WUWENAI chce vyřešit datový problém embodied AI virtuálně-fyzickým uzavřeným cyklem

Datový problém embodied AI

Robot, který má spolehlivě manipulovat s předměty, se musí učit nejen z obrazových záznamů, ale také z pohybu, kontaktu, sil a následků vlastních akcí. Právě kvalitních dat o fyzických interakcích je ale nedostatek. WUWENAI proto nechce stavět pouze na sběru dalších demonstrací. Jeho strategie spočívá v propojení reálného světa s generativním modelem a simulací v uzavřené smyčce Real-to-Sim-to-Real.

Společnost popisuje Liu Shengxianga, svého zakladatele a výkonného ředitele, jako bývalého vedoucího datových a testovacích aktivit společnosti Baidu v oblasti autonomního řízení. Liu podle firmy prosazuje infrastrukturní přístup: sbírat fyzicky ukotvená data, rozšiřovat je ve virtuálním prostředí a výsledky znovu ověřovat na skutečných robotech. 8

Jak uzavřený cyklus funguje

1. Data Factory: ukotvení v realitě

Multimodální sběrné systémy zaznamenávají synchronizované pozorování a akce při skutečných interakcích robotu s objekty. Zachycují například obrazový stav scény, pohyb, kontakt a výsledek úkolu. Smyslem je uchovat fyzickou příčinnou souvislost, kterou běžné internetové video nebo čistě syntetická scéna obvykle neposkytují.

WUWENAI zároveň představila platformu Wuyin pro data fyzické AI. Firma uvádí, že platforma zahrnuje více než 1 000 TB dat a 10 000 hodin otevřených vysoce kvalitních datových sad. 12

2. Generative World Model: násobení zkušeností

Model světa se učí, jak se scéna mění poté, co embodied agent provede určitou akci. Na základě reálných dat pak může vytvářet varianty úkolů, nové trajektorie, změny konfigurace objektů, narušení i situace vedoucí k selhání.

V tomto kontextu není „model světa“ jen realistický generátor videa. Jde o neuronovou síť, která si vytváří kompaktní reprezentaci scény a jejího časového vývoje. 5 Pro robotiku je klíčové, aby generované změny odpovídaly nejen vzhledu, ale také akcím a fyzice.

3. World Simulator: trénink a hledání slabých míst

Robotické politiky lze v simulaci spouštět rychleji a levněji než na fyzickém hardwaru. Simulátor může porovnávat výsledky, odhalovat slabé scénáře a určovat, které případy je potřeba znovu nasbírat v reálném světě.

Výzkum interaktivních simulátorů podmíněných akcemi ukazuje, že vyhodnocení politiky v simulaci může souviset s jejím výkonem v realitě. Jde však stále o aktivní výzkumnou oblast, nikoli o vyřešenou technologii. 3

Odkud se mají vzít „miliony hodin“ dat?

Liuův argument není založen na představě, že WUWENAI fyzicky zaznamená miliony robotických hodin. Relativně malý, ale kvalitní soubor reálných interakcí má fungovat jako základní korpus. Z něj model vytvoří velké množství kontrolovatelných virtuálních zkušeností a trajektorií.

Reálná část cyklu potom průběžně opravuje odchylky simulace a omezuje tak její „odtržení od reality“. Virtuální část naopak dodává potřebný objem. Tento vzorec zpětné vazby mezi skutečnými a syntetickými daty odpovídá nově vznikajícím přístupům k posilovanému učení na skutečných robotech. 4

Proč nestačí tradiční alternativy

• Teleoperace poskytuje demonstrace s přesně označenými akcemi, je však nákladná, pomalá a závislá na operátorovi. Navíc se obvykle soustředí na úspěšné chování, nikoli na vzácná selhání a hypotetické alternativy.
• Video z pohledu člověka nabízí velký objem dat, většinou ale neobsahuje robotické akce, kalibrovanou geometrii, údaje o síle a kontaktu ani přímou shodu s konkrétním robotickým tělem. Pro řízení manipulace proto poskytuje jen omezený dohled.
• Čistá simulace je levná a rozmanitá, může však obsahovat nesprávnou geometrii, kontaktní dynamiku, šum senzorů nebo nereálné chování objektů a lidí. Právě tento rozdíl mezi simulací a realitou, známý jako sim-to-real gap, má průběžné zarovnávání digitálního dvojčete s reálnými pozorováními zmírnit. 2

Od napodobování k posilovanému učení

Demonstrace obvykle slouží jako start pro imitativní učení: robot se učí princip „udělej to, co udělal demonstrátor“. Pokud je však simulátor dostatečně spolehlivý a reaguje na akce, může politika zkoušet i jiné postupy, získávat odměny za splnění úkolu, optimalizovat dlouhé sekvence kroků a učit se zotavit z chyby.

Tím se otevírá cesta k posilovanému učení. Nedávný výzkum již ukázal dolaďování vizuálně-jazykově-akčních politik pomocí posilovaného učení ve světovém modelu. Rozhodujícími překážkami ale zůstávají robustní systém odměn a věrnost samotného modelu. 1

WUWENAI v konkurenci World Labs, Tesly a DeepMindu

Konkurence se zřejmě neodehrává pouze v podobě jednotlivých funkcí. Více týmů směřuje ke stejné architektuře: převést fyzický úkol do řady kontrolovatelných virtuálních světů, v nich politiky trénovat, testovat a hledat jejich slabiny.

World Labs u svého systému SceniX podobně popisuje engine R2S2R, který má jeden fyzický úkol měnit na množství znovupoužitelných simulovaných světů pro trénink a testování politik. 7 Výzkum společnosti Google DeepMind dlouhodobě propojuje naučené modely dynamiky se škálovatelným posilovaným učením. 3

Tesla má významné výhody v hardwaru, rychlosti iterace, výrobě i širším ekosystému dat a výpočetní infrastruktury kolem projektu Optimus. Z veřejně dostupných informací však nelze spolehlivě vyvodit, že WUWENAI je po technické stránce před Teslou nebo DeepMindem.

Proč je důležité čínské prostředí

Čína má největší instalovanou základnu průmyslových robotů na světě a současně rozvíjí humanoidní robotiku i domácí části dodavatelského řetězce. 6 Oficiální komentáře zároveň popisují embodied AI jako obor, který se posouvá od malých testů k širšímu nasazení. 9

To vytváří potenciálně rozsáhlou domácí základnu továren, robotů, úloh a provozních prostředí. Firma zaměřená na datovou infrastrukturu by z ní mohla čerpat fyzicky ukotvená data a nabízet společné nástroje různým výrobcům robotů.

Co zatím není prokázáno

Tvrzení o „světové úrovni“ WUWENAI nebo o náskoku v řádu měsíců jsou tvrzení firmy či médií, nikoli výsledek nezávisle ověřených benchmarků. Skutečná zkouška přijde až ve chvíli, kdy bude možné porovnat, zda simulátor přesně předpovídá kontaktní a dlouhodobé chování v reálném světě.

Pro WUWENAI bude zásadní, zda se politiky natrénované ve virtuálním prostředí budou konzistentně přenášet na různé roboty, objekty a prostředí. Pokud ano, může uzavřená smyčka výrazně snížit náklady na sběr dat. Pokud ne, zůstane hlavním limitem právě rozdíl mezi tím, co robot zvládne ve „snu“ modelu, a tím, co skutečně dokáže fyzicky.