Китайський стартап робототехніки хоче створити «рецепт» для надання роботам загальної інтелектуальності
X Square Robot відкриває вихідний код свого AI-стеку, який мають зробити для фізичних роботів те, що великі мовні моделі зробили для тексту. Підхід цікавий. Однак незалежні докази поки що обмежені.
Ключові моменти
- X Square Robot, китайська компанія у галузі втіленого AI, випускає свій повний AI-стек для робототехніки як відкритий код у 2025 році.
- Компанія стверджує, що її метод збору даних досягає продуктивності, порівнянної з датасетами з повністю робовими системами, але приблизно в 20 разів дешевше.
- Її світова модель WALL-WM організує поведінку робота навколо названих дій, таких як «захоплення» або «охоплення», а не фіксованих часових вікон.
- Її модель дій Wall-OSS-0.5 розроблена для роботи на справжньому роботі до будь-якого налаштування для конкретної задачі, що рідко зустрічається в цій галузі.
- Усі поки що заявлені результати походять з власних бенчмарків компанії, тому незалежне тестування їх ще не підтвердило.
Навчіть AI-систему достатній кількості тексту, і виникне щось корисне. Цей висновок, який називається попередньою підготовкою на широких даних, перетворив великі мовні моделі, технологію, що стоїть за чат-ботами на кшталт ChatGPT, на загальні інструменти, які мільйони людей використовують щодня.
Робототехніка не має еквівалентного ярлика. Робот, який складає білизну, не може просто перенести цю навичку на завантаження посудомийної машини. Системи, які працюють всередині більшості роботів сьогодні, побудовані з окремих спеціалізованих компонентів, які не складаються в щось загальне.
X Square Robot, китайська компанія, зосереджена на тому, що дослідники називають втіленим AI (тобто AI, що живе у фізичному тілі й повинен діяти в реальному світі), вважає, що знайшла рецепт. І, що незвично для китайського AI-стартапу, вона випускає його ядро для всіх.
Ставка компанії спирається на три рівні, які працюють разом: як роботи збирають дані для навчання, світова модель, яка передбачає, що станеться далі у фізичному світі, та модель дій, яка перетворює сприйняття та міркування на реальний рух.
Що робить це відмінним від інших проектів робото-AI?
Найбільш відмітна частина — це те, як X Square Robot обробляє дані, приклади, з яких робот вчиться. Збір демонстрацій робота є дорогим, оскільки потрібен справжній робот, навчений оператор та години ретельного нагляду. X Square Robot побудувала носійний пристрій з двома захоплювачами, який людина носить на руках. Жодного робота не потрібно. Це різко знижує вартість збирання.
Але дешевші дані марні, якщо вони неправильні. Компанія додає перевірку якості, яка справді незвична: вибірка записаних рухів фізично відтворюється на справжньому роботі, і лише рухи, які завершують завдання, вважаються дійсними. Захоплювач, який закривається на дріб секунди раніше, може виглядати як успішне захоплення в записі, але робот насправді відштовхнув предмет. Така траєкторія відхиляється.
Компанія повідомляє, що поєднання цих дешевших даних людської демонстрації з невеликою кількістю даних реальних роботів досягає продуктивності, порівнянної з датасетами, зібраними повністю на роботах, приблизно в одну двадцяту вартості. Це вражаюча заява. Застереження, як відзначив IEEE Spectrum AI у своєму висвітленні, полягає в тому, що ці цифри походять з власних роботів і тестів X Square Robot. Зовнішні дослідники їх ще не незалежно підтвердили.
Світова модель під назвою WALL-WM приймає інший підхід до часу. Більшість AI-систем для робототехніки розбивають рух на фіксовані частини, як фільм розрізають на кадри рівної довжини. WALL-WM натомість організує поведінку навколо значущих подій: захоплення, утримання, розміщення. Кожна подія закінчується, коли дія завершена, а не коли стрілка години переходить. Ідея полягає в тому, що межі повинні відповідати тому, що насправді відбувається, а не тому, що зручно обчислити.
Модель дій Wall-OSS-0.5 — це модель зору-мови-дій (програмне забезпечення, яке читає зображення з камери, розуміє мовні інструкції та виробляє фізичний рух). Вказаний компанією вимога до неї полягає в тому, що модель повинна робити щось корисне на справжньому роботі, перш ніж хто-небудь навчатиме її далі для конкретного завдання. Спочатку загальна попередньо навчена здатність, потім спеціалізація. Цей порядок — ціль всього проекту.
Для звичайних людей все це сьогодні нічого не змінює. Універсальні домашні роботи залишаються на роки далі. Але якщо незалежні дослідники зможуть відтворити й розширити ці результати, відкритий випуск коду може прискорити розвиток галузі так, як закрита проприєтарна система не зможе.
