От виртуального мира к физическому: новая парадигма
Робототехника долгое время страдала от «голода данных»: для обучения роботов действовать в реальном мире требовались огромные объемы дорогостоящих и медленных записей с датчиков. General Intuition предлагает радикально иной подход, сравнивая текущий момент в индустрии с появлением ChatGPT. Компания ставит ставку на использование данных видеоигр для обучения фундаментальных моделей (foundation models) для физического ИИ (Physical AI).
Механика обучения: симуляция как прокси реальности
Идея заключается в том, что игровые движки генерируют бесконечные, идеально размеченные и физически точные симуляции. Вместо того чтобы собирать терабайты данных с реальных роботов в сложных условиях, General Intuition использует миллионы часов геймплея. Эти данные служат «прокси» для обучения нейросетей пониманию физики, причинно-следственных связей и стратегий действий в трехмерном пространстве.
Почему это важно для индустрии
Ключевое преимущество метода — минимизация необходимости в сборе реальных данных. Это снижает барьер входа для разработчиков роботов и ускоряет итерации. Если модель уже обучена на разнообразных игровых сценариях, ей требуется значительно меньше «дообучения» (fine-tuning) на реальном оборудовании. Это может привести к демократизации создания сложных роботизированных систем, аналогично тому, как LLM сделали генерацию текста доступной для миллионов.
Сравнение подходов к обучению роботов
| Критерий | Традиционный подход | Подход General Intuition |
|---|---|---|
| Источник данных | Реальные датчики, камеры, лидары | Данные видеоигр и симуляций |
| Объем данных | Ограничен стоимостью сбора | Практически бесконечен (миллионы часов) |
| Стоимость подготовки | Высокая (инфраструктура, люди) | Низкая (вычислительные ресурсы) |
| Скорость итераций | Медленная (недели/месяцы) | Быстрая (дни/часы) |
Перспективы и вызовы
Несмотря на потенциал, метод требует решения проблемы «sim-to-real gap» (разрыва между симуляцией и реальностью). General Intuition утверждает, что их архитектура позволяет моделям эффективно переносить навыки из виртуальной среды в физическую с минимальной корректировкой. Если стартапу удастся доказать надежность этого переноса на сложных задачах, это может стать тем самым «ChatGPT-моментом», который переведет робототехнику из нишевой инженерной дисциплины в массовую ИИ-индустрию.
Источник: TechCrunch ↗