რობოტიკის „ChatGPT მომენტი“: სტარტაპი General Intuition ფიზიკური ხელოვნური ინტელექტის რევოლუციას გეგმავს

OpenAI-ს GPT-3-ის გამოჩენამდე და საბაზისო მოდელების ეპოქის დადგომამდე, კომპანიები ბუნებრივი ენის დამუშავების (NLP) სპეციალიზებულ მოდელებს ნულიდან ქმნიდნენ. თითოეული მათგანი კონკრეტული ამოცანისთვის განკუთვნილ დიდ მონაცემთა ბაზებზე იწვრთნებოდა. დღეს კი ორგანიზაციების უმეტესობა მუშაობას ზოგადი დანიშნულების მოდელებით (როგორებიცაა OpenAI-ს GPT სერია, Claude ან Llama) იწყებს და შემდეგ მათ საკუთარი სპეციფიკური საჭიროებების მიხედვით აკორექტირებს.

სტარტაპ General Intuition-ის აღმასრულებელი დირექტორი, პიმ დე ვიტი (Pim de Witte) მიიჩნევს, რომ „განხორციელებული“ (embodied) ხელოვნური ინტელექტი მსგავს გზას გაივლის. მისი არგუმენტით, ინდუსტრიამ ფოკუსი უნდა გადაიტანოს არა რეალური სამყაროს გიგანტური მონაცემების შეგროვებაზე სპეციალიზებული რობოტების შესაქმნელად, არამედ უფრო მაღალი ხარისხის მონაცემთა ბაზებზე. ეს უკანასკნელი საშუალებას მისცემს საბაზისო მოდელებს, შეიძინონ მოძრაობისა და ინტერაქციის ინტუიცია, რომლის გადატანა და გამოყენება მრავალფეროვან გარემოში იქნება შესაძლებელი.

„ამჟამად ბევრი კომპანია ასრულებს უამრავ სპეციალიზებულ სამუშაოს, რომელიც ფოკუსირებულია ინდივიდუალურ ფორმებზე, გარემოებსა და კონკრეტულ რობოტებზე,“ — განაცხადა დე ვიტმა TechCrunch-ის პოდკასტში, Equity. მისი მტკიცებით, ამ სამუშაოს დიდი ნაწილი მალე ზედმეტი გახდება ისეთი ზოგადი მოდელების გამოჩენით, როგორსაც General Intuition ავითარებს და ნერგავს.

მოდელის განზოგადება, როგორც მთავარი პროდუქტი

დე ვიტის ხედვით, თავად მოდელის განზოგადების უნარი არის მთავარი პროდუქტი. ის ფაქტი, რომ მოდელს აქვს სივრცისა და დროის შესახებ მსჯელობის საბაზისო დონე, გახდება მიზეზი, რის გამოც ადამიანები შეწყვეტენ რეალური სამყაროს ასობით ათასი ან მილიონობით საათის მონაცემების შეგროვებას. მისი თქმით, რეალურად მხოლოდ რამდენიმე წუთია საჭირო.

General Intuition-მა საკუთარი საბაზისო მოდელი ვიდეო თამაშების მილიონობით საათის მონაცემებზე დაყრდნობით შექმნა. ეს მონაცემები მოიცავდა ინფორმაციას იმის შესახებ, თუ კონტროლერის რომელ ღილაკებს აჭერდა ადამიანი და რა დროს. დე ვიტი და კომპანიის წამყვანი ინვესტორი, ვინოდ ხოსლა (Vinod Khosla), მიიჩნევენ, რომ „ქმედების მონაცემები“ (action data) გადამწყვეტია სივრცულ-დროითი მსჯელობისთვის საჭირო ადამიანური ინტუიციის გამოსამუშავებლად.

ინვესტიციები და პრაქტიკული მიღწევები

ამ თეზისის საფუძველზე, გასულ თვეში სტარტაპმა 320 მილიონი დოლარის ინვესტიცია მოიზიდა, რის შედეგადაც მისი საბაზრო ღირებულება 2.3 მილიარდ დოლარად შეფასდა. კომპანიამ უკვე აჩვენა, რომ მის ამჟამინდელ მოდელს შეუძლია როგორც ვიდეო თამაშების საათობით თამაში, ისე ოთხფეხა რობოტის მართვა. ამ უკანასკნელის შემთხვევაში, მოდელის დაკალიბრებას (fine-tuning) რეალური რობოტიკის მხოლოდ რვაწუთიანი მონაცემები დასჭირდა.

„ის ფაქტი, რომ რობოტმა შეძლო მუშაობა მხოლოდ წინა კამერის გამოყენებით, სხვა სენსორების გარეშე, დინამიკურ ოფისში, სადაც ადამიანები მოძრაობდნენ, ჩვენთვის ძალიან დიდი სიურპრიზი იყო. ვფიქრობ, ეს არის ნიშანი იმისა, თუ რა გველოდება მომავალში,“ — აღნიშნავს დე ვიტი.

სტრატეგიული მიზანი

General Intuition-ის საბოლოო მიზანი არა საკუთარი რობოტების წარმოება, არამედ ფიზიკური ხელოვნური ინტელექტის საბაზისო მოდელად ქცევაა. ეს იქნება ფუნდამენტი სხვა რობოტექნიკური კომპანიებისთვის, რათა მათ საკუთარი მანქანები ამ ბაზაზე ააგონ. როგორც დე ვიტმა განმარტა: „ჩვენ არ ვაპირებთ თვითმავალი ავტომობილების კომპანიის შექმნას. ჩვენ 10-ჯერ გავუმარტივებთ საქმეს შემდეგ ადამიანს, რომელიც ასეთი კომპანიის შექმნას გადაწყვეტს“.