Як WUWENAI намагається подолати дефіцит даних для втіленого ШІ

Головна ідея: не просто збирати дані, а замкнути їхній цикл

Втілений ШІ — системи, які сприймають фізичний світ і діють у ньому, — упирається не лише в розмір моделей. Роботам потрібні синхронізовані дані про те, що вони бачать, як рухаються, що відчувають під час контакту з предметами та чим закінчується дія. Саме такі дані складно, дорого й повільно отримувати в реальному середовищі.

WUWENAI, заснована та очолювана Лю Шенсяном, колишнім керівником напрямів даних і тестування автономного водіння в Baidu, пропонує розглядати цю проблему як єдину інфраструктурну систему. Її концепція Real-to-Sim-to-Real, або R2S2R, поєднує три ланки: Data Factory у фізичному світі, Generative World Model і World Simulator. 8

Схема виглядає так: реальні взаємодії роботів із предметами навчають модель тому, як поводиться середовище; модель створює керовані віртуальні варіанти ситуацій; політики роботів тестуються в симуляції; слабкі місця, невдалі дії та рідкісні сценарії визначають, які нові дані потрібно зібрати на фізичних роботах.

1. Data Factory: прив’язка до фізичної реальності

Перша ланка — мультимодальний збір даних у реальному світі. Спеціальні комплекси фіксують синхронізовані спостереження та дії під час взаємодії робота з об’єктами: візуальний стан, рух, контакт і результат виконання завдання.

Це важливо, оскільки звичайне відео з інтернету може бути візуально переконливим, але зазвичай не містить команд роботу, точної геометрії, інформації про силу натискання чи момент контакту. Для керування маніпулятором така інформація часто важливіша за саму картинку.

WUWENAI також представила платформу фізичних даних для ШІ Wuyin. Компанія заявляє, що платформа містить понад 1 000 ТБ даних і 10 000 годин відкритих високоякісних наборів даних. 12

2. Generative World Model: як отримати більше досвіду з меншої кількості реальних взаємодій

Модель світу навчається описувати сцену та її зміни в часі, зокрема те, як середовище реагує на дії агента. У стислому представленні вона має зберігати ключову інформацію про стан світу та його динаміку. 5

Після цього модель може генерувати варіанти вже відомих завдань: інші положення предметів, траєкторії руху, перешкоди, порушення рівноваги або невдалі спроби. У результаті одна фізична взаємодія стає основою для великої кількості керованих контрфактичних сценаріїв — тобто відповідей на запитання «що станеться, якщо робот зробить інакше?».

Критично важливо, щоб ці сценарії були не просто правдоподібними на відео, а фізично корисними для навчання. Реалістичний вигляд предмета ще не означає правильну модель тертя, ваги, контакту чи деформації.

3. World Simulator: навчання, оцінювання та пошук слабких місць

У симуляторі політики керування можна запускати набагато швидше й дешевше, ніж на справжньому обладнанні. Система може перевіряти результати, знаходити нестійкі дії та визначати, які випадки потребують додаткового збору даних у реальному світі.

Дослідження інтерактивних симуляторів, керованих діями, свідчать, що оцінки політик у симуляції можуть корелювати з результатами в реальності. Водночас це все ще активна наукова проблема, а не вирішена технологічна можливість. 3

Чи справді це дає «мільйони годин» даних?

Ключова теза Лю Шенсяна не полягає в тому, що WUWENAI фізично запише мільйони годин роботи роботів. Йдеться про інше: відносно невеликий, але добре заземлений у фізичній реальності масив взаємодій може стати «насінням» для генерації великої кількості контрольованих навчальних траєкторій.

Фізичний цикл має регулярно виправляти помилки симулятора й обмежувати його відхилення від реальності. Віртуальний цикл, своєю чергою, забезпечує масштаб і дозволяє швидко перевіряти тисячі варіантів. Такий зворотний зв’язок між реальними та синтетичними даними відповідає новим підходам до замкненого навчання роботів із підкріпленням. 4

Тож «мільйони годин» у цьому контексті — це не обов’язково мільйони годин фізичної роботи. Це потенційний еквівалент навчального досвіду, синтезованого на основі меншого набору реальних взаємодій.

