Eka стоит $1,45 млрд. благодаря физической модели ИИ, которая восхищает экспертов

Роботы по-прежнему не слишком хорошо умеют поднимать предметы, несмотря на миллиарды долларов инвестиций и бесконечные видеозаписи, загружаемые в модели глубокого обучения.

Возможно, это вот-вот изменится благодаря архитектуре манипуляции, разработанной Eka Robotics и включающей чувствительный к усилию захват и новый тип модели глубокого обучения. Стартап, основанный профессором Массачусетского технологического института Пулкитом Агравалом и бывшим исследователем Google DeepMind Туомасом Хаарнойей, только что завершил раунд Series A на $150 миллионов, в результате чего его постинвестиционная оценка составила $1,45 миллиарда. Раунд возглавили венчурные фонды a16z и F-Prime.

«Они уже демонстрируют сверхчеловеческие результаты в определённых задачах, поэтому мы считаем, что в ближайшие несколько месяцев сверхчеловеческие показатели появятся во многих задачах, требующих ловких манипуляций», — рассказал TechCrunch Рагу Рагурам, генеральный партнёр a16z, совместно возглавлявший этот раунд финансирования.

В эпоху бесконечных демонстраций роботов возможности Eka шокируют даже опытных разработчиков роботов.

Крис Хаузер, профессор Иллинойсского университета в Урбане-Шампейне, сказал, что по сравнению с другими демонстрациями роботов, которые он недавно видел, эта обладала «вау-фактором». По словам Хаузера, робот Eka «смог адаптироваться к большому количеству различных объектов без повторного обучения». Он добавил, что в нём также присутствовал аспект «человечности — жуткой человечности, поскольку он снова и снова пытался выполнить задачу, если не удавалось с первого раза».

Другой специалист по робототехнике, попросивший сохранить анонимность из-за своей работы в передовой лаборатории, рассказал TechCrunch, что наблюдение за роботом Eka в действии стало эмоциональным опытом, сравнимым с тем, когда роботы впервые научились надёжно передвигаться на ногах пять — десять лет назад. Посмотрите сами:

 

Что здесь примечательно? Насколько плавно и быстро движется робот. За час он может поднять около 1 500 предметов весом до 1 кг, тогда как человек — около 600; Eka утверждает, что робот надёжно поднимает предметы более чем в 95% случаев. При этом роботизированная рука достаточно сильна, чтобы повредить себя, двигаясь с такой скоростью. По словам наблюдателя из передовой лаборатории, это указывает на то, что «они очень доверяют своему алгоритму и уверены, что он не сломает робота. Интересно, сколько роботов они сломали по пути?»

Когда специалист по робототехнике из передовой лаборатории встретился с роботом Eka, он протянул ему малину — очевидно, любимый предмет для испытаний в этой лаборатории. «Ощущение от того, как большой тяжёлый робот бросается к моей руке, а затем в самый последний момент замедляется и очень мягко касается меня, — это чувство, которое я, пока мы разговариваем, буквально ношу в себе», — рассказал он TechCrunch.

Как не раздавить малину

Эти возможности стали следствием того, как была создана базовая модель. Вместо модели «зрение — язык — действие», которую обучают понимать взаимосвязь между языком, визуальными данными и действиями, здесь используется модель «зрение — усилие — действие», сосредоточенная на взаимосвязи между языком, данными об усилии и действиями. Критики нынешнего направления развития генеративных моделей для робототехники, такие как Родни Брукс, утверждают, что без попытки представить усилие и осязание эти модели потерпят неудачу; результаты Eka, похоже, подтверждают их правоту.

«Зрение — не основной способ решить эту проблему последнего миллиметра», — рассказал TechCrunch сооснователь Eka Агравал. «Зрение примерно показывает, где находится объект и как он ориентирован, но само захватывание, сам поиск происходят благодаря усилиям».

