Бивши учени на Meta искат да внедрят визуален ИИ във фабричните цехове

ИИ трансформира всичко около нас, но досега до голяма степен остава ограничен до дигиталната сфера. Все по-често обаче стартъпите се стремят да го пренесат в реалния свят.

Perceptron, стартъп, основан от двама бивши изследователи на Meta, е една от тези компании. Основана през ноември 2024 г., фирмата разработва авангардни модели за компютърно зрение, които имат за цел да помогнат на машините да взаимодействат по-компетентно с физическата си среда.

Тази седмица компанията представи най-новия си модел Isaac 0.5, който според създателите му е разработен, за да даде на машините способността да „възприемат, разсъждават и действат“ в индустриална среда. По-конкретно, софтуерът може да помага на роботи, управлявани чрез зрение, да се ориентират в сложни среди като складове или производствени помещения. Той също така помага на компаниите да извличат визуална информация от видеоклипове, записани от тези роботи.

Isaac 0.5 се предоставя и като модел с отворени тегла, така че параметрите и материалите за обучението му могат да бъдат проверявани от всеки.

Стартъпът, който наскоро набра 21 милиона долара в инвестиционен рунд, воден от Bessemer Venture Partners, е съоснован от Армен Агаджанян и Акшат Шривастава, които преди това са работили в Fundamental AI Research (FAIR) на Meta — подразделението за изследвания в областта на ИИ на технологичния гигант. Двамата виждат своя софтуер като бъдещето на автоматизираното внедряване в индустрията.

„Физическият ИИ днес налага фалшив избор: универсални фундаментални модели, които изискват по няколко специализирани облачни графични процесора за всеки екземпляр, или тесни модели, които се справят с възприемането или управлението, но никога и с двете“, казва компанията.

Агаджанян и Шривастава твърдят, че инструментът им се различава от съществуващите модели в тази област, защото е универсален, тоест не е създаден за една конкретна, повтаряща се задача. Вместо това, казват те, моделът е проектиран да бъде гъвкав в зависимост от конкретната среда (или ситуация), в която се намира.

В интервю Шривастава ме помоли да си представя какво включва един прост физически процес като подреждането на кашони: „Представете си, че в момента се внедрява робот за сортиране на пратки. Какви задачи ще трябва да изпълнява?“

Подобна сравнително проста задача наистина се състои от много стъпки. Първо, роботът ще трябва да прочете етикета върху пратката, да направи пространствен анализ, за да разбере къде се намират кашоните, и да реши кой да вдигне. Ако вдига поредица от кашони, ще трябва да планира кои кашони да вземе и в какъв ред.

Софтуерът на Perceptron е разработен, за да помага на роботите да се ориентират във всяка стъпка от процеса. За да бъдем точни, индустрията вече разполага със софтуер, който може да помага на машините да изпълняват повечето от тези задачи, но програмите, проектирани да го правят гъвкаво, са малко.

Откъде идват данните за тази алгоритмична алхимия?

Модели като Isaac 0.5 усвояват оперативни умения, като обработват огромни количества видеоданни за обучение. Perceptron твърди, че новият му модел е бил обучен с един милион часа от така нареченото общо видео, за да научи алгоритъма си да разпознава конкретни среди, визуални елементи и сценарии. Компанията също така разчита сериозно на така нареченото егоцентрично видео — видео, заснето обикновено чрез GoPro или носима камера от перспективата на човек, изпълняващ физическа задача — както и на UMI видео, което по подобен начин се използва за обучение на ИИ системи на движения чрез записване на повтарящи се човешки действия.

Макар Perceptron да не разкрива източниците на данните за обучението си, Шривастава каза, че компанията е „изградила вътрешно набори от данни в петабайтов мащаб, които обхващат различни модалности — изображения, текст, видео и т.н., чак до роботизирани траектории“.

Полезността на софтуер, който може да помага на роботи да работят компетентно в складове, очевидно е огромна, а Perceptron смята, че е в добра позиция да поведе тази вълна на автоматизация. Стартъпът е готов да предлага софтуера си на различни доставчици и така потенциално да види своя интелигентен слой интегриран в широк спектър от индустрии.

Сред тези индустрии са производството, логистиката и складирането, сигурността, мобилността, както и медиите и развлеченията.

„Наистина не съществува нищо подобно“, каза Агаджанян. „Наистина сме развълнувани от това.“