Startupul de robotică Physical Intelligence promite un „creier” generalist pentru roboți, capabil să învețe din mers sarcini neantrenate explicit

Physical Intelligence, un startup de robotică din San Francisco înființat acum doi ani, care între timp a devenit una dintre cele mai urmărite companii de inteligență artificială din Bay Area, a publicat joi noi cercetări ce arată că cel mai recent model al său poate ghida roboți să îndeplinească sarcini pentru care nu au fost antrenați explicit – o capabilitate care, după cum recunosc chiar cercetătorii companiei, i-a luat prin surprindere.

Noul model, numit π0.7, reprezintă ceea ce compania descrie drept un pas timpuriu, dar semnificativ, către vechiul obiectiv al unui „creier” robotic cu scop general: un sistem care poate fi orientat spre o sarcină necunoscută, instruit în limbaj natural și totuși capabil să o ducă la bun sfârșit. Dacă rezultatele vor fi confirmate, ele sugerează că inteligența artificială în robotică ar putea fi aproape de un punct de inflexiune similar cu cel produs de modelele lingvistice de mari dimensiuni, când capabilitățile încep să se compună și să crească într-un ritm care depășește ceea ce ar părea posibil doar pe baza datelor de antrenament.

Afirmația centrală a studiului privește „generalizarea compozițională” – abilitatea de a combina deprinderi învățate în contexte diferite pentru a rezolva probleme cu care modelul nu s-a mai confruntat. Până acum, abordarea standard în antrenarea roboților a semănat mai degrabă cu o memorare mecanică: se colectează date pentru o sarcină specifică, se antrenează un model specialist pe acele date, apoi procesul se repetă pentru fiecare nouă sarcină. π0.7, susține Physical Intelligence, rupe acest tipar clasic.

„Once it crosses that threshold where it goes from only doing exactly the stuff that you collect the data for to actually remixing things in new ways,” spune Sergey Levine, cofondator al Physical Intelligence și profesor la UC Berkeley specializat în inteligență artificială pentru robotică, „the capabilities are going up more than linearly with the amount of data. That much more favorable scaling property is something we’ve seen in other domains, like language and vision.”

Cea mai spectaculoasă demonstrație descrisă în lucrare implică o friteuză cu aer pe care modelul practic nu a întâlnit-o în timpul antrenării. Echipa a descoperit în setul de date doar două episoade relevante: într-unul, un alt robot doar a împins ușa friteuzei pentru a o închide, iar într-un altul, dintr-un set de date open-source, un robot diferit a pus o sticlă de plastic în interior, urmând instrucțiunile cuiva. Modelul a reușit, cumva, să sintetizeze aceste fragmente împreună cu datele de pre-antrenare de pe web într-o înțelegere funcțională a modului de utilizare a aparatului.

„It’s very hard to track down where the knowledge is coming from, or where it will succeed or fail,” spune Ashwin Balakrishna, cercetător la Physical Intelligence și doctorand în informatică la Stanford. Totuși, fără niciun fel de îndrumare, modelul a reușit o tentativă acceptabilă de a folosi aparatul pentru a găti un cartof dulce. Cu instrucțiuni verbale detaliate, pas cu pas – practic, un om ghidând robotul prin sarcină așa cum ai explica unui angajat nou – execuția a fost una reușită.

Această capacitate de „coaching” contează deoarece sugerează că roboții ar putea fi desfășurați în medii noi și îmbunătățiți în timp real, fără colectare suplimentară de date sau reantrenare a modelului. În loc să fie nevoie de un nou set de demonstrații pentru fiecare activitate, un operator uman ar putea adapta pe loc comportamentul robotului doar prin limbaj.

Cercetătorii nu ascund însă limitele modelului și sunt atenți să nu tragă concluzii pripite. În cel puțin un caz, ei indică direct propria echipă drept cauză a eșecurilor.

„Sometimes the failure mode is not on the robot or on the model,” spune Balakrishna. „It’s on us. Not being good at prompt engineering.” El descrie un experiment timpuriu cu friteuza cu aer, în care rata de reușită era de 5%. După aproximativ o jumătate de oră petrecută pentru a rafina modul în care sarcina era explicată modelului, rata de succes a ajuns la 95%, afirmă cercetătorul.

