ده‌ماهه کرد و به خدمت فرایند تولید بیش از 30 هزار دستگاه X3 درآورد؛ سپس تا قرارداد تجاری مدل جانشین Figure 03 پیش رفت—در آغاز حدود 40 دستگاه، با تعرفه حدود 25 دلار به ازای هر ساعت کارِ هر ربات. مرسدس-بنز هم ربات Apollo شرکت Apptronik را در سایت برلین به کار گرفته و از لجستیک درون‌کارخانه و بازرسی اولیه کیفیت شروع کرده است. در این الگوی تقسیم کار جزئیتی تأمل‌برانگیز وجود دارد: داده واقعی خطوط تولید خودروساز، در سمت شرکت‌های هوش مصنوعی انباشته می‌شود. کسی که داده را در دست دارد Figure و Apptronik هستند، نه بی‌ام‌و و مرسدس.

ربات زرد FANUC در خط مونتاژ نهایی کارخانه خودروسازی در حال جابه‌جایی بدنه خالص خودرو
ربات‌های خط مونتاژ نهایی خودرو در حال جابه‌جایی بدنه خالص. خطوط تولید خودروسازها، درست همان «محیط‌های با بیشترین چگالی داده»ای هستند که همه به سویشان می‌دوند

از نظر تولید انبوه و سرعت استقرار، شرکت‌های چینی تندتر می‌دوند. UBTECH در سپتامبر 2026 در لیوجوو گوانگشی کارخانه هوشمندی با ظرفیت سالانه بیش از 10 هزار دستگاه را به بهره‌برداری رساند—توجه کنید این ظرفیت تولید است، نه دستاورد استقرار؛ اما از Walker S2 آن واقعاً چند صد دستگاه در حال استفاده است و به کارخانه‌های بای‌دی، جیلی، فاو-فولکس‌واگن، دانگ‌فنگ، فاو-آئودی، BAIC و فاکس‌کان راه یافته و ایرباس اروپا نیز از ژانویه 2026 کارهای مرتبط را پیش برده است. یونیت‌ری (Unitree) تا ژوئیه 2026 در مجموع حدود 18 هزار دستگاه تولید کرده، نرخ خودتأمینی قطعاتش از نود درصد گذشته و برنامه دارد ساخت سازوکار تولید سالانه 75 هزار دستگاه را تکمیل کند. ربات انسان‌نمای IRON شرکت شیائوپنگ (XPeng) تولید انبوه در پایان 2026 را نشانه رفته است. دولت چین خروجی سالانه بیش از 100 هزار دستگاه تا پیش از 2027 را هدف گذاشته است. در نیمه نخست 2026، فروش جهانی ربات‌های انسان‌نما از 22 هزار دستگاه گذشت و به ادعای گزارش‌ها، هر پنج رتبه نخست از آنِ شرکت‌های چینی است. فرستادن هرچه سریع‌تر ربات‌های انبوه به محیط‌های متنوع—این روش شرکت‌های چینی برای انباشتن داده میدانی است.

برگ‌های برنده تویوتا، و ساعتی که دیر به صدا درآمده است

اگر دارایی تویوتا را از دریچه داده بشماریم، برتری‌ها واقعاً کم نیستند. یکی از بزرگ‌ترین مجموعه‌های محیط تولید جهان را در اختیار دارد، به‌علاوه پهنه زنجیره تأمین—برنامه 250 هزار دستگاهی در حلقه تأمین‌کنندگان یعنی بی‌شمار محیط با فرایندهای متفاوت که می‌توانند منبع داده‌ای عظیم و متنوع شوند؛ 18 هزار «تاکومی» الگوهای مرغوب می‌دهند؛ هوش مصنوعی، ربات و کارخانه همگی دست خودش است و چرخه بسته داده می‌تواند کاملاً درون بدنه شرکت بچرخد. در این نکته، مسیرش دقیقاً دو قطب با خودروسازان اروپاییِ متکی به شرکت‌های تخصصی بیرونی دارد.

اما ساعت، مسئله است. 400 هزار دستگاه هدفی میان‌مدت و بلندمدت است و تلاش جدی به بعد از 2028 موکول می‌شود. در حالی که تسلا همین حالا در مقیاس هزار دستگاه داده جمع می‌کند و شرکت‌های چینی همین حالا ربات‌ها را به کارخانه‌های بزرگ خودرو فرستاده‌اند. انباشت داده خصلت بهره مرکب دارد: چرخه هرچه زودتر بچرخد، یادگیری عمیق‌تر می‌شود و جهش عملکردی دور بعد بزرگ‌تر خواهد بود—برعکس، با عقب افتادن، شکاف معمولاً در گذر زمان بازتر می‌شود، نه در همان جا بماند.

نگرانی پنهان دوم، سوگیری داده است. اگر محیط‌ها به خود تویوتا و نظام زنجیره تأمینش محدود بمانند، داده گردآوری‌شده ممکن است تنوع لازم برای تعمیم به کارخانه‌های شرکت‌های دیگر را نداشته باشد. اینکه این شبکه عظیم زنجیره تأمین واقعاً به برتری داده‌ای بدل شود یا نه، در نهایت به میزان گشودگی آن به بیرون از گروه بستگی دارد.

برای سنجش شانس پیروزی، این سه مورد را زیر نظر بگیرید

آهنگ فرود. چه زمانی، چند دستگاه، در کدام خطوط واقعاً فعال—نه نمایشِ رویداد رونمایی، بلکه چگالی آنلاین شدن ماشین‌های واقعی را ببینید. گستره داده. اینکه تا چه حد می‌تواند از محیط‌های خودی، گروه و بیرونی عبور کند، مستقیماً عمومیت‌پذیری مدل را تعیین می‌کند. کارنامه میدانی. اینکه LBM در عمل چه میزان بهبود در نرخ محصول سالم و نسبت کار مؤثر ایجاد می‌کند، تویوتا هنوز این شاخص را اعلام نکرده است و دیر یا زود باید برگه پاسخ بدهد.

حرف آخر اینکه، خودِ عدد 400 هزار دستگاه کارت تعیین‌کننده نیست. آنچه واقعاً پیروزی را رقم می‌زند این است که تویوتا بتواند بدون چشم‌انتظاری تا 2028، در سریع‌ترین زمان و گسترده‌ترین شکل، ماشین‌های واقعی را به خطوط تولید برساند و چرخه گردآوری و یادگیری داده باکیفیت را زودتر به گردش درآورد. برای ما فعالان حوزه تجهیزات، حس نزدیکی نیز وجود دارد: وقتی مهارت «تاکومی»ها شروع به تبدیل شدن به دارایی داده‌ای کند، مختصات ارزشِ تعمیر و راه‌اندازی هم همراهش جابه‌جا می‌شود. مطالب مرتبط: پوشش برندها و مستندات مدل‌ها، خدمات بازسازی و ارتقای خط تولید.

مطالب مرتبط

توضیح: این مقاله بر پایه گزارش‌های عمومی و مشاهدات صنعتی تدوین شده است؛ برای برنامه‌ها و اعداد شرکت‌ها، اعلامیه‌های رسمی ملاک است و این مطلب توصیه سرمایه‌گذاری یا خرید نیست.