Муравьиный Линбо, почему нужно заново обучать мозг робота с самого начала

Упродовж усієї цієї дискусії медіа ставили одне й те саме запитання, перефразовуючи його багатьма різними способами.

На якій відстані сьогоднішній роботизований «мозок» від того, щоб справді вийти у фізичний світ і почати працювати?

Оцінка CEO «Ант групи Лінбо» Чжу Синя та головного науковця Шень Юйцзюня звучить набагато стриманіше, ніж гарячість на ринку. Нинішній «мозок» робота, ймовірно, ще не дійшов до моменту GPT-1. Галузь ще не побачила справжнього спалаху інтелекту, а технологічні маршрути ще дуже далекі від збіжності.

Протягом минулого року одне за одним виходили на сцену такі концепції, як VLA, world model, відео-дієві моделі тощо. Цього разу «Ант група Лінбо» випустила одразу 6 моделей, але питання, на які вона хоче відповісти, є значно конкретнішими. Чи можна у цифровому світі навчений великий модельний корпус прямо встановити в «тіло» робота? Чи потрібна фізичному світу ціла система моделей, яку треба заново спроєктувати від сприйняття, прогнозування до дій?

«Лінбо» обирає почати з обмежень фізичного світу й заново побудувати цю систему моделей.

01 Великі моделі цифрового світу — чому їх не можна просто вбудувати в тіло робота

Шень Юйцзюнь на місці навів приклад «відкрити двері — і одразу побачити кота».

За непрозорими скляними дверима сидить кіт. Звичайна візуальна модель може розпізнати кота за дверима й навіть точно описати, що саме зображено. Але коли робот має рухатися до кота, лише «бачити» недостатньо. Він має розуміти, що скляні двері утворюють фізичну перешкоду, і до того, як двері відкриються, кіт перебуває в просторі, куди механічна рука не може дістатися.

Цифрова модель фокусується на тому, що є на зображенні; робот же має визначати дистанцію, перекриття, зв’язок «контакт/контактність» і досяжність. Семантичне розпізнавання виконано правильно — але це лише перший крок фізичного завдання.

Моделі на кшталт «Імень» і «Ваньсян» обслуговують створення контенту. Користувач дає фрагмент тексту або сценарій — модель може спиратися на цілісну історію, витрачає більше обчислювальних ресурсів, щоб отримати кращу якість і безперервність.

Час, з яким стикається робот, тече тільки вперед. Коли він бере чашку, він не знає, чи хтось наступної секунди торкнеться столу, і не знає, чи ковзатиме чашка. Модель може лише прогнозувати наступний крок за поточним станом і коригувати дії після того, як сенсори повернуть нову інформацію. Те, чи гарно виглядає зображення, не є важливим; прогноз має бути обґрунтованим і швидким та здатним перетворюватися на дії.

Команда назвала цей маршрут «тілесно-нативним» (具身原生) і з нуля навчила LingBot-VA 2.0. У відкритих технічних статтях показано, що ця модель використовує такі рішення, як причинне переднавчання (causal pretraining), розріджене MoE та асинхронне міркування (asynchronous inference), щоб обслуговувати високочастотне керування роботами в замкненому контурі.

Ці компроміси навіть дозволяють прогнозувати, що зображення може зазнавати певних спотворень. Коли механічна рука готується підняти чашку, згенерована моделькою чашка може бути не досить чіткою — достатньо, щоб напрям дій був правильним. Сенсори безперервно постачають реальне зображення, а модель потім калібрує рішення за актуальним станом.

VLA легше інтерпретує мовні наміри людини, а витрати ресурсів на міркування нижчі — тобто це наразі більш приземлений маршрут. «Лінбо» входить у сцену через VLA, перевіряє дані, а потім за допомогою VA досліджує динамічне моделювання та майбутні прогнози. Шень Юйцзюнь вважає, що сьогодні розділені технологічні маршрути кожні окремо закривають якусь частину головоломки, але в майбутньому вони можуть поступово злитися в один модельний корпус.

