Autor: Markus Wulfmeier, główny naukowiec
W dążeniu do stworzenia uniwersalnej, fizycznej sztucznej inteligencji, nasza dziedzina wciąż spogląda w przyszłość: projektując ogromne symulacje, zbierając dane z internetu, gromadząc coraz większe zbiory danych teleoperacyjnych. Jednak robotyka już teraz po cichu produkuje własny odpowiednik danych na skalę internetową: dane wdrożeniowe z rzeczywistych systemów wykonujących rzeczywistą pracę w środowisku produkcyjnym.
Najistotniejsze “dane internetowe” robotyki to produkt uboczny maszyn wykonujących pożyteczną pracę w świecie fizycznym, tak jak sam internet jest produktem ubocznym ludzi wykonujących (sporadycznie) pożyteczną pracę w świecie cyfrowym. Są one generowane w tej chwili, w większości odrzucane i czekające na wykorzystanie. Dane te, wraz z istniejącymi, modułowymi stosami sterowania, które je generują, stanowią decydującą przewagę robotyki nad innymi metodami. Uruchamiają one to, co nazywamy sztuczną inteligencją fizyczną, która stawia na pierwszym miejscu biegłość.
Dominującym założeniem w dzisiejszej sztucznej inteligencji fizycznej jest generalizacja: najtrudniej jest wytrenować wystarczająco duży, ogólny model za pomocą wideo, symulacji i teleoperacji, który ostatecznie stanie się wystarczająco dobry we wszystkim. My stawiamy na coś przeciwnego. Mistrzostwo jest dziś najważniejszym wyzwaniem w fizycznej sztucznej inteligencji. Oznacza to, że musimy dogłębnie analizować rzeczywiste zadania, rzeczywiste wdrożenia, aż system poradzi sobie z długim ogonem, który pojawia się dopiero w produkcji, i rozszerzyć się stamtąd na sąsiednie zadania, konfiguracje i wcielenia robotów. Podtrzymujemy ten pogląd z przekonaniem, ale bez dogmatyzmu. Modele generalistyczne są naprawdę wydajne, szybko się rozwijają, a my bezpośrednio na nich budujemy. Nasze roszczenie jest węższe i, jak wierzymy, bardziej obronione: ostatni i decydujący odcinek niezawodności, od imponującej wersji demonstracyjnej do autonomicznej pracy na poziomie 99,9%+, jest osiągany we wdrożeniu, a nie we wstępnym szkoleniu. Autonomia jest ograniczona długim ogonem, a długi ogon ujawnia się dopiero w produkcji. ’Moment ChatGPT“ robotyki nie nadejdzie z powodu pojedynczego przełomowego modelu. Dotrze ono do nas poprzez wdrożenie — do prawdziwych klientów z prawdziwymi celami — a to jest trudniejszy problem w robotyce.
Fizyczna sztuczna inteligencja (SI) jest w swojej istocie problemem transferu wiedzy. Rozwiązanie każdego scenariusza brzegowego z góry jest niemożliwe, więc pojawia się pytanie, od czego zacząć. W tym przypadku bliskość ma kluczowe znaczenie. Podobnie jak matematyczne wstępne trenowanie stwarza lepsze warunki dla zadań ilościowych, informacje najbardziej krytyczne dla generalizacji i adaptacji w środowisku produkcyjnym pochodzą bezpośrednio ze środowisk wdrożeniowych. Podobnie jak sieć generowana przez ludzi dla cyfrowej SI, ten internet robotyki jest punktem wyjścia, a nie docelowym miejscem dla naszych modeli. Wreszcie, wdrożenie opiera się nie tylko na danych, ale także na benchmarkach. Ponieważ rygorystyczna ocena napędza wydajność, mierzenie rzeczywistych wymagań produkcyjnych łagodzi prawo Goodharta i wpływ metryk zastępczych.
Uziemienie procesu szkoleniowego w fazie wdrożenia buduje fundament pod tworzenie użytecznej, fizycznej sztucznej inteligencji na dużą skalę. Dzisiejsze otwarte, zamknięte lub wewnętrzne modele, same w sobie, znacznie odbiegają od wskaźników sukcesu wymaganych w produkcji. Istniejący modułowy stos tworzy uprząż wokół modelu: wychwytuje awarie, utrzymuje cały system powyżej progu autonomii i umożliwia bezpieczną ewaluację, podczas gdy model jest wciąż udoskonalany. Jednocześnie nasze modele przewyższają już klasyczny stos w niektórych aspektach, dzięki czemu połączony system – klasyczna uprząż plus VLA – prowadzi do systemu o wyższej wydajności. Pozwala nam to wdrażać modele w rzeczywistych operacjach od pierwszego dnia, z klientami płacącymi, a nie w ramach oddzielnych pilotaży.
