Brudna prawda o robotach: następna rewolucja AI zaczyna się od mopa

👁 117 przeczytań

Mam dla was kontrowersyjną tezę, którą będę bronił przez najbliższe kilkaset słów: przyszłość sztucznej inteligencji nie rozstrzygnie się w eleganckich laboratoriach pełnych kart graficznych za miliardy dolarów, tylko gdzieś przy stole, na którym ktoś po raz dwudziesty tysięczny każe robotycznemu ramieniu podnieść kubek. To brudna, nudna, niefotogeniczna robota. I właśnie dlatego ktoś postanowił na niej zarobić.

Dwa tygodnie temu OpenAI ogłosiło, że reaktywuje program robotyczny, który samo zamknęło w 2021 roku. To nie był przypadek, tylko sygnał: największe laboratoria AI rzuciły się do wyścigu o nauczenie maszyn działania w świecie fizycznym. Problem w tym, że do tego wyścigu nikt nie ma paliwa. Modele językowe wytrenowano na oceanie publicznie dostępnego tekstu. Roboty potrzebują czegoś zupełnie innego: danych opisujących fizyczną interakcję ze światem. A takie dane praktycznie nie istnieją.

Problem jajka i kury

Filmiki z YouTube? Za niska jakość, nie da się ich pogodzić z fizyką. Nagrania od pracowników gigowych? Też kiepskie. I tu wchodzi XDOF (czyta się „eks-dof”), startup wychodzący dziś z trybu ukrycia z założeniem, że kolejnym wielkim wąskim gardłem AI nie będą ani modele, ani chipy, tylko pętla sprzężenia zwrotnego potrzebna, by nauczyć roboty dotykać rzeczywistości.

Firma zebrała 70 milionów dolarów od Thrive Capital, Spark Capital, a16z, Lux i WndrCo. Ma około 60 pracowników i, jak twierdzi współzałożyciel oraz CEO Philipp Wu, już współpracuje z 20 klientami, w tym kilkoma czołowymi laboratoriami AI, których jednak nie może wymienić.

„Wszystkie najlepsze laboratoria próbują iść w robotykę. Widzieliśmy już skutki niewielkiego opóźnienia w wyścigu o modele językowe… nie chcesz znaleźć się w sytuacji, w której zabierasz się za tę technologię za późno.”

- Philipp Wu, współzałożyciel i CEO XDOF

Najlepsze w tej historii jest to, że Wu nie wymyślił problemu przy tablicy z prognozami rynkowymi. Wpadł na niego boleśnie jako doktorant na UC Berkeley. Jego badania miały dotyczyć tego, jak roboty uczą się umiejętności z dużych zbiorów danych. Tyle że, jak sam mówi: „Nie mieliśmy dużych zbiorów danych, z którymi moglibyśmy pracować”. Klasyczny problem jajka i kury - najpierw trzeba zebrać dane, zanim w ogóle można zapytać, jak wytrenować model fundamentowy dla robotyki.

Od taniego ramienia do biznesu

Z tej frustracji narodził się GELLO - tani system teleoperacji, pozwalający człowiekowi sterować robotycznym ramieniem, by generować dane treningowe. Praca okazała się na tyle wpływowa, że inni badacze masowo zaczęli używać podobnych urządzeń do zbierania danych. I tu Wu, jego przyszły CTO Fred Shentu oraz trzeci współzałożyciel i COO Nemo Jin dostrzegli okazję. W październiku 2024 roku odpalili XDOF.

Tu robi się ciekawie, bo sami zdają sobie sprawę, że samo dostarczanie danych to ślepa uliczka biznesowa. Dlatego firma stawia też na czyszczenie danych, narzędzia i anotację - cały samonapędzający się ekosystem dla tych, którzy trenują roboty. To sprytne. Sprzedawanie surowych danych to handel commodity. Sprzedawanie całej infrastruktury, której frontierowe laboratoria nie chcą albo nie potrafią zbudować same, to już coś, na czym buduje się trwałą pozycję.

Na dobry początek XDOF nawiązał współpracę z laboratorium AI na UC Berkeley i wypuszcza zbiór danych o nazwie ABC, który jego twórcy uważają za największą kolekcję wysokiej jakości danych treningowych dla robotów, jaką kiedykolwiek złożono. W środku: 130 tysięcy trajektorii manipulacji robotycznej, 300 godzin symulacji i 100 godzin ewaluacji.

Wiem, że to nie brzmi tak ekscytująco jak premiera kolejnego modelu, który zdaje maturę z matematyki. Ale właśnie o to mi chodzi. Każda rewolucja technologiczna ma swoją niewidzialną warstwę żmudnej pracy, którą nikt nie chce wykonywać, dopóki ktoś nie zrobi z niej biznesu. Dla internetu byli to ludzie układający światłowody. Dla chmury - serwerownie chłodzone do bólu. Dla fizycznej AI mogą to być firmy takie jak XDOF, mozolnie nagrywające, jak ramię podnosi kubek. Stawiam na to, że za kilka lat to właśnie te nudne pipeline’y danych okażą się fundamentem, na którym stoją wszystkie błyszczące roboty z prezentacji. Reszta to tylko demo.