W kalifornijskim magazynie roboty uczą się, gdy ludzie grają w Jengę. Firma Encord mierzy im fale mózgowe, by stworzyć dane dla nowej generacji fizycznej AI.
W skrócie:
- Firma Encord tworzy fizyczne dane treningowe dla robotów, rozwiązując problem ich niedoboru. Eksperymentuje z takimi zadaniami jak precyzyjne układanie klocków Jenga.
- We współpracy z Zander Labs, Encord testuje zestawy słuchawkowe mierzące fale mózgowe “pilotów”, by AI lepiej rozumiała ludzką intencję, błędy i zaskoczenie.
- W przeciwieństwie do tanich danych tekstowych z internetu, fizyczne dane trzeba “wyprodukować”, co jest kosztowne, ale kluczowe dla rozwoju robotów domowych i przemysłowych.
Granica rozwoju fizycznej sztucznej inteligencji przebiega dziś przez partię Jengi w magazynie w San Leandro w Kalifornii. To tutaj, w siedzibie firmy Encord, która specjalizuje się w narzędziach do przetwarzania danych dla AI, niejaki Andrew Ceja, z zawodu “pilot” – tak firma nazywa swoich trenerów robotów – ostrożnie wyciąga drewniane klocki z chwiejącej się wieży. Ma na głowie zestaw słuchawkowy z kamerą, która śledzi jego wzrok. To jeszcze nic nadzwyczajnego. Ale ten konkretny zestaw ma też czujniki, które mierzą fale jego mózgu. Neuronauka wkracza do gry, w której stawką jest przyszłość robotyki.
Jak nauczyć maszynę myśleć jak człowiek?
Encord to jeden z rosnącej liczby startupów, które stawiają odważną tezę: następnym prawdziwym ograniczeniem w rozwoju humanoidalnych robotów będzie niedobór danych treningowych ze świata fizycznego. Dlatego firma postanowiła nie tylko zarządzać danymi, ale je produkować. Zestaw do pomiaru fal mózgowych, który nosi Ceja, został stworzony przez Zander Labs, niemiecki startup neurobiologiczny. Jego twórcy zakładają, że pomiar aktywności mózgu – w celu dedukcji stanów psychicznych takich jak błąd, intencja czy zaskoczenie – może stworzyć znacznie bardziej użyteczny zbiór danych do trenowania modeli.
Lukas Gehrke, neurobiolog z Zander Labs nadzorujący prace, wyjaśnia, że ilość aktywności mózgowej wykorzystywanej w danym momencie zadania dostarcza cennych wskazówek. Dzięki nim twórcy modeli wiedzą, kiedy należy wdrożyć algorytmy wymagające największej mocy obliczeniowej. Jak mówi Vineeth Velmurugan, szef działu uczenia robotów w Encord, to absolutna awangarda w wysiłkach na rzecz rozwiązania problemu “wąskiego gardła” w danych dla robotyki. To dane, których po prostu nie ma – twierdzi Velmurugan, weteran laboratorium robotyki OpenAI.
Dlaczego roboty nie mogą uczyć się z YouTube’a?
Ambicja, by generatywna AI zrobiła dla robotów to samo, co dla chatbotów, stale rozbija się o ten sam mur. Firmy produkujące samochody autonomiczne same zbierają dane z realnego świata, ale ten proces trudno skalować. Trenowanie na podstawie filmów wideo jest możliwe, lecz brakuje mu wierności danych fizycznych. Velmurugan szacuje, że do przełomu potrzeba zbioru danych około pięć razy większego niż cała biblioteka wideo YouTube’a. Ta skala pomaga zrozumieć, dlaczego generowanie danych stało się biznesem, a nie tylko problemem badawczym.
Firmy budujące “mózgi” robotów zwracają się obecnie ku dwóm głównym źródłom: wideo “egocentrycznemu”, nagrywanemu przez pracowników noszących kamery, oraz danym ze zdalnie sterowanych robotów. Encord robi obie te rzeczy. Kiedy odwiedziliśmy ich magazyn, piloci używali sparowanych ramion robotycznych – jedno kontrolowane przez człowieka, drugie naśladujące jego ruchy – do tworzenia danych o zadaniach takich jak nalewanie kawy (bardzo się rozlewała) czy układanie żetonów do pokera. Na półkach piętrzyły się kartony ze sztucznymi kwiatami, książki, plastikowe warzywa i kuwety dla kotów – cały ten majdan niezbędny do trenowania maszyn do prac domowych.
Ile kosztuje wyprodukowanie jednego ruchu robota?
Na jednym ze stanowisk inna pilotka, Sofia Infante, manewruje ramionami robota, aby wpinać i wypinać kable Ethernet z serwera. To praca, którą operatorzy centrów danych chętnie by zautomatyzowali, gdyby tylko roboty potrafiły manipulować z wymaganą precyzją. Chwytaki są znacznie mniej zręczne niż ludzkie palce i nie mają takiej swobody ruchów, jaką my uważamy za oczywistą.
Scrapowanie tekstu z internetu, tak jak robili to twórcy LLM, niemal nic nie kosztowało. Wytwarzanie fizycznych danych treningowych to zupełnie inna bajka. Tego rodzaju dane trzeba wyprodukować, a nie tylko zebrać, co radykalnie zmienia ekonomię budowania modeli AI. Velmurugan szacuje, że gęsto opisane dane (np. z adnotacją “prawa ręka dokręca śrubę”) są 100 razy cenniejsze niż “śmieciowe dane ego”, a ich produkcja kosztuje “tylko” 20 razy więcej. Na papierze to dobry interes. Ale “20 razy więcej” to wciąż realne pieniądze.
Mimo to postęp jest widoczny. Zarówno Infante, jak i Ceja są częścią rosnącej siły roboczej, która tworzy elementy budulcowe dla sieci neuronowych. Wcześniej pracowali w Scale, innej firmie zajmującej się adnotacją danych. Gdy wieża Jenga w końcu się przewraca, Ceja mówi, że podoba mu się wyzwanie rozwiązywania zadań dla robotów. – *“Każdego dnia jest to coś nowego!”* – podsumowuje. I trudno się z nim nie zgodzić.