Китай готує нове покоління роботів: у що інвестори вклали $13 млрд

Методи навчання роботів

На відміну від чат-ботів, які навчаються, аналізуючи великі масиви тексту, роботам необхідні приклади реальних фізичних дій: як захоплювати предмети, працювати з м'якими матеріалами, взаємодіяти з різними пристроями та виконувати повсякденні завдання.

Китайські інженери застосовують різні методи для збору даних. Наприклад, компанія Spirit AI залучила приблизно тисячу людей для фіксації звичайних і промислових дій. Інша компанія, ACE Robotics, використовує датчики для записи рухів і сили захоплення.

Підрозділ Robbyant, що належить Ant Group, обрав своєрідний шлях: вони навчали свою модель на основі 160 тисяч годин матеріалів, з яких 50 тисяч — це дії роботів під керівництвом людини. Вони використовували 20 різних конфігурацій роботів від 17 виробників з метою створення універсального ШІ.

Ще один підхід базується на комп'ютерному моделюванні. За словами компанії DexForce, вона може адаптувати промислові завдання до впровадження всього за 6-8 годин з точністю виконання до 99,9%. Однак, як зауважив представник Manycore Tech Джеррі Ван, важливими є не лише кількість, але й якість зібраних даних.

Від лабораторій до промисловості

Ефективність такого підходу довела ситуація, описана Чжу Мінсюань, керівником проектів в JoyIn Technology. Один із роботів неодноразово намагався покласти навушники на полицю, але не міг дотягнутися. Після перегляду відео з діями людини, він підсунув коробку і став на неї.

Деякі технології вже знаходять застосування в бізнесі. Наприклад, виробник акумуляторів CATL повідомив, що роботи Spirit AI здатні з'єднувати гнучкі дроти під час перевірки акумуляторів на заводі Zhongzhou з успішністю понад 99%. Robbyant, в свою чергу, відзначає, що їх роботи займаються обробкою замовлень у двох аптечных точках Шанхаю, при цьому медикаменти перевіряють живі працівники.

Водночас, впровадження таких рішень викликає складнощі. Китайським виробникам бракує передових чипів Nvidia через американські експортні обмеження, що ускладнює навчання більш потужних моделей. Компанії шукають способи зменшити потребу в обчислювальних ресурсах, застосовуючи ефективніші моделі, синтетичні дані та моделювання. Тим часом китайські виробники мікрочипів, зокрема Huawei, працюють над створенням альтернативного обладнання до Nvidia. Скільки це допоможе в покритті дефіциту, поки важко сказати.

Перспективи виконання нових завдань роботами

Китайські компанії сподіваються, що наступний технологічний етап дозволить роботам освоювати широкий спектр завдань без довготривалої перенавчання. Засновник Unitree, Ван Сінсін, зазначив, що його компанія протестувала GPT-6 від OpenAI на своїх роботах і отримала обнадійливі результати. Якщо у 2024 році буде випущено GPT-7, це може стати переломним моментом для робототехніки.

Ван вважає, що можна буде говорити про значний прогрес, коли роботи зможуть виконувати 80% завдань у 80% нових умов, отримуючи голосові вказівки.

Проте консультант у сфері робототехніки Георг Штілер застерігає: успішні демонстрації не завжди свідчать про готовність технології до широкомасштабного впровадження. Навіть якщо роботи продемонструють здатність виконувати багато незнайомих завдань під час показових тестів, це не гарантує їхньої надійності в повсякденному використанні на підприємствах. На це можуть піти роки, а не місяці, прогнозує експерт.