Розробники роботизованих мозків виходять з ери GPT-2

Фізичний ШІ є одним із найгарячіших секторів венчурного інвестування: компанії залучають мільярди, щоб застосувати інструменти, завдяки яким ми отримали великі мовні моделі, у робототехніці.

Це захоплення допомогло забезпечити великий вихід на біржу для Unitree, провідного китайського виробника роботів, вартість якого після виходу на китайський аналог NASDAQ сягнула 66 мільярдів доларів. Однак цього тижня все обвалилося, і компанія втратила майже половину своєї вартості. Аналітики вказують на очевидну проблему: хоча фізичні можливості роботів покращуються, їм досі бракує ноу-хау, щоб виконувати роботу, яка справді створює цінність.

На конференції Actuate, що відбулася минулого тижня й зібрала розробників, які створюють «мозок» ШІ для роботів, захоплення було очевидним. Від часу запуску у 2023 році захід утричі збільшився за масштабом і зібрав 1500 учасників, за словами організатора — компанії Foxglove, яка допомагає розробникам моделей фізичного ШІ керувати своїми даними та візуалізувати їх.

Ризик також був очевидним: на стенді Avala, ще одного гравця в інфраструктурі фізичного ШІ, обіцяли розв’язати «кризу даних у робототехніці».

Ця криза полягає у відсутності якісних навчальних даних для моделей ШІ. Спроби створити універсальних роботів, здатних виконувати будь-які завдання, досі далекі від успіху, а наскрізне навчання для конкретних завдань усе ще не дало продуктів із надійними комерційними характеристиками. Для розробників відповідь полягає в тому, щоб краще наслідувати досягнення передових лабораторій ШІ: знаходити або створювати різноманітніші набори даних, експериментувати з різними режимами навчання та розробляти кращі сценарії навчання з підкріпленням.

Гаррі Меллсоп, засновник Antioch, стартапу, що створює інструменти симуляції для розробників моделей, вважає, що фізичний ШІ перебуває в «ері GPT-2» — моделі OpenAI, яка передувала появі ChatGPT. Щоб подолати цей бар’єр, знадобиться більше даних і обчислювальних потужностей, зокрема графічні процесори, оптимізовані для трасування променів, які використовують для створення високоточних симуляцій.

Найбільше просунулися автономні транспортні засоби — частково завдяки можливості збирати релевантні дані з автомобілів, якими керують люди, а частково тому, що головне завдання тут — уникати контакту, а не маніпулювати фізичним середовищем. Значна частина інструментів для створення моделей походить від компаній, що розробляють автономні транспортні засоби; наприклад, Foxglove заснували колишні співробітники Cruise, колишнього проєкту General Motors зі створення безпілотних автомобілів.

І тепер ці автомобільні компанії дедалі частіше роблять ставку на те, що їхні інвестиції в інструменти машинного навчання дадуть їм змогу конкурувати зі спеціалізованими виробниками гуманоїдних роботів. Tesla вже намагається зробити це зі своїм роботом Optimus, а тепер і Wayve, орієнтована на автономні транспортні засоби, та гігант у сфері райдшерингу Uber запустили робототехнічні лабораторії, зосереджені на гуманоїдних формфакторах, у межах своїх дослідницьких і конструкторських програм.

«Я думаю, що потрібно починати з транспортних засобів… робототехніка маніпуляцій зараз приблизно там, де безпілотне водіння було п’ять років тому», — сказав TechCrunch Алекс Кендалл, генеральний директор Wayve. «Інфраструктура даних, симуляція та інфраструктура операцій машинного навчання, імовірно, будуть спільними, але конкретна модель світу для симулятора буде іншою після донавчання. Спільного буде набагато більше, ніж відмінного, але для різних втілень знадобляться певні відмінності».

Кендалл стверджує, що ще зарано робити ставку на якусь одну апаратну платформу: удосконалення сенсорів та інших компонентів відбуваються швидко, а по-справжньому універсальна модель має бути більш агностичною.