Чому традиційні методи мають обмеження

Телеприсутність і телеоперація

Телеоперація дає цінні демонстрації з розміченими діями: оператор показує роботу, а система записує, що саме відбувалося. Але цей процес дорогий, повільний і залежить від навичок оператора. Крім того, він зазвичай концентрується на успішному виконанні завдань, а не на рідкісних помилках, аварійних ситуаціях чи альтернативних траєкторіях.

Відео від першої особи

Відео, зняте людиною від першої особи, значно масштабніше, однак здебільшого не містить роботизованих команд, каліброваної геометрії, даних про силу та контакт або прямої відповідності між людським тілом і конкретним роботом. Тому для навчання маніпуляційного керування це радше слабке джерело нагляду, ніж готовий набір інструкцій.

Чиста симуляція

Симуляція дешева та різноманітна, але може неправильно відтворювати геометрію, контактну динаміку, шум сенсорів, поведінку предметів чи складність людського оточення. Це і є відомий розрив sim-to-real — різниця між поведінкою політики у віртуальному та фізичному світах.

Динамічне узгодження цифрового двійника з реальними спостереженнями має допомогти зменшити цей розрив. 2 Але сама наявність цифрового двійника не гарантує точного перенесення навичок на інший робот, предмет або середовище.

Від imitation learning до reinforcement learning

Демонстрації зазвичай запускають imitation learning — навчання наслідування: робот вчиться повторювати те, що зробив демонстратор.

Надійний симулятор, керований діями, відкриває інший режим. Політика може пробувати альтернативні дії, отримувати винагороду за результат, оптимізувати довгі послідовності та вчитися відновлюватися після невдач. Це вже логіка reinforcement learning, або навчання з підкріпленням.

Недавні дослідження показали можливість донавчання vision-language-action-політик за допомогою навчання з підкріпленням у моделі світу. Водночас вирішальними обмеженнями залишаються надійність сигналу винагороди та точність самої моделі. 1

WUWENAI, World Labs, Tesla і DeepMind: одна архітектурна тенденція

Конкуренція в цій сфері дедалі менше нагадує просте змагання окремих функцій. Розробники сходяться до схожої архітектури: реальні дані, генеративні моделі світу, симуляція, тестування політик і повернення результатів у фізичний цикл.

World Labs описує SceniX як рушій R2S2R, що перетворює фізичне завдання на багато керованих і повторно використовуваних симульованих світів для навчання та тестування політик. 7 Дослідження DeepMind давно пов’язують навчені моделі динаміки з масштабованим reinforcement learning. 3

Tesla має сильні позиції завдяки швидкій ітерації апаратного забезпечення, виробничій базі та ширшій екосистемі даних і обчислень. Проте відкритих доказів недостатньо, щоб стверджувати, що WUWENAI технічно випереджає Tesla або DeepMind. Заяви про перевагу на кілька місяців походять від компанії чи медіа, а не з незалежного порівняльного тестування.

Чому китайський ринок може стати важливим фактором

Китай має найбільшу у світі встановлену базу промислових роботів і активно розвиває гуманоїдну робототехніку, паралельно локалізуючи частини ланцюга постачання. 6 Офіційні коментарі також описують перехід втіленого ШІ від малих пілотних партій до ширшого впровадження. 9

Для компанії, яка будує інфраструктуру даних, це потенційно означає великий внутрішній масив фабрик, роботів, завдань і середовищ експлуатації. На його основі можна збирати заземлювальні дані та пропонувати спільні інструменти різним виробникам роботів.

Що покаже, чи працює підхід

Сильна ідея R2S2R полягає в поєднанні переваг двох світів: фізична реальність забезпечує причинно-наслідкову основу, а симуляція — швидкість і масштаб. Але головний тест ще попереду.

Потрібно перевірити, чи здатен симулятор достатньо точно прогнозувати контактні, складні та довгі послідовності дій, щоб політики, навчені у віртуальному середовищі, стабільно переносилися на різних роботів, предмети й умови.

Тому статус WUWENAI як «світового лідера» наразі слід сприймати як заяву компанії або медіа, а не як незалежно підтверджений результат. Якщо ж система справді зможе надійно замикати цикл між фізичними даними, генерацією досвіду та реальним виконанням, її роль може полягати не в створенні ще одного робота, а в побудові інфраструктури, на якій навчатиметься ціла галузь.