З цієї точки зору, випуск «Лінбо» 6 моделей більше схожий на розбір одиничних проблем, які досі не вирішені в «мозку» робота. А кількість моделей у майбутньому може, навпаки, зменшитися.

02 Головна ціна від навчання з нуля — це «марафон» даних

Якщо обирати «тілесно-нативний» підхід, одразу виникає друга проблема: звідки брати дані?

Це запитання на місці повторно й ретельно ставили. Чи достатньо 100 тисяч годин? Чи може з’явитися інтелект-«спалах» на мільйоні годин? Чи настане момент «чат-бота рівня ChatGPT» для робота на десятках мільйонів годин?

Відповідь Чжу Синя була дуже прямою: навіть на десятках мільйонів годин, можливо, все одно буде недостатньо.

Автономне керування автомобілем стикається з відносно чіткими правилами дорожнього руху та задачами водіння. Універсальному роботу потрібно заходити на заводи, склади та в домівки, взаємодіяти з об’єктами різних матеріалів, адаптуватися до різних тіл (конструкцій), а ще обробляти сценарії невизначених заздалегідь невдач. Розподіл даних значно складніший, ніж у разі однієї конкретної задачі керування.

Відкриті статті показують, що попередньо навчальні дані LingBot-VLA 2.0 уже зросли з приблизно 20 тисяч годин у першій версії до 60 тисяч годин, при цьому 50 тисяч годин становлять роботні траєкторії та 10 тисяч годин — відео з перспективи першої особи людей. Це охоплює 20 компоновок роботів від 17 виробників. Простір дій також розширився: з двох рук до голови, пояса, рухомого шасі та спритної кисті.

60 тисяч годин — це лише стартова точка. «Лінбо» ще більше цінує швидкість і якість замкненого циклу даних.

Реальні дані також включають людські процеси операцій, які записуються методами на кшталт UMI та Ego, і їх можна масштабувати з меншими витратами для нарощування поведінкових даних. На наступному етапі треба доповнити модальності на кшталт дотику, силового відчуття тощо та узгодити їх із відео з перспективи першої особи.

Команді потрібно постійно відповідати на низку інженерних питань. Які саме дані реально заходять у навчання? На яких категоріях задач модель зазнає невдачі? Чи здатні нові задачі збирання даних швидко закривати прогалини у можливостях? Скільки часу займає весь ланцюжок від збору, обробки, навчання до фідбеку?

Коли масштаби даних зростають, команда також мусить відфільтровувати високовартісні приклади. Автопілот уже проходив подібні зміни: спочатку прагнули наростити обсяг, а потім із величезної кількості кадрів шукали небагато прикладів, які найбільше покращують модель. Дані про відхилення та невдачі робота особливо дорогі й частіше вирішують, чи зможе модель обробляти «довгий хвіст» проблем.

«Лінбо» підтримує 20 компоновок. Після підключення виробників все одно потрібно проводити донавчання під конкретні задачі. Роль попереднього навчання — дати моделі заздалегідь побачити різні тіла.

Справжня економія «один мозок — багато машин» полягає в тому, що при кожній зміні базового пристрою (тіла) та при додаванні кожної нової сцени не треба навчати з нуля.

03 Комерціалізація «мозку» робота — спочатку пройти «бар успішності»

На місці медіа згадували один кейс із складу. Людська робота з навантажувачем для перенесення може займати лише 30 секунд, тоді як роботу потрібно 1 хвилина або навіть довше; а коли він стикається з новою ситуацією, він може зупинитися й знову приймати рішення.

Чжу Синь ставить успішність вище за швидкість. Навіть якщо робот діє швидко, після кількох серійних безперервних невдач підприємству все одно доведеться виділяти людей на ручне підхоплення, і розгортання навряд чи створюватиме економічну цінність. Після стабілізації успішності підприємство далі вже рахуватиме такт (cycle time), ефективність міркування та вартість на одиницю.

Звідси й формується розподіл ролей: базова модель і наступне донавчання (post-training).

