آموزش ربات‌ها با میلیاردها ویدیو گیمینگ؛ استارتاپ General Intuition با جذب ۲۲۰ میلیون دلار به ارزش ۶.۲ میلیارد دلار رسید!

استارتاپ نیویورکی جنرال اینتویشن (General Intuition) در تازه‌ترین اقدام خود و هم‌زمان با آغاز ارائه مدل‌های هوش مصنوعی‌اش به مشتریان بیرونی، موفق به جذب ۲۲۰ میلیون دلار سرمایه جدید با ارزش‌گذاری پس از جذب ۶.۲ میلیارد دلار شده است. این استارتاپ روی آموزش سیستم‌هایی تمرکز کرده که بتوانند ورودی‌های کنترلی را در بازی‌ها، نرم‌افزارها و ربات‌ها هدایت کنند؛ رویکردی نوین که از آن با عنوان «مدل‌های بنیادین کنش» (Action Foundation Models) یاد می‌شود.

دلیل اصلی جذابیت این ایده این است که آزمایشگاه‌های رباتیک معمولاً به داده‌ها و نمایش‌های حرکتی بسیار گران‌قیمتی که توسط اپراتورهای انسانی ثبت می‌شوند، وابسته‌اند. شرکت General Intuition مدعی است ویدیوهای گیم‌پلی کاربران در پلتفرم اشتراک کلیپ Medal (که این استارتاپ از دل آن بیرون آمده)، میلیاردها فریم ویدیویی ثبت‌شده را در کنار تک‌تک کلیک‌های ماوس و فشردن دکمه‌های کیبورد در اختیار مدل‌ها قرار می‌دهد. این دیتاست عظیم می‌تواند مسیری بسیار ارزان‌تر برای آموزش ایجنت‌های چندمنظوره باشد؛ هرچند این شرکت هنوز هیچ بنچمارک مستقل یا جزئیات دقیقی درباره شرایط دسترسی منتشر نکرده است.

تبدیل گیم‌پلی گیمرها به برچسب‌های آموزشی

استارتاپ General Intuition حاصل انشعاب از پلتفرم Medal است که همچنان توسط پیم د ویت (Pim de Witte)، هم‌بنیان‌گذار و مدیرعامل آن، رهبری می‌شود. پلتفرم مدال صدها میلیون ساعت ویدیوی گیم‌پلی را تامین می‌کند که در آنها تک‌تک فریم‌های تصویر با داده‌های ورودی کیبورد، ماوس یا دسته بازی همگام‌سازی شده‌اند.

ویدیوهای معمولی اینترنت فقط نشان می‌دهند که چه اتفاقی افتاده، اما به‌ندرت ثبت می‌کنند که کدام حرکت دقیق یا فشردن کلیدی باعث رخ دادن آن حرکت شده است. داده‌های ثبت‌شده در Medal دقیقاً همین برچسب‌ها را به هوش مصنوعی می‌دهند و به مدل یاد می‌دهند که یک انسان بعد از دیدن یک صحنه خاص، چه واکنشی نشان داده و چه دکمه‌ای را فشار داده است.

بر اساس اعلام شرکت، پلتفرم مدال سالانه در مسیر دریافت ۳ میلیارد ویدیوی آپلود شده قرار دارد. مسئولان General Intuition می‌گویند آزمایشگاه‌های پیشرو در زمینه مدل‌های جهان (World Models) و رباتیک روی کمتر از ۱ درصد داده‌های کنش‌محوری که در اختیار این شرکت است آموزش می‌بینند؛ هرچند آنها هنوز ترکیب دقیق این دیتاست، فرآیند فیلتر کردن آن یا سهم کلیپ‌هایی که برچسب‌های کنترلی تمیز دارند را فاش نکرده‌اند.

جهش ناگهانی ارزش شرکت به ۶.۲ میلیارد دلار

استارتاپ General Intuition تاکنون ۶۷۴ میلیون دلار جذب سرمایه را در سه راند مختلف اعلام کرده است. نکته جالب اینجاست که ارزش‌گذاری این استارتاپ از ۲.۳ میلیارد دلار در راند سری A، با سرمایه‌گذاری اخیر ناگهان به ۶.۲ میلیارد دلار افزایش یافته است.

صندوق‌های سرمایه‌گذاری مطرحی همچون Valor Equity Partners، Point72 Ventures و Seven Seven Six به عنوان سرمایه‌گذاران جدید به این جمع پیوسته‌اند. علاوه بر این، Khosla Ventures و General Catalyst نیز دوباره در این راند مشارکت داشته‌اند؛ پیش از این چهره‌های نام‌آشنایی همچون جف بزوس (از طریق Bezos Expeditions) و اریک اشمیت، مدیرعامل سابق گوگل (از طریق Hillspire)، روی این شرکت سرمایه‌گذاری کرده بودند.

