用户投稿
Micropopsi已经开发了概率，而不是确定性的机器人编程。资料来源：Micropopsi Industries
随着生成AI的成功，关于将大语言模型中发现的灵活智能类型的潜力引入物理世界的潜力进行了很多讨论。这通常被称为“体现的AI”，它是全球经济中最深刻的变革机会之一。
我想争辩说，体现AI的未来是明亮的，但前进的道路远不及纯粹数字领域的AI道路。通往“机器人技术”的道路有许多速度诱人，并需要新的突破才能成为现实。这对启动创始人和投资者有影响，我将尝试将其提取到一些建议中。
更多的机器人自动化是一种不可避免的，以及所有问题。自2012年收购Kiva Systems以来，亚马逊已在其仓库中部署了超过750,000个机器人。初创企业和投资者正在尝试对可以达到机器人能力和市场需求之间达到这一水平的下一个应用程序进行三角测量。
AI的轨迹是此三角剖分过程中的关键变量，强大的新模型可能是绝对的游戏改变者。那么，我们在这些模型的开发中站在哪里？ I have spoken with experienced roboticists and those developing robotic foundation models to better understand this question.
Register now so you don't miss out!
One step at a time toward embodied AI
The aim of cutting-edge embodied AI research is to create robot intelligence that is general-purpose rather than task specific — flexible enough to handle new or highly dynamic use cases without the need用于专门的培训。通用机器人基础模型的承诺是双重的。
<首先，他们将大幅度扩大机器人技术可解决的用例的数量。其次，他们将缩短机器人系统的历史长期商业化时间表。这些模型为无数新用例打开了大门，同时将小的单用AI模型放在快速过时的轨道上，因为前者可以做与后者相同的工作，同时消除了进行定制模型培训所需的工程投资。通用模型已成为构建AI中几乎任何事物的方法。人们可能会推测，一种新的类似ChatGpt的模型将占主导地位的机器人应用程序开发。
但是，我认为在短期内并不是这种情况。相反，我的期望是生成的AI技术会逐渐注入机器人技术，而不是一夜之间重塑景观，它们将与古典机器人技术共存一段时间。
机器人技术一直在稳步发展，即使生成的AI技术可能不会引起头条。当今的初创企业建设已经在使用这些技术，这些技术有望更灵活，广义智能和更快的上市时间。他们只是不依靠单个“世界模型”作为其应用的基础。可以从2D图像中重建3D场景，并在机器人技术中具有应用，例如创建新型培训数据。
通用模型确实有可能成为机器人开发的基础，并有望诸如Google的RT-X和体育智能的π0之类的研究模型强调了这种方法。
这些模型的重要证明是，它们已被证明大于其部分的总和。当包括来自许多任务的培训数据时，该模型在单个任务上的性能要比仅在该任务上接受培训的情况更好。
然而，该方法在与数据，确定性和计算相关的采用道路上面临的速度吸引力。在此类别的模型准备生产之前，需要更多的突破。
带有基础模型的三个速度降低
的第一个speedbump似乎没有准备好培训有关与物理世界互动的基础模型的数据语料，而与网络刻度文本，图像和Audio现有模型的丰富相比，这些模型可能使现有的基础模型成为可能。感知模型已经变得非常强大，但是将感知与驱动的联系是具有挑战性的。
要达到真正的基础模型所需的规模，我认为大量投资将需要研究收集更多数据的机制，以及实验以了解不同类型的培训数据的有效性。例如，目前尚不清楚执行任务的人类视频在多大程度上有助于模型性能。我确实相信，通过独创性和投资的结合，可以组装出强大的大规模培训数据。
似乎很可能在未来几年内出现具有重大预训练的强大模型，但它们将需要其他补充培训数据才能在任何特定任务上都是表现的。这类似于大型语言模型的微调，但这将更加必要，因为与机器人模型的功能更少可以“开箱即用”。
第二SpeedBump与确定性和可靠性有关。SM因应用而差异很大，最成功的早期生成AI应用是确定性并不重要的应用程序。在机器人技术中，确定论是至关重要的。撇开安全性，机器人技术的投资回报（ROI）通常取决于吞吐量，而在错误解决方案上花费的时间破坏了吞吐量。
到目前为止，对机器人基金会模型的研究强调了新颖性而不是可靠性。减轻生成AI模型的非确定性的方法（从广义上讲，不仅在机器人技术中）有很大的努力，因此我相信可以解决这个问题，但可能不会一口气就解决。这是关于确定性和非确定性模型共存的论点。
为了使灵活性与可靠性平衡，我们的投资组合公司Micropsi Industries是为了自动化世界上一些最大的神经网络而不是确定性的神经网络，而不是确定性的，而不是确定性的神经网络，而不是确定性的。双重性。
机器人基础模型的第三个SpeedBump是，在机器人技术中，通常需要在边缘进行计算，从而使推理成为挑战。机器人必须具有成本效益，而如今，许多应用程序将不支持添加足够的GPU来推断最强大的模型的成本。
这个问题可能是我提到的三个问题中最可行的。预计机器人将以大型模型为起点，并使用蒸馏技术创建较小，更专注的模型，其资源需求较少。但是，这必然会降低模型的一般性，并且与可以做任何事情的机器人的想法相反。
我们的投资组合公司RGO Robotics将其感知引擎提供给了多种移动机器人OEM，以及在这个机器人制造商中的广泛基础，它预计将在成本敏感的用途中继续流行。硬件的价格/性能正在不断提高，因此在边缘运行的实用性将进化。
诸如量化之类的技术也使有效减小大型模型的大小成为可能。杂化方法也是可能的，其中在云和一些开发项目中进行了一些计算。
为genai提出的建议，在世界越来越数字上体现了AI ERA
时，我们仍然生活在一个物理世界中，我们仍然生活在一个数字上，并且数字与物理的互动经常不符合成长的范围。像洗碗机一样狂热。后者在短期内可能是可行的，但此外，同样的问题也被问到价值数万亿美元的行业中的物理过程。这使体现了AI是全球经济中最深刻的机会之一。
机器人技术正在取得巨大进步，我看到机器人在这些行业中成为关键的推动者，在这些行业中，它们从未出现过，虽然已建立的机器人技术从新的体现的AI创新中受益。生成的AI将是机器人技术前进道路的变革元素，但是我目前的结论是，这将是一个逐渐的过程，而不是过夜的转变，从根本上改变了机器人公司的建造方式。
同时，这是愚蠢的，在克服挑战的能力上，我会在挑战时要出现一个愚蠢的能力，但是我在挑战时就会出现了一场挑战，而这是一个艰难的事物。结果，我今天对创业机器人公司公司的企业家的建议是：
重点关注高价值应用程序，并确定解决该应用程序的最佳方法，而无需与任何一种方法联系在一起。知道应用程序的所有细微差别，因为细节中的魔鬼通常是杀死机器人解决方案的经济可行性的原因。在这里，新的生成AI技术可以解决以前无法解决的问题。将生成的AI视为一种工具本身而不是解决方案。预测您的大多数工程时间都将致力于鲁棒性和硬化，而不是新的功能。研究最成功的机器人公司的剧本，并查看哪些方面有意义。我不认为成功的机器人公司的食谱，无论是价值主张，产品开发还是进入市场策略，都有根本上的变化。如果您正在从事新的机器人技术创业公司的工作，或者围绕生成AI在物理世界上的应用中进行创新，我很想听到您的illiat and sirliel。专注于智能自动化以及物理和数字世界的交集。他一直是技术行业的投资者已有19年了。
微信扫一扫打赏
支付宝扫一扫打赏
