Ставка $32 млн: роботам не нужны данные из реального мира на миллиард долларов

Ставка на реальные данные

На прошлой неделе Figure ИИ представила Index — распределённую систему сбора данных для обучения роботов. Она уже собрала более 16 млн видео из 108 стран, выплатила людям, которые их сняли, $15 млн и взяла на себя обязательства потратить свыше $1 млрд на данные и вычисления в течение следующих 12 месяцев.

Логика Figure проста: если вы хотите создать роботов, способных выполнять самые разные задачи, вам понадобится огромное количество записей о том, как люди делают всё это в реальном мире.

Гарри Мелсоп не считает миллиард долларов пустой тратой. Но, по его словам, большинство компаний не могут позволить себе такой масштаб. Для Figure, располагающей необходимыми ресурсами, сбор реальных данных — хороший подход, а сами данные всегда останутся эталоном качества.

Мелсоп — сооснователь нью-йоркского стартапа Antioch, который разрабатывает данные для обучения роботов. Компания привлекла $32 млн в раунде серии A под руководством Greylock. В раунде также участвовали A*, Category Ventures, Box Group и Icehouse Ventures.

Antioch считает, что симулированных данных достаточно для обучения следующего поколения гуманоидных роботов. Компания также раскрыла имя клиента, ради которого многие робототехнические стартапы готовы были бы пойти на многое, — Amazon Ring. Кроме того, Antioch сотрудничает с облачным провайдером Nebius и Nvidia.

Разрыв между разработкой и испытаниями

В цифровом ИИ разработка программ ускорилась с недель до дней: система может написать код, скомпилировать его, запустить, обнаружить ошибку и повторить попытку. Этот цикл короткий и быстрый. У него есть проблемы с качеством, но во многих случаях результат оказывается приемлемым.

В робототехнике любое изменение — новая камера, другой радар, переобученная политика или навык — по-прежнему приходится заново проверять на настоящем оборудовании, в помещении и в присутствии инженеров. Это медленный и дорогой узкий участок разработки.

По мнению Мелсопа, автоматизация физического мира — одна из ключевых экономических задач и возможностей нашего времени. Но ускорить её можно только в том случае, если дать ИИ инструменты для самостоятельной проверки своей работы.

Платформа Antioch создаёт высокоточные симуляции под оборудование конкретного заказчика, а затем запускает их в облаке. Один эксперимент может включать тысячи параллельных проверок.

Джейсон Митура, вице-президент Amazon по разработке программного обеспечения и директор по продукту Ring, сообщил, что результаты сохраняли точность даже в специально усложнённых условиях. Симуляции Antioch близко совпадали с физическими тестами, в том числе в сценариях, которые намеренно не использовали при настройке.

Сценарии, исключённые из настройки, позволяют проверить, действительно ли симулятор выучил физику или просто подстроился под конкретный набор тестов.

Реальные и симулированные данные

Подход с миллиардом долларов на реальные данные и ставка на симуляции не исключают друг друга.

При разработке автономных систем данных постоянно не хватает. Мелсоп связывает это и с разработкой больших языковых моделей, и с беспилотными автомобилями: победителями становятся компании, которые накапливают данные сразу по нескольким направлениям.

В качестве примера он приводит Tesla. Клиенты платят компании за автомобили, а заодно помогают создавать набор данных для обучения систем автономного вождения. Index устроен похожим образом: люди получают уборку дома, а Figure — видеозаписи процесса.

Но у видео есть ограничения. Наголовная камера не показывает, с какой силой человек сжал мягкий предмет вроде полотенца, и не объясняет, чем отличается вес чайника от веса керамической кружки. Данные телеуправления дают больше такой информации, но один час их сбора обходится в десятки или сотни раз дороже.

Симулированные данные, по словам Мелсопа, можно сразу использовать и получать с полной разметкой. С их помощью удаётся создавать примеры, которые было бы трудно, дорого или безответственно собирать в реальном мире.

Поэтому речь идёт о сокращении объёма реальных данных и расходов на их сбор. Некоторое количество таких данных всё равно необходимо, но симуляции позволяют эффективнее использовать каждый образец. В результате компаниям, возможно, не придётся тратить на сбор данных весь миллиард долларов.

При работе с симуляциями реальные данные меняют роль: они становятся не столько базовым материалом для обучения, сколько источником исправлений. Робот в реальном мире быстро показывает, где симулятор ошибается: например, двигатель может вести себя иначе после нагрева или износа, а другие особенности среды трудно заранее воспроизвести в симуляции.

Мелсоп называет это точностью длинного хвоста. Небольшой объём дорогих и качественных данных из реального мира возвращается в симулятор и заметно улучшает всё, что он создаёт.

Чем больше таких данных получает система, тем точнее становится симуляция. При этом основная выгода сохраняется: симулятор ускоряет рабочий процесс и остаётся его базовым слоем.

Этот подход похож на цикл накопления данных, который построили Waymo, Tesla и Wayve для беспилотного вождения. Antioch предлагает его как продукт компаниям, у которых никогда не будет пяти миллионов автомобилей или пяти миллионов роботов на дорогах.

Не только гуманоидные роботы и камеры

Направления, в которых работает Antioch, показывают, где симуляции уже покупают. Компания поставляет данные для:

Компания также изучает, как улучшить работу радаров, лидаров, инфракрасных и других не визуальных датчиков. По словам Мелсопа, это мульти-модальная задача.

Среди бизнес-ангелов раунда — технический директор Palantir Шьям Санкар, генеральный директор Foxglove Эдриан Макнейл и руководитель Nvidia Ян Эндрюс.