Eka пришлось разработать уникальную роботизированную кисть, которая была бы более гибкой, чем традиционные захваты, и включала бы больше датчиков усилия; она реагирует на контакт, поэтому не раздавливает малину. Основатели неохотно рассказывают о том, как именно им удалось этого добиться, по очевидным конкурентным причинам, однако в основе лежит использование физического симулятора для моделирования множества усилий, с которыми робот столкнётся при попытке что-либо захватить, а также применение этой модели для создания среды обучения с подкреплением, которую можно запускать в большом масштабе. По их словам, они могут генерировать тысячи часов роботизированного опыта за считаные минуты.

«Вместо того чтобы ограничиваться данными, которые вы собираете, например, из демонстраций людей, Eka продвигает этот подход через обучение с подкреплением, при котором робот может превзойти любые предоставленные ему демонстрации», — сказал Хаузер. «Действительно впечатляет то, что им удалось не ограничиваться данными, представленными для обучения».

Агравал и Хаарнойя, впервые встретившиеся в аспирантуре Калифорнийского университета в Беркли, — ведущие исследователи в области обучения с подкреплением для управления роботами. Главная ставка Eka заключалась в том, что эту технологию можно масштабировать с помощью симуляции, а не полагаться на видеозаписи, собранные сотрудниками, нанятыми через платформы, или операторами роботов, которые выполняют задачи на протяжении многих часов. Симуляция стала ключом к достижению надёжных манипуляций робота — результата, который в прошлом было гораздо труднее получить в задачах, требующих взаимодействия с объектами, а не избегания их.

«EKA устраняет разрыв между универсальностью и эффективностью, который преследует многие современные робототехнические системы», — утверждает Агравал.

Как сделать универсального робота полезным

Сейчас наиболее универсальные модели физического ИИ — те, которые могут пытаться выполнять множество различных задач, — не особенно хорошо с ними справляются. Но модели ИИ, обученные быть исключительно эффективными в одной задаче, могут не обеспечить компании экономическую целесообразность: обещание генеративного ИИ заключается в том, что роботы смогут быстро осваивать множество задач, в том числе новые.

Современные подходы позволяют создавать роботов, которые обладают более общим интеллектом, чем раньше: Astra, новейшая большая языковая модель ChatGPT, может управлять роботом в незнакомой обстановке и выполнять с его помощью задачи, но медленно и с большими затратами. Обещание такой модели, как у Eka, заключается в том, что она берёт на себя физическую сторону процесса, тогда как более универсальная модель принимает решения о том, как решить проблему. Например, Astra может знать, что тарелки складывают в шкаф, когда достают их из посудомоечной машины, но модель Eka способна поднять тарелку, не разбив её.

«Большая часть отрасли сосредоточилась на планировании, — говорит сооснователь Eka Хаарнойя, — поэтому специалисты идут сверху вниз: от интеллекта высокого уровня к физическому воплощению. Мы же считаем, что нужно двигаться снизу вверх».

Однако Eka ещё предстоит доказать свою состоятельность в реальных условиях. Компания втайне проводит пилотные проекты с рядом промышленных заказчиков, выполняя задачи по сортировке и размещению предметов, а также манипуляции с проводами, но переход от лаборатории к производственной линии почти так же велик, как разрыв между симуляцией и реальностью.

«Большой проблемой станет работа с интеграторами на реальных сборочных линиях, где система должна проработать целый год без поломок», — сказал Хаузер. Другой открытый вопрос — «насколько эти методы можно обобщить на различные задачи? Я видел сортировку и размещение, но многие промышленные задачи, создающие добавленную стоимость, включают нечто большее, чем просто сортировку и размещение».

Агравал также сосредоточен на возможности внедрения; сейчас, по его словам, аппаратный захват Eka стоимостью менее $1 000 рассчитан на 5 миллионов рабочих циклов, но конечная цель — достичь планки в 20 миллионов циклов, установленной стандартными промышленными манипуляторами.

«Мы создаём инженерную основу для проектирования целых рабочих процессов, но начинаем с очень прагматичного подхода и говорим: вот два направления — захват, перемещение, размещение и работа с проводами, — давайте добьёмся в них безусловного успеха, — сказал Агравал. — Как только мы добьёмся успеха в этих направлениях, возможности нашего подхода будут безграничными».