Zapomnij o szumie medialnym — kluczem do inteligentniejszych robotów jest człowiek w goglach

Podczas gdy popularne narracje sugerują, że humanoidalne roboty wkrótce zawitają do naszych drzwi dzięki potężnym superkomputerom, rzeczywistość jest znacznie bardziej przyziemna. W cichym magazynie w San Leandro w Kalifornii przyszłość fizycznej sztucznej inteligencji przypomina mniej lśniące laboratorium, a bardziej grę w Jenga. Andrew Ceja, specjalista ds. szkoleń w firmie technologicznej Encord, spędza dnie na ostrożnym wyciąganiu drewnianych klocków z wieży, mając na głowie zestaw wyposażony w kamery i elektrody wykrywające aktywność mózgu. Ta nietypowa konfiguracja ujawnia fundamentalną prawdę o nowoczesnej technologii: skończyło nam się cyfrowe paliwo potrzebne do uczynienia robotów inteligentnymi.

Dolina Krzemowa spędziła ostatnią dekadę na przeszukiwaniu każdego zakątka internetu w celu trenowania chatbotów. Jeśli wpiszesz pytanie do AI, system odpowie na podstawie miliardów stron tekstu napisanych przez ludzi. Nie istnieje jednak odpowiednik „internetu ruchu” dla zadań fizycznych. Robot nie może nauczyć się składać koszuli ani układać palet, czytając wpis w Wikipedii. Potrzebuje danych, które pokazują, jak siły, kąty i intencje oddziałują na siebie w trójwymiarowym świecie. Ten niedobór informacji fizycznych jest głównym powodem, dla którego w Twoim domu wciąż brakuje niezawodnego, zautomatyzowanego lokaja.

Wielka susza danych fizycznych

Logika stojąca za generatywną sztuczną inteligencją jest prosta: więcej danych prowadzi do lepszych wyników. Sprawdziło się to w przypadku dużych modeli językowych (LLM), ponieważ sieć jest nieskończoną biblioteką ludzkich myśli. Roboty nie mają tego luksusu. Firmy takie jak Encord odchodzą teraz od zarządzania istniejącymi danymi na rzecz wytwarzania nowych danych od zera. W zasadzie budują cyfrową fabrykę ludzkich doświadczeń.

Vineeth Velmurugan, który kieruje nauką robotów w Encord, jest weteranem czołowych laboratoriów, takich jak OpenAI. Wyjaśnia, że nawet ogromna biblioteka wideo, taka jak YouTube, jest niewystarczająca, aby robot nauczył się złożonej manipulacji. Oglądanie filmu przedstawiającego osobę nalewającą kawę to nie to samo, co czucie ciężaru dzbanka czy chlupotania płynu. Velmurugan szacuje, że branża potrzebuje zestawu danych około pięciokrotnie większego niż YouTube, aby osiągnąć przełom w inteligencji fizycznej. Tworzy to ogromne wąskie gardło, ponieważ zbieranie tych informacji wymaga od prawdziwych ludzi wykonywania rzeczywistych zadań w czasie rzeczywistym. Jest to powolny, ręczny proces w branży, która zazwyczaj porusza się z prędkością światła.

Czytanie w myślach, by uczyć maszyny

Najbardziej eksperymentalna część tego wytwarzania danych obejmuje neurotechnologię. Encord testuje obecnie zestawy od Zander Labs, niemieckiego startupu, aby rejestrować to, co dzieje się w ludzkim mózgu podczas pracy fizycznej. Gdy trener, taki jak Ceja, gra w Jenga, zestaw śledzi jego fale mózgowe, aby wykryć stany psychiczne. Czujniki szukają sygnałów zaskoczenia, błędu lub intensywnego skupienia.

Lucas Gehrke, neurobiolog z Zander Labs, zauważa, że sygnały te oferują wskazówki, których kamery wideo nie dostrzegają. Jeśli ludzki trener poczuje moment paniki, ponieważ wieża zaraz się zawali, ta wewnętrzna reakcja jest cennym punktem danych. Mówi ona modelowi AI, że ten konkretny moment jest krytyczny. Oznaczając dane wideo aktywnością mózgu, programiści mogą uczyć roboty nie tylko tego, co robić, ale także tego, które momenty wymagają największej ostrożności. To tak, jakby dać stażyście mentora, który może dzielić się swoimi instynktami, a nie tylko instrukcją obsługi.

Takie podejście zmienia każdy ludzki ruch w bogaty, wielowarstwowy plik. Dane obejmują wideo z zadania, pozycję ramion trenera oraz aktywność elektryczną jego mózgu. Ta kombinacja tworzy mapę ludzkich umiejętności o wysokiej wierności, którą maszyna może ostatecznie naśladować.

