Ondas cerebrais e músculos emprestados: as fazendas de dados inusitadas que treinam os robôs do futuro

Pontos-chave

• A Encord, uma empresa de ferramentas de dados sediada em San Leandro, Califórnia, está a recolher leituras de ondas cerebrais de trabalhadores humanos para construir dados de treinamento mais ricos para robôs.
• Os sensores de ondas cerebrais vêm da Zander Labs, uma startup de neurociência alemã, e o projeto é atualmente um teste piloto para verificar se os dados melhoram realmente o desempenho dos robôs.
• O responsável pela aprendizagem robótica da Encord estima que seria necessário um conjunto de dados aproximadamente cinco vezes o tamanho de toda a biblioteca de vídeos do YouTube para fazer avançar significativamente a IA física.
• Gerar dados de treinamento físico custa dinheiro real, ao contrário da raspagem de texto quase gratuita que construiu os atuais modelos de chatbot.
• Um número crescente de startups agora trata a criação de dados de treinamento como um negócio em si, e não apenas como um problema de pesquisa.

Andrew Ceja está a tirar blocos de madeira de uma torre de Jenga. O auricular que está a usar não torna isso simples.

Ceja trabalha na Encord, uma empresa que cria ferramentas para treinar modelos de IA. O seu título é "piloto", a palavra da Encord para um treinador robótico: uma pessoa cujos movimentos e decisões se tornam lições para software robótico. O auricular regista o que ele vê. Também lê as suas ondas cerebrais.

Por que alguém acompanharia as ondas cerebrais de um trabalhador?

A ideia é dar ao software robótico pistas mais ricas sobre como é uma tarefa realmente a partir de dentro. Um vídeo padrão de alguém a tirar um bloco de uma torre diz a um robô o que a mão fez. Os dados de ondas cerebrais do mesmo momento podem assinalar quando o trabalhador se sentia incerto, cometeu um erro mental, ou foi apanhado de surpresa.

O auricular foi construído pela Zander Labs, uma startup de neurociência alemã. Lucas Gehrke, um neurocientista da Zander que supervisiona o projeto, diz que o nível de atividade cerebral em qualquer momento durante uma tarefa pode ajudar os construtores de modelos a decidir quando o seu software precisa de trabalhar mais. A Encord chama a isto um teste piloto: construir um conjunto de dados inicial marcado com ondas cerebrais, testá-lo em modelos robóticos reais, ver se isso faz diferença antes de escalar.

Qual é o problema real que estas empresas estão a tentar resolver?

A IA robótica está presa numa escassez de dados. A IA de chatbot por trás de ferramentas como ChatGPT foi treinada essencialmente na internet inteira, biliões de páginas de texto recolhidas praticamente sem custo. A IA física, a que ensina a um braço robótico a despejar café ou desligar um cabo, não pode fazer o mesmo. Não se pode raspar um armazém da web.

Vineeth Velmurugan, responsável pela aprendizagem robótica da Encord e antigo membro do laboratório de robótica da OpenAI, coloca a lacuna de forma clara. Estima que atingir um avanço real na IA física exigiria um conjunto de dados aproximadamente cinco vezes o tamanho de toda a biblioteca de vídeos do YouTube. "Os dados simplesmente não existem", disse ao TechCrunch AI.

Para construí-lo, a Encord funciona uma instalação em San Leandro onde os trabalhadores usam dispositivos líder-seguidor, braços robóticos emparelhados onde um humano controla um e o outro copia todos os movimentos, para gerar gravações de tarefas como despejar café e empilhar fichas de pôquer. Racks de armazenamento contêm flores falsas, vegetais de plástico, sacos de cabos para alimentar o treinamento robótico em trabalhos domésticos e de armazém.

A Encord também equipa trabalhadores com sensores de leitura muscular nos antebraços. O vídeo de mãos a manipular objetos muitas vezes perde parte da mão; os sensores do antebraço leem sinais elétricos que os músculos produzem e permitem à Encord construir uma imagem tridimensional da posição da mão a cada momento.

Cada clip de vídeo recebe uma etiqueta escrita: "a mão direita aperta um parafuso", por exemplo. Velmurugan diz que esse tipo de anotação detalhada vale cem vezes mais do que vídeo sem etiqueta para treinar competências específicas, e custa apenas vinte vezes mais de produzir. Bom negócio no papel. Na prática ainda custa dinheiro real, que é exatamente onde a comparação entre IA robótica e IA de chatbot se desmorona.

Temos estado a observar este problema de escassez de dados a construir-se em 103 histórias de robótica nos últimos 30 dias, e a descoberta consistente é que o hardware e a arquitetura do modelo estão à frente dos dados necessários para os impulsionar.

Deve preocupar-se?

Não hoje. Mas Ceja e a sua colega Sofia Infante estão a fazer algo que não existia como profissão há alguns anos atrás: fabricar a matéria-prima a partir da qual o software robótico aprende. À medida que esse software melhora, os robôs que treina assumirão mais do trabalho físico realizado por pessoas em armazéns, centros de dados ou casas.

O julgamento honesto desta cobertura: o ângulo das ondas cerebrais é genuinamente interessante e provavelmente subestimado, mas a história maior é económica. Construir dados de treinamento físico em escala custa ordens de magnitude mais do que raspar texto alguma vez custou. Quem quer que resolva esse problema de custo, e não apenas o técnico, terá o verdadeiro controlo sobre para onde a IA física vai a seguir.