Într-un depozit aparent banal din San Leandro, California, frontiera inteligenței artificiale fizice nu se rezumă la linii de cod rulate pe servere masive, ci la un joc de Jenga. Aici, compania Encord, specializată în instrumente de date pentru antrenarea modelelor AI, rescrie regulile jocului. Nu este vorba doar despre a învăța un robot să nu dărâme turnul de lemn, ci despre a capta esența procesului decizional uman prin metode care par desprinse din science-fiction: monitorizarea undelor cerebrale.
Blocajul datelor: De ce roboții nu pot învăța ca ChatGPT
Până acum, succesul modelelor lingvistice mari (LLM) s-a bazat pe un noroc imens: internetul este plin de text gratuit care poate fi „răzuit” (scraped) cu costuri minime. Totuși, când vine vorba de AI fizic – inteligența care animă roboții umanoizi și sistemele de automatizare din depozite – datele pur și simplu nu există în formatul necesar.
Vineeth Velmurugan, șeful departamentului de Robot Learning la Encord și veteran al laboratoarelor de robotică de la OpenAI, explică gravitatea situației: pentru a atinge un nivel de performanță revoluționar, avem nevoie de un set de date de aproximativ 5 ori mai mare decât întregul corpus video al YouTube. Deoarece aceste date nu pot fi colectate pasiv, Encord a transformat generarea de date într-o afacere de sine stătătoare, „manufacturând” experiență fizică pentru clienții săi de top din industria roboticii.
Tehnologia Zander Labs: Citirea minții pentru un AI mai performant
În centrul experimentelor din San Leandro se află un set de căști dezvoltat de Zander Labs, un startup german de neuroștiință. Atunci când un „pilot” (operator uman precum Andrew Ceja) extrage un bloc de Jenga, casca măsoară activitatea cerebrală pentru a deduce stări mentale critice: eroarea, intenția și surpriza.
De ce este acest lucru vital? Lucas Gehrke, neurocercetător la Zander Labs, afirmă că volumul de activitate cerebrală oferă indicii prețioase constructorilor de modele. Aceste date ajută la identificarea momentelor în care un robot trebuie să își activeze „modelele de efort maxim” (high-effort models) versus momentele de rutină. Encord testează în prezent dacă acest set de date etichetat cu unde cerebrale îmbunătățește vizibil performanța roboților înainte de a decide o scalare masivă a tehnologiei.
Specificații tehnice și economia antrenării robotice
Articolul evidențiază o diferență economică masivă între AI-ul software și cel fizic. Iată câteva dintre datele cheie extrase din operațiunile Encord:
- Valoarea adnotării: O adnotare densă a datelor (de exemplu, descrierea fizică „mâna dreaptă strânge șurubul”) este estimată a fi de 100 de ori mai valoroasă decât datele egocentrice brute („junky ego data”).
- Costuri de producție: Generarea acestor date de înaltă calitate costă de 20 de ori mai mult decât colectarea datelor simple, un raport pe care Velmurugan îl consideră profitabil pe hârtie.
- Senzori musculari: Pe lângă undele cerebrale, Encord dezvoltă modalități de captare a semnalelor electrice din mușchi folosind senzori atașați pe antebraț. Scopul este construirea unei reprezentări 3D fidele a mișcării mâinii, depășind limitările camerelor video care pierd adesea detalii de finețe.
De la turnarea cafelei la mentenanța serverelor
În cadrul facilității din San Leandro, piloții utilizează platforme de tip „leader-follower” – brațe robotice pereche, unde unul este controlat de om, iar celălalt îi mimă mișcările. Sarcinile variază de la cele casnice la cele industriale complexe:
- Turnarea cafelei din ibric în căni (o sarcină dificilă din cauza dinamicii fluidelor);
- Stivuirea jetoanelor de poker;
- Manipularea cablurilor Ethernet în spatele serverelor (o sarcină dorită de operatorii de data center, dar extrem de greu de realizat din cauza lipsei de dexteritate a cleștilor robotici actuali).
Analiză: Este „Data Manufacturing” viitorul?
Trecerea de la colectarea datelor la fabricarea lor marchează o schimbare de paradigmă. Dacă OpenAI a construit GPT-4 pe date „gratuite”, viitorul roboticii va aparține celor care își permit să plătească piloți precum Sofia Infante sau Andrew Ceja pentru a genera experiență sintetică, dar reală.
Poziția Encord este strategică: lucrând cu multiple firme de robotică, aceștia pot identifica ce tehnici de date câștigă tracțiune la nivelul întregii industrii înainte ca oricare alt competitor să observe trendul. Această „vedere de ansamblu” transformă Encord într-un nod central al ecosistemului AI fizic, programat să atingă maturitatea în jurul datei de 26 iulie 2026, conform rapoartelor de progres actuale.
Concluzie
Inteligența Artificială fizică se află în punctul în care a fost procesarea limbajului natural acum câțiva ani, dar cu o barieră de intrare mult mai costisitoare. Integrarea neuroștiinței prin parteneriatul cu Zander Labs și utilizarea senzorilor avansați pentru a capta nu doar mișcarea, ci și intenția umană, ar putea fi piesa lipsă din puzzle-ul roboticii autonome. Drumul către roboți care pot gestiona un depozit sau pot ajuta în casă trece, în mod surprinzător, printr-un joc de Jenga și prin monitorizarea atentă a creierului uman.
Sursa originală: Click AICI.
About the Author