پیش‌بینی حرکت بعدی؛ مغز متفکر ایجنت‌ها چطور کار می‌کند؟

یک مدل بنیادین کنش (Action Foundation Model)، تصاویر و مشاهدات بصری را دریافت کرده و حدس می‌زند که یک اپراتور انسانی در گام بعدی چه ورودی یا کنترلی را اعمال می‌کند. بسته به محیط، این خروجی می‌تواند فشردن یک کلید، حرکت ماوس، فرمان دسته بازی یا دستوری به موتورهای حرکتی یک ربات باشد.

اصطلاح «مدل بنیادین» به این معناست که این سیستم ابتدا روی محیط‌های بسیار متنوع پیش‌آموزش دیده و سپس می‌تواند برای کارهای تازه سازگار شود. جنرال اینتویشن مدعی است مدل‌هایش می‌توانند در لحظه و به شکل بلادرنگ درون محیط‌هایی که اصلاً در داده‌های آموزشی اولیه‌شان نبوده کار کنند، اما در اطلاعیه شرکت هیچ داده و نتیجه استانداردی برای اثبات این ادعا ارائه نشده است.

این شرکت همچنین مدل‌های جهانی (World Models) را آموزش می‌دهد که می‌توانند فریم‌های آینده ویدیو را بر اساس صحنه فعلی و اکشن پیشنهادی پیش‌بینی کنند. یک خط‌مشی کنترلی می‌تواند از این آینده‌های شبیه‌سازی‌شده استفاده کند تا تصمیماتش را ابتدا در محیطی مجازی تمرین کند و سپس به هدایت نرم‌افزار یا سخت‌افزار واقعی بپردازد.

بازی‌های ویدیویی؛ پله‌های اولیه آموزش هوش مصنوعی

استراتژی جنرال اینتویشن این است که کار آموزش را ابتدا از بازی‌های ویدیویی شروع کند؛ یعنی درست جایی که تک‌تک فریم‌های تصویر با کلیک‌ها و دکمه‌های پلیر جفت شده‌اند. سپس این سیستم رفتار آموخته‌شده را به شبیه‌سازهای واقعی‌تر و در نهایت تصاویر دنیای واقعی منتقل می‌کند؛ جایی که ویدیوهای عادی فاقد داده‌های کنترلی و دکمه‌ای هستند.

این مسیر آموزشی به دنبال پل زدن روی «شکاف واقعیت» میان بازی‌ها و ماشین‌های فیزیکی است. اما موفقیت این روش کاملاً به این بستگی دارد که آیا مدل مفاهیم عمیق و کاربردی مثل فیزیک حرکت، مسیریابی و رابطه علت و معلولی را یاد می‌گیرد، یا اینکه صرفاً الگوهای سطحی گرافیک بازی‌ها و عادت‌های کنترلی خاص گیمرها را حفظ می‌کند.

هشت دقیقه آموزش برای کنترل یک ربات چهارپا

تیم General Intuition گزارش داده که یکی از مدل‌هایشان موفق شده به مدت ۱۰۰ ساعت متوالی بدون توقف در یک بازی شبیه به فورتنایت بازی کند. آنها همچنین اعلام کرده‌اند که همین مدل پس از تنها هشت دقیقه فاین‌تیون با داده‌های دنیای واقعی، توانسته یک ربات چهارپا را فقط با استفاده از یک دوربین نصب‌شده در جلو کنترل و هدایت کند.

البته این نمایش‌ها هنوز توسط مراجع مستقل بازتولید یا ارزیابی نشده‌اند و شرکت سازنده متدولوژی و جزئیات فنی کافی برای مقایسه عملکردش با سیستم‌های شناخته‌شده VLA (دیداری-زبانی-کنشی) را منتشر نکرده است. هنوز سوالات بی‌پاسخ زیادی وجود دارد؛ از جمله اینکه چقدر داده شبیه‌سازی‌شده قبل از آن ۸ دقیقه فاین‌تیون به کار رفته، آیا ربات با زمین ناهموار و موانع تازه روبه‌رو شده و چند بار نیاز به مداخله دست انسان وجود داشته است.

رویارویی دنیای گیم با چالش‌های بزرگ رباتیک

شرکت General Intuition برای تصاحب این بازار با رقبای سرسختی رقابت می‌کند؛ از جمله مدل‌های سری Pi از استارتاپ فیزیکال اینتلیجنس (Physical Intelligence)، ایجنت‌های SIMA از گوگل دیپ‌مایند و پلتفرم پرچمدار GR00T متعلق به انویدیا. تمام این پروژه‌ها به دنبال رسیدن به یک مدل هوشمند و چندمنظوره هستند که بتواند محیط اطراف را درک کند، هدف تعیین‌شده را بفهمد و در میان چندین وظیفه مختلف دست به عمل بزند.

