W magazynie w San Leandro w Kalifornii firma Encord prowadzi nietypowe badania, które mogą zdefiniować przyszłość robotyki. Zamiast polegać wyłącznie na algorytmach, inżynierowie skupiają się na fundamentalnym problemie: fizycznym świecie, w którym roboty muszą nauczyć się funkcjonować. Andrew Ceja, jeden z operatorów pełniących rolę „trenera robotów”, z niezwykłą precyzją wyciąga klocki z wieży Jenga. Jego praca jest rejestrowana przez zestaw kamer, ale to nie wszystko – na głowie ma specjalny hełm z czujnikami monitorującymi fale mózgowe.
Wąskie gardło fizycznej sztucznej inteligencji
Współczesne firmy zajmujące się robotyką humanoidalną i automatyzacją magazynową stanęły przed barierą, której nie da się pokonać samą optymalizacją kodu. Problemem nie jest architektura modeli, lecz dotkliwy brak wysokiej jakości danych z rzeczywistego świata. Encord, który pierwotnie zajmował się narzędziami do zarządzania danymi dla systemów wizji maszynowej, przekształcił się w fabrykę danych, tworząc materiały szkoleniowe, których po prostu nie da się pozyskać w inny sposób.
Vineeth Velmurugan, szef działu uczenia robotów w Encord, podkreśla, że obecne podejście do szkolenia AI, oparte na ogromnych zbiorach wideo z internetu, nie sprawdza się w przypadku fizycznych maszyn. Aby przełamać ten impas, potrzebne są zbiory danych wielokrotnie większe niż cała biblioteka wideo serwisu YouTube. W przeciwieństwie do modeli językowych, które uczą się na tanich tekstach z sieci, dane dla robotów muszą być „produkowane” w kontrolowanych warunkach.
Innowacje w zbieraniu danych: od fal mózgowych po mięśnie
Kluczowym eksperymentem Encord jest współpraca z niemieckim startupem Zander Labs. Wykorzystanie interfejsu mózg-komputer ma pozwolić na rejestrowanie stanów mentalnych operatora, takich jak intencja, zaskoczenie czy moment popełnienia błędu. Dzięki temu modele robotyczne mogą otrzymać informację zwrotną o tym, kiedy wymagają najwyższego poziomu precyzji.
Firma testuje również inne nowatorskie metody pozyskiwania danych:
Dane po prostu nie istnieją. Musimy je wytworzyć, zamiast tylko nimi zarządzać.
Ekonomia tworzenia fizycznej inteligencji
Budowanie modeli AI dla robotów różni się od tworzenia chatbotów przede wszystkim ekonomią. Twórcy modeli językowych korzystali z darmowych zasobów internetu, podczas gdy twórcy fizycznej AI muszą finansować każdy etap pozyskiwania danych. Encord, dzięki swojej pozycji pośrednika współpracującego z wieloma czołowymi firmami robotycznymi, jest w stanie szybciej identyfikować skuteczne techniki szkoleniowe.
Dla operatorów takich jak Sofia Infante czy Andrew Ceja, praca ta jest codziennym wyzwaniem. Przekształcanie fizycznych czynności w cyfrowe dane, które pozwolą maszynom na samodzielne wykonywanie zadań w magazynach czy centrach danych, staje się nową gałęzią przemysłu. Choć bariery technologiczne pozostają wysokie – głównie ze względu na ograniczoną zręczność obecnych chwytaków robotycznych w porównaniu do ludzkich dłoni – systematyczne gromadzenie tak szczegółowych danych jest obecnie najkrótszą drogą do rozwoju fizycznej sztucznej inteligencji.