A fizikai AI – az a terület, amely a nagynyelvi modellekhez hasonló módszereket vitetné be a robotikába – hatalmas befektetői érdeklődést kap: startupok és cégek milliárdokat gyűjtenek a technológia alkalmazására. A lelkesedés tavaly-idei időszakban elősegítette például a kínai Unitree nagy IPO-ját, amelynek tőzsdei debütálása után a cég piaci értéke 66 milliárd dollárra rúgott. Ezen a héten azonban a részvényárfolyam összeomlott, és a vállalat értékének közel a fele odalett. Elemzők szerint a probléma kézenfekvő: a fizikai képességek ugyan javulnak, de a robotok még nem rendelkeznek azzal a tudással, amely valódi, értéket teremtő munkavégzésre képesítené őket.
A fejlesztői közösség és az adatválság
Az Actuate konferencián — ahol az AI-„agyaikat” fejlesztő mérnökök és cégek gyűltek össze — a szektor izgalma jól látható volt. A rendezvény az indulása óta háromszorosára nőtt (2023 óta), és az igazgató Foxglove szerint idén mintegy 1500 résztvevőt vonzott. Ugyanakkor a kockázatok is kézzelfoghatók: egy kiállítói standon az Avala felirat azt ígérte, hogy megoldják „a robotikai adatválságot”.
Ez az adatválság azt jelenti, hogy hiányoznak a nagy minőségű, sokszínű képzési adatkészletek a fizikai AI-modellekhez. A generalizált robotok, amelyek bármilyen feladatot elvégezhetnének, még messze vannak; az end-to-end tanulási megközelítések pedig adott feladatokra sem hoztak még megbízható, kereskedelmileg használható szintű teljesítményt. A fejlesztők válasza az, hogy a vezető AI-laborok előrelépéseit kell lemásolni: több és sokszínűbb adatot kell találni vagy előállítani, eltérő képzési rendszerekkel kísérletezni, és jobb megerősítéses tanulási (reinforcement learning) forgatókönyveket kialakítani.
Harry Mellsop, az Antioch nevű, szimulációs eszközöket fejlesztő startup alapítója úgy véli, a fizikai AI most a „GPT-2 korszakában” van — vagyis egy olyan állapotban, amely előzi a széles körű felhasználást hozó áttörést. Szerinte több adat és számítási kapacitás szükséges a következő ugráshoz, különösen a nagyfelbontású szimulációkhoz optimalizált GPU-kra, amelyek a ray tracingre épülnek.
Autonóm járművek, közös eszközkészletek és a vertikális fókusz
A legtovább az autonóm járművek jutottak, részben mert könnyebb releváns adatokhoz jutni olyan autókból, amelyeket emberek vezetnek, részben mert a fő feladat az ütközés elkerülése, nem a fizikai környezettel való bonyolult manipuláció. Sok modellező eszköz is innen ered: például a Foxglove alapítói korábban a General Motors Cruise önvezető projektjén dolgoztak.
Az autóipari cégek most arra számítanak, hogy a gépi tanulási eszközökbe fektetett beruházásaik versenyképes előnyt adnak majd a humanoid robotkészítők ellen. A Tesla Optimus robotja erre a stratégiai irányra példa; az AV-fókuszú Wayve és az Uber is humanoid formátumú robotika-kutató laborokat indított.
Alex Kendall, a Wayve vezérigazgatója szerint érdemes az autókban kezdeni a fejlesztést: „a manipulációs robotika olyan, mint az önvezetés öt évvel ezelőtt”. Szerinte a data infrastructure, a szimuláció és az MLOps rendszerek nagy része megosztható lesz, bár a szimulátorok világmodellje az egyes testre-szabott platformokhoz eltérő utótréninget fog igényelni. Kendall azt is hangsúlyozza, hogy még korai egyetlen hardverplatformhoz ragaszkodni, mert a szenzorok és alkatrészek gyorsan fejlődnek.
Ezzel szemben Théophile Gervet, a Genesis AI vezérigazgatója — egy, idén 105 millió dolláros seed-kört záró, vertikálisan integrált humanoid robotikai cég — úgy véli, hogy még túl korai a pusztán agy-stratégiára támaszkodni. „Szerintünk sok lehetőség van a hardver és az AI együttes tervezésében” — mondta.
