Настал момент GPT для робототехники

Еще несколько лет назад, если вы хотели основать стартап в области робототехники, вам приходилось рассчитывать на годы работы только для того, чтобы заставить механическую руку двигаться, тратить абсурдные суммы на специализированное оборудование и иметь команду специалистов, которые выглядели так, будто пришли из NASA. Сегодня всё изменилось. Сегодня у вас может быть робот, который складывает белье в настоящей прачечной, обучаясь на основе данных, собранных другими роботами, а модель искусственного интеллекта, управляющая им, работает в облаке, а не на суперкомпьютере, спрятанном в его рюкзаке. Идея заключается в следующем: мы находимся на этапе «GPT» в робототехнике. Подобно тому, как языковые модели сделали ИИ доступным для всех, робототехника переходит от элитного ремесла к чему-то доступному, масштабируемому и удивительно быстро выводимому на рынок. Больше не нужно быть гением машиностроения: сегодня требуется больше креативности, умения собирать данные и желания интегрировать оборудование, в том числе недорогое, потому что интеллект обеспечивает модель, а не металл. За этой революцией стоит команда, которая, кажется, сошла с экранов сериала: Куан Ванг, сооснователь Physical Intelligence, а также Брайан, Челси, Сергей, Локи и Аднан. Они покинули Google X, где работали над проектами в области передовой робототехники, чтобы основать стартап с почти безумной миссией: создать модель, способную управлять любым роботом в любой среде для выполнения любой физически возможной задачи. Кван рассказывает, что на протяжении многих лет складывание белья было «тестом Тьюринга» в робототехнике: ни один классический алгоритм не мог справиться с разнообразием и деформируемостью тканей, а также с непредсказуемостью реального мира. Затем, за две недели работы со стартапом Weave, созданным бывшими сотрудниками Apple, им удалось создать робота, который действительно складывает белье реальных клиентов. Еще один пример: Ultra, стартап в сфере логистики, теперь использует роботов, которые упаковывают заказы Amazon на реальных складах, работая практически полностью автономно в течение нескольких часов. Если раньше каждый робот был обособленным «островом», оптимизированным только для себя, то теперь модели обучаются на основе данных, поступающих с десятков различных платформ. Конкретный факт: OpenX, платформа, объединяющая данные от множества разнородных роботов, показала, что «универсальная» модель превосходит «специализированную» модель на 50% при выполнении одних и тех же задач. И если вы когда-нибудь слышали, что для работы этих алгоритмов требуется высококлассное оборудование, забудьте об этом: большинство демонстраций Physical Intelligence работают с «мозгом» в облаке, а робот на месте — это не более чем умная веб-камера. Вот в чем заключается настоящая инновация: проблема уже не в том, «как запрограммировать каждое отдельное движение», а в том, «как собрать нужные данные и интегрировать модель, которая уже умеет работать в различных условиях». Есть еще один поворотный момент, о котором вам никто не расскажет: даже идентичные роботы со временем меняются, и небольшие изменения в аппаратном или программном обеспечении делают собранные данные устаревшими. Поэтому лучше обучать модели на различных роботах, чтобы они научились справляться с разнообразием и стали более надежными. И уже сегодня это разнообразие позволяет выполнять задачи «с нуля», то есть без необходимости сбора конкретных данных для данной задачи: в прошлом году требовались сотни часов обучения, а теперь робот способен обобщать. Однако есть один аспект, который мало кто учитывает: настоящим препятствием для стартапа в области робототехники уже является не технология, а интеграция в реальный рабочий процесс. Кван повторяет: необходимо понять, в каких областях робот действительно может принести пользу — часто в выполнении скучных, повторяющихся задач, где допустимы некоторые ошибки и где можно начать с человеческого контроля, а затем всё больше и больше автоматизировать процесс. Первоначальные затраты снизились: более дешевое оборудование, модели с открытым исходным кодом (Physical Intelligence выпустила PI0 и PI05 с теми же весами, что и у модели, используемой внутри компании), а также возможность тестирования и совершенствования в реальных условиях. Мы стоим на пороге настоящего «кембрийского взрыва» вертикальных стартапов: подобно тому, как появление персонального компьютера привело к росту числа технологических компаний в 1980-х годах, теперь каждый сектор — от логистики до уборки, от общественного питания до ухода за больными — может создать собственный стартап в области робототехники, разработанный небольшими и гибкими командами, которым больше не нужно изобретать всё с нуля. Но будьте осторожны: проблема заключается не только в технологиях, но и в продукте и бизнесе. Необходимо понять реальные потребности клиента, адаптироваться к существующим рабочим процессам и стремиться к быстрому выходу на «точку безубыточности», то есть достичь экономической устойчивости с помощью нескольких роботов, прежде чем расширяться. А что насчет противоположной точки зрения? Все ожидают, что революция начнется с бытовых роботов, но настоящий бум может произойти в сфере незаметных промышленных задач, таких как упаковка заказов или управление микрологистикой, где допустима небольшая погрешность, а спрос огромен. Приготовьтесь: завтра ключевым вопросом будет не «Какого робота мне купить?», а «Какой рабочий процесс я могу улучшить, внедрив интеллектуальную модель, которая обучается на основе всех данных?». Главное помнить: робототехника — это уже не сложное оборудование, а данные, модели и творческая интеграция. Если после этой истории вы поняли, что ваше отношение к робототехническим стартапам изменилось, вы можете отметить это на Lara Notes с помощью кнопки «I'm In». Это не просто лайк, а знак того, что вы приняли новую точку зрения и разделяете ее. А если завтра вы расскажете кому-нибудь, почему складывание белья было настоящим «тестом Тьюринга» в робототехнике или как Ultra революционизирует логистику, вы можете использовать функцию Shared Offline на Lara Notes, чтобы отметить тех, кто присутствовал: так этот разговор действительно будет иметь значение. Эта заметка подготовлена Y Combinator и сэкономила вам более полутора часов прослушивания.