Переход к универсальным моделям
Раньше для каждой новой задачи в обработке языка требовалось создавать отдельную модель с нуля, обучая её на специфических данных. Сегодня большинство компаний используют готовые универсальные системы, такие как GPT, Claude или Llama, лишь слегка подстраивая их под свои нужды.
Пим де Витте, CEO стартапа General Intuition, считает, что в робототехнике скоро произойдет аналогичный процесс. Вместо того чтобы собирать огромные массивы данных для каждого отдельного робота или среды, индустрии стоит сосредоточиться на создании базовых моделей, способных понимать движение и взаимодействие в разных условиях.
Обучение на видеоиграх
General Intuition разработала собственную базовую модель, обучив её на миллионах часов игровых данных. Система анализировала не только видеоряд, но и действия игрока — например, какие кнопки на контроллере нажимал человек и в какой момент.
По мнению руководства компании и инвесторов, именно такие данные о действиях позволяют развить у ИИ подобие человеческой интуиции в понимании пространства и времени.
Результаты тестирования
Технология уже доказала свою эффективность. Текущая модель способна часами играть в видеоигры, а также управлять четырехногим роботом. Причем для настройки управления роботом в реальном мире потребовалось всего восемь минут данных.
В ходе тестов робот смог ориентироваться в офисе, используя только данные с фронтальной камеры. Он успешно справлялся с перемещением в пространстве, когда мимо проходили люди или появлялись движущиеся объекты.
Новая роль в индустрии
Цель General Intuition — не создание собственных роботов или беспилотных автомобилей. Компания стремится стать поставщиком базовых моделей для физического ИИ, на основе которых другие производители смогут строить свои машины.
Как отмечает Пим де Витте, задача стартапа — сделать процесс создания сложных систем, таких как беспилотный транспорт, в десять раз проще для других компаний.
Что это значит
Развитие универсальных моделей позволит робототехнике отказаться от сбора миллионов часов реальных данных в пользу использования качественных наборов данных для обучения базовых систем, способных к обобщению.