Чжу Синь порівняв попереднє навчання з вихованням студента з дуже добрими базовими якостями. Коли студент приходить у банк працювати бухгалтером, йому все одно потрібне професійне донавчання. Тілесна базова модель піднімає верхню межу можливостей, а пост-тренінг (післянавчання) перетворює модель на інструмент виробництва.

Для виробників роботів і клієнтів зі сценаріями пост-тренінг включає збирання даних, анотування, адаптацію моделі, розгортання та оптимізацію інференсу. Кожен етап перетворюється на витрати. Чим розумніша базова модель і чим більше компоновок і задач вона «бачила», тим менше «уроків» треба буде додатково додати під час пост-тренінгу.

Комерційна цінність універсального «мозку» робота — зменшити витрати на розробку окремої моделі для кожної сцени. Роботу на заводі, який вкручує гвинти, немає потреби вчитися мити посуд; і в готелі, і на складі обирають різні тіла. Сцена визначає тіло, а універсальний мозок має охоплювати значно більше різних тіл.

«Лінбо» вже заявила, що веде роботу з виробниками тіл щодо впровадження в індустрію, і досліджує різні способи стягнення плати, зокрема купівлю (buyout), підписку та кастомізацію. Однак на місці не розкрили клієнтські кейси, які могли б бути верифіковані з боку зовнішніх, а також масштаби доходів і модель витрат. На цьому етапі ринок може підтвердити лише технологічний маршрут і своє місце в екосистемі; масштабний комерційний замкнений цикл все ще потребує очікування додаткових даних із проектів.

04 Чому «Лінбо» робить цю важку справу

Щоб навчити «мозок» робота з нуля, потрібні довгострокові інвестиції. Попереднє навчання, інфраструктура даних, валідація на справжніх пристроях і адаптація тіла — будь-який із цих пунктів майже неможливо швидко закрити силами невеликої команди.

Ключові ресурси, які «Ант» надає «Лінбо», включають фінансування, талант, інфраструктуру для тренувань, можливості обробки даних та екосистему сцен. На цій основі «Лінбо» будує повний стек модельної системи — від просторового сприйняття, генерації відео, інтерактивного world model до VLA і VA — а потім через співпрацю з виробниками тіл перевіряє здатність до запуску в серійне виробництво.

Це розміщення також відображає оцінку «Ант» щодо розстановки сил у галузі. Тілесний інтелект все ще перебуває на ранній стадії, подібній до «битви за сотню моделей»; у майбутньому він може збігтися до декількох постачальників універсальних базових моделей. Роботам до масового входу в домівки ще далеко: порівнювати зараз зі Windows або Android — зарано.

Якщо подивитися на «Ант група Лінбо 2.0», параметри моделей і рейтинги — лише частина. Більш важливий показник — чи може вона безперервно підвищувати успішність у задачах, що виходять за межі конкретних кейсів, у різних сценах і на різних компоновках, та чи може знизити витрати на пост-тренінг до рівня, який клієнт готовий оплачувати.

Agent у цифровому світі швидко поширюються після зростання можливостей базової моделі — й тілесний інтелект може пройти подібний етап «виливання здатностей назовні». Просто у фізичному світі додається шар обмежень, від яких неможливо ухилитися: кожне рішення, яке ухвалює модель, зрештою має бути виконане реальною «паровою» (тілесною) системою.

«Ант група Лінбо» обирає заздалегідь переробити цей мозок. Наскільки далеко зможе зайти цей маршрут, зрештою залежить від того, чи зможуть роботи реально почати виконувати роботу.

Попередження про ризики та застереження про відмову від відповідальності

        На ринку є ризики, інвестиції слід здійснювати обережно. Ця стаття не є індивідуальною інвестиційною порадою та не враховує особливі інвестиційні цілі окремих користувачів, їхній фінансовий стан чи потреби. Користувачі мають оцінити, чи відповідають будь-які думки, погляди або висновки в цій статті їхньому конкретному становищу. Інвестування на цій основі здійснюється на власний ризик, відповідальність несе інвестор.