Onde cerebrali e muscoli in affitto: le insolite fabbriche di dati che addestreranno i robot di domani

Punti chiave

• Encord, una società di data tooling con sede a San Leandro, California, sta raccogliendo letture delle onde cerebrali dai lavoratori umani per costruire dati di addestramento più ricchi per i robot.
• I sensori per le onde cerebrali provengono da Zander Labs, una startup tedesca di neuroscienze, e il progetto è attualmente una prova per testare se i dati migliorano effettivamente le prestazioni dei robot.
• Il responsabile dell'apprendimento robotico di Encord stima che servirebbero dati circa cinque volte più grandi dell'intera libreria video di YouTube per avanzare significativamente nell'IA fisica.
• Generare dati di addestramento fisico costa denaro reale, a differenza dello scraping di testo quasi gratuito che ha costruito gli attuali modelli di chatbot.
• Un numero crescente di startup considera ora la creazione di dati di addestramento un'attività commerciale a sé stante, non solo un problema di ricerca.

Andrew Ceja sta tirando blocchi di legno da una torre Jenga. Il visore che indossa non lo rende semplice.

Ceja lavora presso Encord, una società che costruisce strumenti per addestrare modelli di IA. Il suo titolo è "pilota", il termine di Encord per un addestratore robotico: una persona i cui movimenti e decisioni diventano lezioni per il software robotico. Il visore registra quello che vede. Legge anche le sue onde cerebrali.

Perché tracciare le onde cerebrali di un lavoratore?

L'idea è dare al software robotico indizi più ricchi su come si sente veramente eseguire un compito dall'interno. Un video standard di qualcuno che tira un blocco da una torre dice a un robot cosa ha fatto la mano. I dati sulle onde cerebrali dello stesso momento possono evidenziare quando il lavoratore si è sentito incerto, ha commesso un errore mentale o è stato colto di sorpresa.

Il visore è stato costruito da Zander Labs, una startup tedesca di neuroscienze. Lucas Gehrke, un neuroscienziato di Zander che supervisiona il progetto, dice che il livello di attività cerebrale in qualsiasi momento durante un compito può aiutare i costruttori di modelli a decidere quando il loro software deve lavorare più duramente. Encord definisce questo una prova: costruire un dataset iniziale etichettato con onde cerebrali, testarlo su modelli robotici reali, vedere se produce risultati prima di ampliare la scala.

Quale problema specifico stanno cercando di risolvere queste società?

L'IA robotica è bloccata da una scarsità di dati. L'IA dei chatbot dietro strumenti come ChatGPT è stata addestrata essenzialmente su tutto internet, miliardi di pagine di testo raccolte quasi gratuitamente. L'IA fisica, il tipo che insegna a un braccio robotico a versare il caffè o staccare un cavo, non può fare lo stesso. Non puoi fare scraping di un magazzino dal web.

Vineeth Velmurugan, responsabile dell'apprendimento robotico di Encord e membro precedente del laboratorio robotico di OpenAI, espone chiaramente il divario. Stima che raggiungere un vero progresso nell'IA fisica richiederebbe un dataset circa cinque volte la dimensione dell'intera libreria video di YouTube. "I dati semplicemente non esistono," ha detto a TechCrunch AI.

Per costruirlo, Encord gestisce un impianto a San Leandro dove i lavoratori utilizzano sistemi leader-follower, coppie di bracci robotici in cui un umano controlla uno e l'altro copia ogni movimento, per generare video di compiti come versare caffè e impilare fiches di poker. Scaffali di stoccaggio contengono fiori finti, verdure di plastica, sacchi di cavi per addestrare i robot al lavoro domestico e di magazzino.

Encord equipaggia anche i lavoratori con sensori di lettura muscolare sugli avambracci. I video delle mani che manipolano oggetti spesso perdono parte della mano; i sensori dell'avambraccio leggono i segnali elettrici che i muscoli producono e permettono a Encord di costruire un'immagine tridimensionale della posizione della mano in ogni momento.

Ogni clip video riceve un'etichetta scritta: "la mano destra stringe il bullone," per esempio. Velmurugan dice che questo tipo di annotazione dettagliata vale cento volte di più rispetto a video senza tag per addestrare competenze specifiche, e costa solo venti volte di più da produrre. Un buon affare sulla carta. In pratica costa ancora denaro reale, ed è esattamente dove il confronto tra l'IA robotica e l'IA dei chatbot si rompe.

Abbiamo osservato questo problema di scarsità di dati accumularsi nelle 103 storie di robotica negli ultimi 30 giorni, e il risultato coerente è che l'hardware e l'architettura del modello sono avanti rispetto ai dati necessari per azionarli.

Dovremmo preoccuparci?

Non oggi. Ma Ceja e il suo collega Sofia Infante stanno facendo qualcosa che non esisteva come lavoro pochi anni fa: produrre la materia prima da cui il software robotico impara. Man mano che quel software migliora, i robot che addestra assumeranno sempre più lavoro fisico svolto da persone nei magazzini, nei data center o nelle case.

Il giudizio onesto di questo settore: l'angolo delle onde cerebrali è genuinamente interessante e probabilmente sottovalutato, ma la storia più grande è economica. Costruire dati di addestramento fisico su larga scala costa ordini di grandezza più di quanto lo scraping di testo abbia mai fatto. Chi risolve quel problema di costi, non solo quello tecnico, avrà il vantaggio reale su dove andrà l'IA fisica successivamente.