Почему роботы нуждаются в гигантских наборах данных для повседневных задач
Сегодня роботы всё чаще пытаются освоить задачи из реальной жизни — уборка, перенос предметов, взаимодействие с разными поверхностями. Чтобы обучить робота, исследователям нужны наборы данных — записи, как именно человек или робот выполняет те или иные операции. Эти данные нужны, чтобы «научить» алгоритмы машинного обучения, особенно нейросети — программы, имитирующие работу человеческого мозга, находить закономерности и воспроизводить поведение.
В отличие от текстовых моделей типа ChatGPT, обучающихся на триллионах слов из интернета, для роботов таких баз в открытом доступе почти нет. Например, крупнейший открытый набор ABC-130K содержит лишь 3 500 часов видеозаписей действий роботов — мало для масштабных задач.
Как стартапы добывают данные для обучения роботов: необычные и трудоемкие методы
Проблема большого объема данных для роботов заставляет стартапы искать разные пути:
-
Сбор видео с людьми, выполняющими задачи надетая на них техника с камерами. Например, компания Shift в Нью-Йорке предложила бесплатно убирать квартиры — но при этом видео с капельниками на головах операторов собирали данные об их движениях для последующего обучения роботов.
-
Управление роботами вживую с помощью операторов. Некоторые компании нанимают людей, которые дистанционно контролируют роботов в лабораториях или даже на складах, записывая результаты работы для обучения.
-
Использование специальных костюмов и экзоскелетов. Люди надевают приспособления, которые заставляют их двигаться, повторяя движения робота. Это помогает получить точные данные о силе, углах и темпах работы конечностей — сведения, которые трудно получить просто с видео.
-
Виртуальная реальность (VR) и симуляции. Операторы в VR управляют цифровыми аватарами-роботами, записывая опыт взаимодействия с объектами.
Крупные компании по сбору данных, например Scale AI, пробуют комбинировать все эти методы.
«Проблема курицы и яйца» в робототехнике: как получить нужные данные без готовых роботов
Есть соблазн доверить обучение роботам самим себе, как это сделал Google DeepMind с игрой в Го. Он обучался с помощью миллионов самосыгранных партий без участия человека.
Но роботам сложнее: нельзя просто переигрывать в виртуальной среде — им нужно учитывать физику и взаимодействие с реальным миром. Симуляторы помогают, но разница между виртуальным и живым миром всё ещё велика.
Задача в том, как получить хорошие данные, если роботы ещё недостаточно умны, чтобы работать сами. Это и есть «проблема курицы и яйца»: для того, чтобы обучить роботов делать полезную работу и получать новые данные, нужны уже обученные роботы.
Потому ключевой вызов для стартапов — придумать масштабируемый способ собрать много качественных данных до коммерческого внедрения роботов.
Чем это полезно для вас: почему важно понимать, как учатся роботы
Роботы становятся частью нашей жизни и бизнеса — от уборки и логистики до помощи дома и на производстве. Но пока роботы не умеют эффективно и универсально работать без «подсказок» из большого числа примеров.
Понимание, как компании добывают данные, поможет:
- оценивать реальные возможности современных роботов и не поддаваться маркетинговым обещаниям;
- понять, почему домашний робот-помощник не заменит дворника или курьера завтра, но с каждым годом таких умных решений становится больше;
- следить за новыми технологиями и приближаться к использованию роботов в самых разных задачах.
Если вы интересуетесь робототехникой, стоит обратить внимание на проекты, которые решают проблему сбора данных, ведь именно они определят качество и эффективность будущих роботов.
Как начать разбираться и попробовать самостоятельно
Если хотите попробовать собрать или использовать данные для обучения моделей, начните с изучения:
- OpenClaw — удобного инструмента для запуска и интеграции ИИ-агентов и моделей, в том числе связанных с робототехникой. Полный гид на нашем портале поможет быстро погрузиться в тему.
- Попробуйте работать с захватом движений или видеоаналитикой, чтобы видеть, как простые действия записываются и превращаются в данные.
- Следите за новостями проектов, которые экспериментируют с комбинированием реальных и виртуальных данных.
На портале Infoclaw вы найдёте разборы и подробные гайды по OpenAI Agents API, и другим инструментам, которые окружают современные ИИ-решения для роботов.
Источник: https://www.understandingai.org/p/robot-startups-are-trying-everything, автор Kai Williams