Granica fizičke umjetne inteligencije nalazi se u Jenga igri unutar skladišta u San Leandru, Kalifornija.
To skladište zauzima Encord, tvrtka koja razvija alate za obradu podataka korištenih za obuku AI modela. Andrew Ceja je pilot—tvrtkin naziv za svoje robote trenere—i pažljivo uklanja drvene blokove iz nestabilne kule dok nosi slušalice s kamerom koja prati što vidi. To je već uobičajeno za prikupljanje podataka za obuku robota, ali ove slušalice uključuju senzore koji mjere njegove moždane valove dok pažljivo rastavlja kulu.
Encord je jedna od malog, ali rastućeg broja startupa koji vjeruju da sljedeće stvarne prepreke za humanoidnu i skladišnu robotiku neće biti arhitektura modela, već jednostavna oskudica stvarnih fizičkih podataka za obuku. Umjesto da samo pomažu robotičkim tvrtkama u upravljanju podacima koje imaju, Encord gradi poslovanje oko proizvodnje podataka koje nemaju.
Moždana slušalica koju Ceja nosi izradila je Zander Labs, njemački startup u neuroznanosti koji vjeruje da mjerenje moždane aktivnosti—kako bi se odredila mentalna stanja poput pogreške, namjere i iznenađenja—može stvoriti korisniji skup podataka za obuku modela. Rad Encorda sa Zanderom trenutno je probna faza; Encord navodi da je cilj izgraditi inicijalni skup podataka označenih moždanim valovima, testirati ga kroz robotičke modele kupaca i procijeniti poboljšava li performanse prije nego što odluče o njegovom širenju.
Lucas Gehrke, neuroznanstvenik iz Zandera koji nadgleda rad, kaže da količina moždane aktivnosti korištene tijekom određenog zadatka pruža tragove graditeljima modela koji pokušavaju shvatiti kada trebaju koristiti svoje modele s najvećim naporom.
Ovo je “najnaprednija” faza napora da se riješi problem s podacima za robotiku, prema Vineethu Velmuruganu, voditelju robotike u Encordu. Iskusni radnik iz OpenAI-ovog robotičkog laboratorija i Berkshire Grey, tvrtke za automatizaciju skladišta, Velmurugan se pridružio Encordu kako bi izgradio tim za internu proizvodnju podataka.
Encord je osnovan kako bi pomogao tvrtkama koje razvijaju aplikacije za strojni vid da označe podatke i procijene modele. Kako su njihovi kupci počeli primjenjivati end-to-end učenje na zadacima robotičke manipulacije, izvršni direktori su shvatili da će morati sami proizvoditi podatke za obuku, umjesto da ih samo upravljaju. „Podaci jednostavno ne postoje“, rekao je Velmurugan.
Oklada da generativna AI može učiniti za robote ono što je učinila za chatbotove stalno se sudara s istim zidom. Tvrtke za samovozeće automobile prikupljaju fizičke podatke same, ali to je teško skalirati. Obuka iz videa može funkcionirati, ali joj nedostaje vjernost stvarnim podacima. Velmurugan kaže da će trebati skup podataka otprilike pet puta veći od YouTube-ovog video korpusa da bi se probilo—razmjer koji pomaže objasniti zašto je generiranje podataka postalo poslovanje, a ne samo istraživački problem.