Теофіль Жерве, генеральний директор Genesis AI — вертикально інтегрованої компанії з виробництва гуманоїдних роботів, яка цього року залучила посівний раунд на 105 мільйонів доларів, — не погодився з цим. Він сказав TechCrunch: «Ми ще на надто ранньому етапі цієї хвилі, щоб стратегія, заснована лише на мозку, спрацювала; ми вважаємо, що є багато можливостей для спільного проєктування апаратного забезпечення та ШІ».

Жерве також торкнувся іншої актуальної теми в цьому секторі: як саме зосередити свій бізнес у сфері фізичного ШІ. Робототехнічні компанії, орієнтовані на конкретні завдання, уже виводять своїх роботів у реальні умови: Gritt будує сонячні електростанції, Agility розгортає роботів у промислових середовищах, а Bedrock автономно керує екскаваторами. Тим часом гуманоїдні роботи загального призначення досі не виходять за межі лабораторій.

«Жодному клієнту не потрібен робот загального призначення, який працює з показником успішності 80%», — сказав Жерве про цю дилему. «Ми бачимо, як багато інших гравців рухаються в бік універсальності, але цінність не створюється, бо немає вертикальної спеціалізації… але якщо ви будуєте [для вузької] вертикалі на основі GPT-2, вас знищить компанія, яка будує на GPT-4».

Спокуса інвестувати в конкретну вертикаль, однак, велика, адже це дає не лише дохід, а й дані з реального застосування. Хоча дані для конкретних завдань можуть бути недостатньо різноманітними, щоб розвивати моделі загального призначення, вони важливі для створення робота, який додає цінність. Технічний директор Bedrock Кевін Петерсон зазначив, що його компанія лише починає з розкопування як способу зрозуміти виклики «маніпуляцій у реальному світі», але планує розробити інтелектуальний шар, який охоплюватиме низку будівельних машин.

Керування всіма цими даними є складним завданням, особливо через великий обсяг візуальних даних і даних лідарів. Цього тижня Foxglove представила новий продукт, створений на основі відкритої вагової моделі світу Cosmos від Nvidia, який дає інженерам змогу шукати в цих даних за допомогою складних запитів природною мовою для створення оцінювань і симуляцій. Мета — пришвидшити первинний аналіз і налагодження, щоб розробники моделей могли швидше вносити ітеративні зміни.

То яким буде легендарний момент ChatGPT для фізичного ШІ, який, за недавніми словами Сема Альтмана, настане лише за кілька років? Кендалл зазначає, що найбільше розгортання роботів у світі досі припадає на побутових роботів-пилососів. Для нього момент ChatGPT — це щось, що захопить споживачів, а не інвесторів, які, схоже, і без того достатньо захоплені.

«Одним із прикладів може бути поява автономного водіння, що не потребує уваги водія, за менш ніж 1000 доларів [вартості апаратного забезпечення] в автомобілі», — каже Кендалл; невипадково його компанія ліцензує моделі автовиробникам, намагаючись саме цього й досягти. І цей бізнес, який він вважає багатомільярдною можливістю, дасть їм змогу створити по-справжньому універсальну модель втіленого ШІ.

Для Жерве момент, коли фізичний ШІ стане реальністю, — це «маніпуляції, які просто працюють одразу після розпакування. Ви можете говорити з роботом природною мовою, і він виконуватиме будь-яке базове завдання з маніпуляцій — наприклад, штовхати, тягнути, закривати ноутбук, прибирати зі столу, будь-що, що вам потрібно, — і працюватиме з певним рівнем надійності, скажімо, понад 80%, одразу після запуску. Це приблизно і є ваш досвід використання ChatGPT».

Едріан Макнейл, генеральний директор Foxglove, дивиться на це питання дещо інакше.

«У робототехніці не буде моменту ChatGPT», — сказав він TechCrunch. «Те, що зробило ChatGPT історичним моментом, — це поширення: вони за тиждень пройшли шлях від нуля до приблизно мільйона активних користувачів… поширення в реальному світі набагато складніше, правда? Я був би дуже радий побачити момент Apple II у робототехніці або момент IBM PC у робототехніці. Коли я зможу купити домашнього робота, який почне робити щось корисне й цікаве?»