Dlaczego Twój czas przed ekranem nie wytrenuje robota

Przeciętny konsument może się zastanawiać, dlaczego nie możemy po prostu wykorzystać miliardów godzin nagrań z dzwonków do drzwi i kamer bezpieczeństwa do trenowania tych maszyn. Problem leży w perspektywie. Większość istniejących nagrań wideo jest w „trzeciej osobie” i brakuje w nich precyzyjnych danych przestrzennych, których robot potrzebuje do poruszania własnymi kończynami. Aby to rozwiązać, Encord używa wideo „egocentrycznego”, które jest filmowane z perspektywy osoby wykonującej pracę.

W San Leandro piloci używają zestawów typu „lider-naśladowca”. Są to sparowane ramiona robotyczne, w których człowiek porusza jednym zestawem, a robot dokładnie naśladuje ten ruch. Gdy człowiek podłącza kabel ethernetowy do serwera lub układa żetony pokerowe, każda mikro-regulacja jest rejestrowana. Jest to znacznie bardziej precyzyjne niż zwykłe wideo. Rejestruje trudność zadania. Sofia Infante, inna pilotka w placówce, demonstruje trudność podłączania kabli. Nawet z zaawansowanymi czujnikami, zrobotyzowane chwytaki nie mają zręczności ludzkich palców. Zebrane tutaj dane rejestrują te porażki i sukcesy, aby pomóc przyszłym modelom wypełnić tę lukę.

Wysoki koszt wytworzonej intuicji

W tym nowym podejściu do AI istnieje znacząca bariera ekonomiczna. Pobieranie tekstu z sieci jest praktycznie darmowe, ale wytwarzanie danych fizycznych jest kosztowne. Encord dodaje do swoich danych gęste adnotacje, takie jak etykietowanie konkretnego ruchu jako „prawa ręka dokręca śrubę”. Velmurugan zauważa, że te wysokiej jakości, opisane dane są 100 razy cenniejsze niż surowe wideo do trenowania konkretnych umiejętności. Jednak ich wyprodukowanie kosztuje 20 razy więcej.

Ta zmiana w ekonomii zmienia trajektorię branży. AI nie jest już tylko problemem programistycznym, który można rozwiązać za pomocą większej ilości energii elektrycznej i szybszych procesorów. Jest to teraz problem logistyczny i pracowniczy. Elementy budulcowe przyszłych humanoidalnych robotów są wytwarzane ręcznie przez wyspecjalizowanych pracowników w magazynach. Oznacza to, że przejście na fizyczną AI będzie prawdopodobnie droższe i wolniejsze niż przejście na cyfrową AI. Niewidzialnym kręgosłupem branży nie jest już tylko krzem, ale fizyczny wysiłek ludzkich trenerów.

Co to oznacza dla Twojego przyszłego domu

Praktycznie rzecz biorąc, nacisk na dane o falach mózgowych i ręczne stanowiska treningowe sugeruje, że wyspecjalizowane roboty pojawią się na długo przed tymi ogólnego przeznaczenia. Prawdopodobnie zobaczymy maszyny, które są doskonałe w konkretnych, wysokowartościowych zadaniach — takich jak zarządzanie centrami danych lub sortowanie zapasów w magazynach — zanim zobaczymy robota, który potrafi posprzątać zagraconą kuchnię. Dane dla centrów danych są łatwiejsze do wytworzenia i bardziej opłacalne do gromadzenia.

Patrząc na szerszy obraz, badania te podkreślają powrót do wartości ludzkiego dotyku. Nawet najbardziej zaawansowane firmy AI zdają sobie sprawę, że nie mogą ignorować złożoności ludzkiego ciała i umysłu. „Sekretnym składnikiem” nowej generacji gadżetów nie jest nowy algorytm, lecz głębsze zrozumienie tego, jak ludzie wchodzą w interakcje ze światem.

Ostatecznie postęp fizycznej AI zależy od tego, jak dobrze potrafimy przetłumaczyć nasze własne podświadome nawyki na kod. Kiedy w przyszłości zobaczysz robota pomyślnie wykonującego zadanie, będzie to wynik tysięcy godzin pracy ludzkich pilotów noszących gogle i grających w gry. Droga do automatyzacji jest, paradoksalnie, wybrukowana intensywną ludzką pracą. Dla konsumentów oznacza to, że choć technologia ta się pojawia, pozostaje produktem premium zdefiniowanym przez wysoki koszt jej edukacji.

Źródła: TechCrunch industrial reporting, Encord corporate briefings, Zander Labs technical documentation, OpenAI robotics research archives.