Modelul nu este încă în stare să execute în mod autonom, de la un singur comandament general, sarcini complexe cu multe etape. „You can’t tell it, ‘Hey, go make me some toast’,” spune Levine. „But if you walk it through — ‘for the toaster, open this part, push that button, do this’ — then it actually tends to work pretty well.”

Echipa recunoaște, de asemenea, că nu există cu adevărat repere standardizate pentru evaluarea roboților, ceea ce face dificilă validarea externă a acestor rezultate. În lipsa unor astfel de benchmarkuri, compania a comparat π0.7 cu propriile sale modele specializate anterioare – sisteme concepute pentru sarcini individuale – și a constatat că modelul generalist le egalează performanța într-o gamă de activități complexe, de la prepararea cafelei până la împăturirea rufelor și asamblarea cutiilor.

Poate cel mai remarcabil aspect al cercetării – dacă îi credem pe autori – nu este o singură demonstrație spectaculoasă, ci gradul în care rezultatele i-au surprins chiar pe ei, oameni a căror meserie presupune să știe foarte bine ce se află în datele de antrenament și, în consecință, ce ar trebui sau nu să poată face modelul.

„My experience has always been that when I deeply know what’s in the data, I can kind of just guess what the model will be able to do,” spune Balakrishna. „I’m rarely surprised. But the last few months have been the first time where I’m genuinely surprised. I just bought a gear set randomly and asked the robot, ‘Hey, can you rotate this gear?’ And it just worked.”

Levine își amintește momentul în care cercetătorii au văzut pentru prima dată GPT-2 generând o poveste despre unicorni în Anzi. „Where the heck did it learn about unicorns in Peru?” întreabă el. „That’s such a weird combination. And I think that seeing that in robotics is really special.”

În mod previzibil, criticii vor remarca o asimetrie inconfortabilă: modelele de limbaj au avut la dispoziție întregul internet pentru a învăța. Roboții nu au acest lux, iar niciun tip de inginerie a prompturilor nu poate compensa complet acest decalaj. Însă, întrebat unde se așteaptă să apară scepticismul, Levine indică în cu totul altă direcție.

„The criticism that can always be leveled at any robotic generalization demo is that the tasks are kind of boring,” spune el. „The robot is not doing a backflip.” El respinge însă această perspectivă, argumentând că tocmai diferența dintre o demonstrație robotică spectaculoasă și un sistem care generalizează cu adevărat este esențială. Generalizarea, sugerează el, va arăta întotdeauna mai puțin dramatic decât un număr atent regizat, dar este mult mai utilă în practică.

Lucrarea folosește pe tot parcursul un limbaj prudent, vorbind despre „semne timpurii” de generalizare și „demonstrații inițiale” ale noilor capabilități. Este vorba despre rezultate de cercetare, nu despre un produs gata de lansare, iar Physical Intelligence s-a arătat rezervată, încă de la început, când a fost vorba de termene de comercializare.

Întrebat direct când ar putea fi pregătit pentru utilizare reală un sistem bazat pe aceste rezultate, Levine evită să facă predicții. „I think there’s good reason to be optimistic, and certainly it’s progressing faster than I expected a couple of years ago,” spune el. „But it’s very hard for me to answer that question.”

Physical Intelligence a atras până acum investiții de peste 1 miliard de dolari și a fost evaluată recent la 5,6 miliarde de dolari. O parte importantă din entuziasmul investitorilor se leagă de profilul lui Lachy Groom, cofondator al companiei, care a petrecut ani întregi ca unul dintre cei mai apreciați investitori „angel” din Silicon Valley, sprijinind companii precum Figma, Notion și Ramp, înainte de a decide că Physical Intelligence este firma pe care o căuta. Acest parcurs l-a ajutat pe startup să atragă capital instituțional semnificativ, chiar dacă a refuzat să ofere un calendar clar de comercializare.

Compania se află acum, potrivit unor informații, în discuții pentru o nouă rundă de finanțare care ar aproape dubla evaluarea, până la 11 miliarde de dolari. Echipa a refuzat să comenteze.