Gervet a piaci fókusz kérdésére is kitért: azok a robotikai vállalatok, amelyek konkrét feladatokra céloznak, hamarabb viszik ki termékeiket a terepre — például a Gritt napelemparkokat épít, az Agility ipari környezetekben telepít robotokat, a Bedrock pedig önvezető kotrógépekkel dolgozik. Ezzel szemben az általános célú humanoidok jórészt a laborokban maradnak.
„Egyetlen ügyfél sem törődik az általános célú robotral, amely 80%-os sikerességgel működik” — fogalmazott Gervet. Szerinte a vertikális fókusz bevételt és értékes terepadatokat hoz; ugyanakkor figyelmeztetett, hogy aki egy korábbi modellre (például GPT‑2‑szerű) épít vertikumot, azt a későbbi, jobb alapmodellek (például GPT‑4‑szintű) fejlesztői elsöprik.
Bedrock CTO-ja, Kevin Peterson azt emelte ki, hogy az ő vállalatuk éppen az ásatás (excavation) feladatával kezd, mert ezzel lehet megismerni a „manipuláció a természetben” kihívásait; a terv egy olyan intelligencia réteg kialakítása, amely többféle építőgép fölött tud működni.
Adatkezelés, szimuláció és a következő áttörés keresése
A vizuális és lidar-adatok nagy sűrűsége miatt az adatkezelés komoly problémát jelent. A Foxglove ezen a héten egy új terméket jelentett be, amely Nvidia Cosmos nevű, nyílt súlyú világmodelljére épül, és lehetővé teszi a mérnökök számára, hogy kifinomult természetes nyelvű lekérdezésekkel keressenek az adathalmazok között, illetve gyorsabban építsenek ki értékeléseket és szimulációkat. A cél a gyorsabb hibakeresés és iteráció.
Mi lesz az a „ChatGPT-pillanat”, amelyet Sam Altman szerint néhány éven belül láthatunk a fizikai AI-ban? Alex Kendall szerint a fogyasztók izgalma számítana ennél a fordulópontnál, nem csupán a befektetők lelkesedése: jelenleg a világ legnagyobb robottelepítései a háztartási porszívórobotok. Egy valódi áttörés szerinte az lenne, ha például egy autóban képesek lennének „eyes-off” autonómiát elérni kevesebb, mint 1000 dollárnyi hardverköltséggel — és Wayve erre licenceli a modelljeit autógyártóknak.
Gervet definíciója szerint a fizikai AI akkor lesz „valódi”, ha a manipuláció egyszerű feladatoknál „do out of the box” működik: természetes nyelven utasítva a robot képes legyen 80% fölötti megbízhatósággal alapvető manipulációs feladatokat elvégezni (tolás, húzás, egy laptop becsukása, asztal rendberakása stb.).
Foxglove vezérigazgatója, Adrian Macneil azonban másként látja: szerinte nem lesz egyetlen ChatGPT-szerű pillanat a robotikában. A ChatGPT sikerét az gyors elterjedés tette egy pillanatra nyilvánvalóvá — a való világban a distribúció sokkal nehezebb. Macneil szerint sokkal inkább egy Apple II- vagy IBM PC-szerű fordulópont lesz fontos: az a kérdés, mikor lehet megvásárolni egy otthoni robotot, amely valódi, hasznos és szórakoztató funkciókat kínál.
Következtetés
A fizikai AI körüli tőke és kísérletezés intenzív, de a mező áttörése lassúbb annál, mint amit a befektetői hype sugall. Hiányzik a nagy, sokszínű és magas minőségű adat; fejlettebb, nagyfelbontású szimulációkhoz és a számítási infrastruktúrához optimalizált hardver; valamint a gyakorlati terepkísérletekből származó adatok, amelyeket gyakran a szűk vertikumok szolgáltatnak. Az iparág szereplői abban egyetértenek, hogy a közös eszközök és jobb adatkezelés felé tett lépések segíthetik a haladást, miközben a különböző megközelítések — autós kezdés, vertikális fókusz vagy hardver‑AI együttes tervezés — párhuzamosan futnak a további fejlődés érdekében.