Uprząż zmienia nasze podejście do gotowości – bootstrappinguje nasze modele i cykle iteracji. Modele można tanio rozbudowywać i łatać za pomocą niewielkiej liczby udanych demonstracji, niedoskonałych trajektorii klasycznego stosu lub ukierunkowanej symulacji. Uczenie się przez wzmacnianie na dużą skalę, tak samo decydujące o fizycznym opanowaniu, może wreszcie skupić się dokładnie na istotnych problemach, w ramach bezpiecznego i niezawodnego procesu wdrażania. Zamiast optymalizacji pojedynczej lokalizacji, celem staje się szybkość i efektywność skalowania: jak tanio doświadczenie zostanie przeniesione do kolejnej instalacji, konfiguracji lub wcielenia robota. Klasyczny stos robi więcej niż tylko ujarzmia model: bootstrappinguje sam model fundamentowy.
W związku z tym uważamy, że fizyczna sztuczna inteligencja dojrzeje w magazynach i fabrykach na długo przed tym, zanim pojawi się w salonach. Dane już istnieją, wdrożenie umożliwia ewaluację i iterację, a ukierunkowane informacje zwrotne poprawiają modele na ostatnim i najtrudniejszym odcinku, zapewniając im maksymalną niezawodność. Symulacja i teleoperacja nie znikną, ale ich rola przesuwa się z podstawowych źródeł danych w kierunku narzędzi, które uzupełniają i przyspieszają uczenie się oparte na wdrożeniu.
Dlatego też nie jest to ścieżka dla zupełnie nowego startupu. Pierwszym realnym dowodem na gotowość fizycznej sztucznej inteligencji nie będzie nowa aplikacja stworzona od podstaw, ale istniejąca firma wykorzystująca wdrożone, autonomiczne systemy do uruchomienia kolejnej generacji modeli.
Widzimy już wstępne poparcie dla naszej tezy. Wdrożyliśmy, jak sądzimy, pierwszy na świecie system VLA do manipulacji przedmiotami w środowisku produkcyjnym, rozwiązując wybrane przypadki brzegowe w warunkach rzeczywistych u klienta płacącego, a nie w ramach oddzielnego pilotażu. To samo koło zamachowe będzie wykorzystywane do adaptacji różnych narzędzi, w tym naszego chwytaka do pudełek na buty – to pierwszy, bezpośredni test skuteczności przenoszenia doświadczeń z jednej konfiguracji do drugiej.
.svg)
Ten schemat wykracza poza działanie, obejmując percepcję. Iteracja oparta na wdrażaniu pozwoliła naszym systemom wizualnego rozumienia przekroczyć punkty operacyjne, których najnowocześniejsze modele generalistyczne nie byłyby w stanie osiągnąć w identycznych warunkach produkcyjnych. To właśnie różnica między imponującym demo a systemem, który przekracza poprzeczkę, gdzie zaczyna się autonomia i zwrot z inwestycji (ROI). Wkrótce opublikujemy szczegółowy wpis na temat tego, jak to umożliwia osiągnięcie mistrzostwa w ukierunkowanym rozumieniu świata fizycznego.
Co będzie dalej?
Wiele jeszcze pozostaje do odkrycia w zakresie sztucznej inteligencji zintegrowanej z procesem wdrażania: jak niewiele danych jest potrzebnych do dostosowania polityki opartej na produkcji, które reprezentacje najlepiej przenoszą się między lokalizacjami i wcieleniami oraz jak predyktory sukcesu pozwalają systemom identyfikować i naprawiać własne błędy. Jesteśmy zobowiązani do dzielenia się kolejnymi informacjami w miarę postępu badań i z niecierpliwością czekamy na nawiązanie nowej współpracy.
Szukamy światowej klasy badaczy i inżynierów, którzy dołączą do nas. Jeśli interesuje Cię skalowanie osiągnięć w dziedzinie fizycznej sztucznej inteligencji, w praktyce, a nie w prototypach, czekamy na Twoją wiadomość!
