Startup Physical Intelligence stworzył AI, która uczy roboty zadań bez treningu. Model sam wpadł na to, jak użyć frytkownicy. To przełom w robotyce.
W skrócie:
- Model π0.7 od Physical Intelligence wykazuje zdolność do generalizacji kompozycyjnej – łączy nabyte umiejętności, by rozwiązywać zupełnie nowe problemy.
- Robot samodzielnie nauczył się obsługiwać frytkownicę, której prawie nie widział w danych treningowych, co kompletnie zaskoczyło jego twórców.
- Firma, wyceniana na 5,6 mld dolarów, może wkrótce podwoić tę wartość dzięki przełomowej technologii, mimo braku gotowego produktu komercyjnego.
San Francisco, zagłębie technologicznych rewolucji, znów ma swojego faworyta. Nazywa się Physical Intelligence i jest startupem robotycznym, o którym do niedawna było cicho. Dziś jest na ustach wszystkich, a opublikowane właśnie badania pokazują dlaczego. Ich najnowszy model AI, nazwany π0.7, potrafi sterować robotami tak, by wykonywały zadania, do których nigdy nie były szkolone. To, co się wydarzyło, zaskoczyło nawet samych badaczy.
Nowy model to wczesny, ale niezwykle ważny krok w kierunku stworzenia czegoś na kształt uniwersalnego mózgu robota – systemu, któremu można wskazać zupełnie nowe zadanie, wytłumaczyć je prostym językiem, a on po prostu je wykona. Jeśli te wyniki się potwierdzą, robotyka może znajdować się w punkcie zwrotnym, podobnym do tego, który kilka lat temu przeżyły modele językowe. To moment, w którym zdolności systemu zaczynają rosnąć w tempie wykładniczym, wyprzedzając to, co wynikałoby z samych danych treningowych.
Jak robot nauczył się gotować, chociaż nikt mu nie pokazał?
Kluczowym terminem jest tu generalizacja kompozycyjna – zdolność do łączenia umiejętności nabytych w różnych kontekstach w celu rozwiązania problemów, z którymi model nigdy wcześniej się nie zetknął. Do tej pory szkolenie robotów przypominało wkuwanie na pamięć. Zbierz dane do konkretnego zadania, wytrenuj na nich wyspecjalizowany model, a potem powtórz cały proces dla każdego kolejnego zadania. Syzyfowa praca. Physical Intelligence twierdzi, że π0.7 przełamuje ten schemat.
Najbardziej spektakularnym dowodem jest eksperyment z frytkownicą. Model w zasadzie nigdy nie widział jej w danych treningowych. Gdy zespół zaczął drążyć, znalazł zaledwie dwa ślady: w jednym z nich inny robot po prostu zamknął urządzenie, a w drugim – pochodzącym z otwartego zbioru danych – jeszcze inny robot umieścił w środku plastikową butelkę. Nic więcej. A jednak model jakoś zsyntetyzował te fragmenty, dorzucił do tego ogólną wiedzę zdobytą z danych internetowych i… zrozumiał, jak działa frytkownica. Bez żadnych wskazówek podjął próbę upieczenia batata. Gdy operatorzy zaczęli prowadzić go krok po kroku, wydając ustne polecenia – jak nowemu pracownikowi w kuchni – zadanie zostało wykonane perfekcyjnie.
“Zwykle nie jestem zaskoczony. Ale to było coś innego”
To, co najbardziej uderza w relacjach twórców, to nie tyle sam sukces, ile ich autentyczne zdziwienie. Ludzie, których praca polega na perfekcyjnej znajomości danych, nagle zobaczyli coś, czego nie potrafili przewidzieć. “Moje doświadczenie zawsze było takie, że gdy dogłębnie znam dane, mogę w zasadzie odgadnąć, co model będzie w stanie zrobić” – mówi Ashwin Balakrishna, naukowiec z Physical Intelligence. “Rzadko bywam zaskoczony. Ale ostatnie kilka miesięcy to pierwszy raz, kiedy jestem autentycznie zdumiony. Kupiłem losowy zestaw kół zębatych i poprosiłem robota: ‘Hej, czy możesz obrócić to koło?’. I to po prostu zadziałało”.
Sergey Levine, współzałożyciel firmy i profesor na UC Berkeley, przywołuje moment, gdy badacze po raz pierwszy zobaczyli, jak GPT‑2 generuje historię o jednorożcach w Andach. “Skąd, do licha, on dowiedział się o jednorożcach w Peru?” – wspomina. “To tak dziwne połączenie. I myślę, że zobaczenie czegoś podobnego w robotyce jest naprawdę wyjątkowe”.
Oczywiście, system ma ograniczenia. Nie można mu jeszcze powiedzieć: “Hej, zrób mi tosta”. Ale można go przez to przeprowadzić. “W przypadku tostera: otwórz tę część, naciśnij tamten przycisk, zrób to – wtedy zazwyczaj działa całkiem nieźle” – wyjaśnia Levine. Czasem problemem nie jest model, a człowiek. Lucy Shi, badaczka z Physical Intelligence, opisuje, że pierwsze próby z frytkownicą miały 5% skuteczności. Po pół godzinie dopracowywania poleceń (czyli prompt engineeringu) wskaźnik skoczył do 95%.
Czy to już rewolucja, czy tylko “nudne” demo?
Sceptycy naturalnie wskażą, że modele językowe miały do nauki cały internet, a roboty nie. Levine spodziewa się jednak krytyki z zupełnie innej strony. “Zarzut, który zawsze można postawić każdemu demo generalizacji w robotyce, jest taki, że zadania są… nudne” – przyznaje. “Robot nie robi salta w tył”. Uważa jednak, że właśnie na tym polega sedno sprawy. Prawdziwa generalizacja zawsze będzie wyglądać mniej dramatycznie niż starannie wyreżyserowany popis kaskaderski, ale jest nieporównywalnie bardziej użyteczna.
Startup, który zebrał już ponad miliard dolarów finansowania, a jego ostatnia wycena sięgnęła 5,6 miliarda, nieprzypadkowo przyciąga uwagę. Jednym z jego współzałożycieli jest Lachy Groom, anioł biznesu, który wspierał takie potęgi jak Figma czy Notion. Jego obecność to dla inwestorów sygnał, że dzieje się tu coś naprawdę ważnego. Na tyle ważnego, że – jak donoszą media – Physical Intelligence prowadzi rozmowy w sprawie nowej rundy finansowania, która mogłaby podwoić wycenę firmy do 11 miliardów dolarów. Zespół na razie odmawia komentarza. Kiedy zobaczymy te roboty w akcji? Levine nie chce spekulować. “Myślę, że są powody do optymizmu. Postęp jest szybszy, niż się spodziewałem kilka lat temu. Ale bardzo trudno mi odpowiedzieć na to pytanie”.