با این حال، داده‌های گیمینگ پلتفرم Medal یک برگ برنده متمایز برای جنرال اینتویشن است. آزمایش‌های مرسوم در رباتیک به سخت‌افزارهای گران‌قیمت، اپراتورهای انسانی و جلسات طولانی و کنترل‌شده برای جمع‌آوری داده نیاز دارند؛ در حالی که مدال دائماً در حال دریافت میلیون‌ها ساعت ویدیوی ضبط‌شده از افرادی است که در حال سر و کله زدن با محیط‌های پیچیده مجازی هستند.

با همه این‌ها، تفاوت ماهیتی میان بازی و دنیای فیزیکی همچنان بزرگ‌ترین ریسک فنی پروژه است. بازی‌های ویدیویی قوانین فیزیک را ساده‌سازی می‌کنند، کنترل‌های محدودی دارند و زوایای دوربین آنها اصلاً با سنسورهای واقعی ربات‌ها همخوانی ندارد. بنابراین درخشش یک مدل در بازی‌های ویدیویی لزوماً تضمین‌کننده این نیست که بتواند یک ربات را در دنیای واقعی با دقت کنترل کند.

ابهام در دسترسی، بنچمارک‌ها و داکیومنت‌ها

هرچند General Intuition ادعا کرده که دسترسی به مدل‌هایش را برای مشتریان خارجی آغاز کرده، اما هنوز هیچ‌گونه API، کیت توسعه نرم‌افزار (SDK)، ساختار قیمت‌گذاری، لایسنس یا مستندات فنی عمومی منتشر نکرده است. توسعه‌دهندگان حتی به ابتدایی‌ترین اطلاعات پیاده‌سازی از جمله فرمت‌های ورودی پشتیبانی‌شده، تاخیر زمانی (Latency)، نیازمندی‌های سخت‌افزاری و گزینه‌های فاین‌تیون دسترسی ندارند.

این شرکت قصد دارد سرمایه جدید را صرف ارتقای زیرساخت‌های پردازشی، استخدام پژوهشگران نخبه و مهندسان هوش مصنوعی و توسعه سیستم‌های هوش مصنوعی فیزیکی کند. همچنین یک همکاری استراتژیک با شرکت CoreWeave برای تامین توان پردازشی مورد نیاز مدل‌ها ترتیب داده شده است.

توسعه‌دهندگانی که می‌خواهند از این پلتفرم استفاده کنند، منتظر پاسخ شفاف به این سوالات اساسی هستند:

• دسترسی به این مدل‌ها چطور خواهد بود؟ به صورت کلود و هاست‌شده، وزن‌های دانلودی یا استقرار در سرورهای محلی؟
• دقیقاً کدام بازی‌ها، نرم‌افزارها و مدل‌های فیزیکی ربات‌ها پشتیبانی می‌شوند؟
• فرمان‌های پیوسته و ظریف موتورهای ربات در کنار دکمه‌های گسسته کیبورد و ماوس چطور مدیریت می‌شوند؟
• برای تطبیق این مدل با یک کار تازه به چه میزان داده و توان پردازشی نیاز است؟
• عملکرد این سیستم در بنچمارک‌های مستقل و معتبر در مقایسه با سیستم‌های دیداری-کنشی موجود چطور خواهد بود؟
• چه تدابیر امنیتی برای مقابله با خطاهای احتمالی، شرایط غیرمنتظره و آسیب‌های فیزیکی در نظر گرفته شده است؟
• کلیپ‌های کاربران پلتفرم مدال با چه مجوزی، چطور فیلتر شده و آیا حریم خصوصی در آنها رعایت شده است؟

آزمون‌های واقعی در پیش است

برای تایید ادعاهای این استارتاپ، ارزیابی‌های مستقل باید نشان دهند که آیا این هوش مصنوعی می‌تواند به محیط‌های کاملاً ناآشنا منتقل شود، اشتباهاتش را خودش جبران کند و کارهای پیچیده دستکاری اشیا را فراتر از راه رفتن ساده ربات چهارپا انجام دهد یا خیر. علاوه بر این، محققان باید ببینند که اگر حجم داده‌های بازی کمتر شود، کیفیت مدل‌ها چقدر افت خواهد کرد.

سرمایه چشمگیر جنرال اینتویشن این شانس را به آنها داده تا ایده آموزش ایجنت‌ها با گیم‌پلی را به طور جدی بیازمایند. اما در نهایت، انتشار مستندات رسمی، بنچمارک‌های قابل تکرار و ارائه دسترسی واقعی به برنامه‌نویسان مشخص خواهد کرد که آیا این رویکرد فقط یک نمایش آزمایشگاهی جذاب است یا قرار است تحولی واقعی در دنیای رباتیک رقم بزند.