Сектор воплощенного ИИ, связывающий модели машинного обучения с телами и роботами, способными двигаться, переживает волну активных инвестиций, однако развитие аппаратного обеспечения пока не сопровождалось сопоставимым прогрессом в способности надежно выполнять полезную работу. Этот разрыв обобщает нынешнее состояние сектора: роботы стали физически более способными, но приобретение знаний, необходимых для взаимодействия с реальным миром, по-прежнему остается нерешенной задачей.
Это противоречие особенно ясно проявилось на недавней конференции Actuate, организованной Foxglove для разработчиков моделей и инфраструктуры воплощенного ИИ. С момента первого проведения в 2023 году конференция увеличилась втрое и привлекла 1 500 участников, что свидетельствует о растущем интересе к этой области. В то же время компании, занимающиеся инфраструктурой, сосредоточились на том, что они называют кризисом робототехнических данных, — нехватке высококачественных и разнообразных обучающих данных, необходимых моделям.
Почему физических возможностей недостаточно?
Попытки создать универсального робота, способного выполнять любую задачу, по-прежнему далеки от зрелости. Даже при обучении робота конкретной задаче с использованием сквозного обучения эти методы еще не привели к созданию продуктов со стабильными коммерческими показателями, на которые можно было бы полагаться. Поэтому разработчики стремятся повторить то, что делали передовые лаборатории ИИ: собирать или создавать более разнообразные наборы данных, тестировать множество методов обучения и разрабатывать более эффективные сценарии обучения с подкреплением.
Harry Mellsop, основатель компании Antioch, специализирующейся на инструментах моделирования для разработчиков моделей, описал воплощенный ИИ как находящийся на этапе «GPT-2» — то есть на стадии, предшествующей скачку, который сделал ChatGPT массовой моделью. Согласно этому представлению, сектору требуется больше данных и вычислительных мощностей, чтобы преодолеть нынешний этап, включая усовершенствованные графические процессоры для технологий трассировки лучей, используемых при создании высокоточных симуляций.
Однако аналогия с языковыми моделями не означает, что путь будет идентичным. Робот взаимодействует с изменяющимся физическим миром и нуждается в визуальных данных, данных LiDAR и поведении, связанном с окружающей средой, а не только в текстах. Кроме того, ошибка при выполнении физической задачи может привести к столкновению, повреждению или остановке процесса, что делает переход от модели, иногда работающей, к надежному коммерческому продукту еще более сложным.
Беспилотные автомобили как ранняя лаборатория
Беспилотные автомобили выглядят одной из наиболее развитых областей воплощенного ИИ — отчасти благодаря способности собирать большие объемы данных с автомобилей, которыми управляют люди, а также тому, что их основная задача заключается в предотвращении столкновений, а не в непосредственном взаимодействии с объектами и их перемещении. Многие инструменты для создания моделей перешли в робототехнику из компаний, занимающихся беспилотным вождением; например, Foxglove была основана бывшими сотрудниками Cruise, ранее являвшегося проектом General Motors в области автономного вождения.
Теперь автомобильные компании пытаются использовать этот опыт для конкуренции в сфере гуманоидных роботов. Tesla разрабатывает робота Optimus, а Wayve, специализирующаяся на автономном вождении, и Uber запустили робототехнические лаборатории, сосредоточенные на человекоподобных телах в рамках исследовательских и опытно-конструкторских работ.
Alex Kendall, генеральный директор Wayve, считает, что начинать с автомобилей может быть более логично, поскольку инфраструктура данных и моделирования, а также процессы эксплуатации машинного обучения могут частично использоваться совместно в разных приложениях. Однако он подчеркивает, что универсальной модели понадобятся различия, связанные с каждым телом, роботом и средой эксплуатации, а быстрые изменения в сенсорах и компонентах делают раннюю привязку к одной аппаратной платформе рискованным решением.
Специализация против универсального робота
Не все представители сектора согласны с идеей отделения «разума» от тела. Théophile Gervet, генеральный директор компании Genesis AI, специализирующейся на вертикально интегрированных гуманоидных роботах, считает, что волна все еще находится на столь ранней стадии, что позволяет одновременно проектировать аппаратное обеспечение и ИИ. В этом году компания привлекла посевной раунд финансирования в размере 105 миллионов долларов.
Разногласие касается не только инженерии, но и стратегии построения бизнеса. Компании, ориентированные на конкретные задачи, уже перемещают своих роботов на реальные объекты: Gritt работает на солнечных электростанциях, Agility внедряет роботов в промышленных средах, а Bedrock эксплуатирует автономные экскаваторы. В то же время многофункциональные гуманоидные роботы по большей части по-прежнему находятся внутри лабораторий.
Gervet говорит, что клиента не интересует универсальный робот, успешно выполняющий задачу лишь в 80% случаев, поскольку отсутствие отраслевой специализации может означать отсутствие практической ценности. Однако специализация создает другую проблему: если вертикальный продукт построен на раннем поколении моделей, его может превзойти конкурент, использующий более совершенную модель. Тем не менее специализированное приложение приносит доход и данные из реального мира, даже если эти данные недостаточно разнообразны для разработки универсального робота.
Bedrock начинает с рытья котлованов, чтобы понять проблемы взаимодействия с объектами в реальных условиях, но планирует создать интеллектуальный слой, распространяющийся на ряд строительных машин. Это показывает возможный компромисс: запуск специализированного продукта, способного накапливать опыт и данные, при сохранении цели постепенно создать более широкие возможности.
Что меняется на практике?
Инфраструктура движется к решению самой проблемы данных. Foxglove объявила о новом продукте, созданном на базе модели открытого мира с открытыми весами Cosmos от Nvidia. Он позволяет инженерам искать в данных компьютерного зрения и LiDAR с помощью расширенных запросов на естественном языке, чтобы создавать оценки и симуляции, а также ускорять сортировку проблем и их исправление. Ценность этих инструментов заключается не в добавлении роботу физических возможностей, а в сокращении времени, необходимого для выявления причины сбоя модели и ее повторного обучения.
Более широкий вопрос заключается в том, что сформирует момент ChatGPT для роботов. Kendall считает, что настоящий момент должен вызвать интерес у потребителей, а не инвесторов, и приводит в качестве примера автономное вождение без контроля глазами при стоимости аппаратного обеспечения менее 1 000 долларов — возможность, к которой, по словам Wayve, компания стремится через лицензирование своих моделей автопроизводителям. Gervet считает, что отличительным признаком станет робот, понимающий естественные команды и выполняющий базовые задачи манипулирования, такие как толкание, тяга, закрытие ноутбука или уборка стола, с показателем успеха около 80% или выше без сложной настройки.
Однако Adrian Macneil, генеральный директор Foxglove, не ожидает единственного момента, сопоставимого с ChatGPT: распространение в физическом мире значительно сложнее, чем распространение программы через интернет. Вместо этого он ожидает момента, похожего на появление Apple II или IBM PC, когда станет возможным купить домашнего робота, выполняющего полезные и приятные задачи.
Главный вывод из этих позиций заключается в том, что сектор еще не определил, придет ли прогресс благодаря универсальной модели, совместному проектированию аппаратного и программного обеспечения или специализированным приложениям, которые постепенно расширяются. Из доступных данных ясно одно: рост инвестиций и совершенствование физических компонентов не устраняют основное узкое место — реальные и разнообразные данные, точное моделирование и производительность, на которую клиенты могут полагаться за пределами лаборатории.