X Square Robot, пекинский стартап в сфере embodied-AI, открыл исходный код HOST — фреймворка обучения в режиме инференса, который позволяет гуманоидному роботу посмотреть короткое демонстрационное видео и воспроизвести задачу с первой попытки. На 29-секундном ролике HOST добивается 62% успешного выполнения задачи. Для сравнения, отраслевой стандарт требует примерно 50 экспертных демонстраций и четыре часа тонкой настройки, чтобы достичь 38%.
В нынешней методике embodied-AI доминирует сбор данных через телеуправление. Инженер надевает VR-гарнитуру, кадр за кадром ведёт руку робота по задаче, десятки раз повторяет последовательность и запускает на ночь контролируемую тонкую настройку. Один робот для сбора данных стоит сотни тысяч долларов, а предельные издержки одной демонстрации могут превысить сто долларов. Фабрики данных в Индии и работники на неполную ставку в китайских уездных городах стали самым дешёвым источником данных о движениях, но такие затраты по-прежнему не масштабируются.
HOST переворачивает этот подход. Вместо того чтобы просить робота имитировать суставы человека, HOST предлагает роботу представить конечное состояние и восстановить движение обратным инжинирингом. Во фреймворке два внутренних модуля. Модуль зрения просматривает демонстрацию человека и отрисовывает сцену так, как её увидел бы робот. Модуль действий вычисляет траекторию суставов, которая даёт такую картинку. Модуль выравнивания с динамической трансформацией времени сопоставляет кадры человеческого видео с шагами выполнения робота, снижая ошибку выравнивания примерно на порядок.
Этот подход уходит корнями в теорию симуляции в когнитивной науке, согласно которой люди осваивают новые двигательные навыки, мысленно проигрывая желаемый результат перед попыткой выполнить действие. Китайская команда перенесла эту логику в обучение роботов и заменила офлайн-дообучение контекстным обучением в режиме инференса. Робот не переобучается на новых данных: он потребляет видео как промпт.
X Square Robot был основан в конце 2023 года. Компания уже привлекла более одного миллиарда юаней в ходе восьми раундов финансирования; среди инвесторов — Meituan Strategic Investment, Alibaba Cloud, Lenovo Capital и Delian Capital. Публикация в открытом доступе — это осознанная ставка на завоевание внимания разработчиков как путь к корпоративным пилотам. Показатель в 62% — это исследовательский бенчмарк, а не готовый к внедрению домашний робот, но он перезапускает разговор о том, как будут выглядеть пайплайны обучения embodied-AI, когда обучение в режиме инференса станет стандартом.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
