Η Machenta συγκεντρώνει 40 εκατ. δολάρια σε αρχικό γύρο χρηματοδότησης για να μάθει στα ρομπότ νέες εργασίες με μία μόνο επίδειξη

Η εκμάθηση μιας νέας εργασίας σε ένα ρομπότ μπορεί να διαρκέσει πολύ περισσότερο από την ίδια την εκτέλεσή της. Η συλλογή επιδείξεων, η προετοιμασία δεδομένων εκπαίδευσης και η ενημέρωση ενός μοντέλου μπορούν να μετατρέψουν μια μικρή αλλαγή στη ροή εργασίας σε σημαντικό έργο μηχανικής. Η Machenta συγκέντρωσε 40 εκατομμύρια δολάρια σε αρχικό γύρο χρηματοδότησης, με στόχο να συντομεύσει αυτή τη διαδικασία, αναπτύσσοντας ένα θεμελιώδες μοντέλο ρομποτικής που έχει σχεδιαστεί ώστε να μαθαίνει μια φυσική εργασία από μία μόνο επίδειξη, χωρίς πρόσθετη εκπαίδευση ειδικά για τη συγκεκριμένη εργασία.

Η εταιρεία, με έδρα το Λονδίνο, ανακοίνωσε τη χρηματοδότηση στις 27 Οκτωβρίου, με τις Creandum και Union Square Ventures να ηγούνται από κοινού του γύρου. Θα χρησιμοποιήσει τα κεφάλαια για να επεκτείνει το μοντέλο της και να διευρύνει την ομάδα της στο νέο γραφείο και εργαστήριό της στο King’s Cross.

Η Machenta αποκαλεί την προσέγγισή της «άμεση μάθηση ρομπότ». Η εταιρεία αναφέρει ότι έχει επιδείξει την τεχνολογία σε εργασίες συσκευασίας, συναρμολόγησης και τακτοποίησης, με τα ρομπότ να προσαρμόζονται στις παραλλαγές αφού τους δείξουν μία φορά τι πρέπει να κάνουν. Η φιλοδοξία είναι ευρεία, αλλά τα στοιχεία πρέπει να εκληφθούν ως επιδείξεις μιας τεχνολογίας που βρίσκεται ακόμη υπό ανάπτυξη και όχι ως απόδειξη ότι ένα ρομπότ μπορεί ήδη να εκτελέσει κάθε πιθανή εργασία.

Μάθηση νέας εργασίας χωρίς νέα εκπαίδευση

Η βασική διάκριση είναι ανάμεσα στην εκπαίδευση ενός μοντέλου και στη διδασκαλία μιας συγκεκριμένης εργασίας σε ένα μοντέλο που έχει ήδη εκπαιδευτεί. Η Machenta εξακολουθεί να εκπαιδεύει το θεμελιώδες μοντέλο της. Αυτό που επιδιώκει να καταργήσει είναι η ανάγκη συλλογής ενός μεγάλου νέου συνόλου δεδομένων και εκτέλεσης ενός ακόμη κύκλου εκπαίδευσης κάθε φορά που το ρομπότ αναλαμβάνει μια νέα εργασία.

«Η ευφυΐα δεν αφορά τόσο το τι μπορείς ήδη να κάνεις όσο το πόσο γρήγορα μπορείς να μάθεις να κάνεις κάτι καινούργιο», δήλωσε στην ανακοίνωση ο καθηγητής Edward Johns, συνιδρυτής και διευθύνων σύμβουλος της Machenta.

Η προτεινόμενη διαδικασία είναι σκόπιμα απλή: δείχνεις την επιθυμητή συμπεριφορά, αφήνεις το ρομπότ να την παρατηρήσει και στη συνέχεια του ζητάς να εκτελέσει την εργασία. Στην πράξη, έτσι η επίδειξη θα αποτελούσε μέρος της οδηγίας που δίνεται σε ένα ήδη υπάρχον μοντέλο, αντί για την αφετηρία ενός ξεχωριστού έργου ανάπτυξης μοντέλου.

Αυτό έχει ιδιαίτερη σημασία όταν η εργασία παραμένει σε γενικές γραμμές ίδια, αλλά αλλάζουν τα αντικείμενα ή η διάταξή τους. Ένα ρομπότ που μπορεί μόνο να επαναλαμβάνει μια προκαθορισμένη ακολουθία χρειάζεται το περιβάλλον να προσαρμόζεται στο πρόγραμμά του. Ένα σύστημα που μαθαίνει αποτελεσματικά πρέπει να αναγνωρίζει τι καλείται να πετύχει μέσω της επίδειξης και να προσαρμόζει τις ενέργειές του στις συνθήκες που έχει μπροστά του.

Η προσομοίωση χρησιμοποιείται για την εκπαίδευση της ικανότητας μάθησης

Η στρατηγική εκπαίδευσης της Machenta μεταφέρει μεγάλο μέρος του φόρτου παραγωγής δεδομένων στην προσομοίωση. Σύμφωνα με την ανακοίνωση, στόχος δεν είναι να καταγραφεί κάθε εργασία που ενδέχεται να αντιμετωπίσει μελλοντικά το ρομπότ. Στόχος είναι το μοντέλο να εκτεθεί σε αρκετά ποικίλα σενάρια, ώστε να αναπτύξει μια επαναχρησιμοποιήσιμη ικανότητα να μαθαίνει από ένα νέο παράδειγμα.

Αυτό αλλάζει την πηγή από την οποία αναμένει η εταιρεία να προέλθει η δυνατότητα κλιμάκωσης. Πολλές προσπάθειες εκμάθησης ρομπότ βασίζονται σε μεγάλο βαθμό στη συλλογή φυσικών επιδείξεων μέσω τηλεχειρισμού ή καταγραφών ανθρώπινης δραστηριότητας. Η Machenta ποντάρει στο ότι η εμπειρία από προσομοιώσεις μπορεί να προσφέρει την ποικιλία που απαιτείται για την εκμάθηση νέων εργασιών, ενώ μια πραγματική επίδειξη παρέχει την οδηγία κατά την εφαρμογή.

Η τεχνική παρουσίαση της εταιρείας περιγράφει το σύστημα ως μοντέλο όρασης-επίδειξης-ενέργειας, ή VDA. Δέχεται ως εισόδους μια επίδειξη και συνεχιζόμενες παρατηρήσεις από κάμερα και προβλέπει ενέργειες σε κλειστό βρόχο. Η εταιρεία αναφέρει ότι η προεκπαίδευσή του βασίζεται αποκλειστικά στην προσομοίωση· το παράδειγμα διδασκαλίας και οι ζωντανές παρατηρήσεις αποτελούν εισόδους από τον πραγματικό κόσμο κατά τον χρόνο εκτέλεσης του μοντέλου.

Η διάκριση έχει σημασία: η προεκπαίδευση αποκλειστικά με προσομοιώσεις δεν σημαίνει ότι το ρομπότ λειτουργεί χωρίς πληροφορίες από τον πραγματικό κόσμο. Πρέπει και πάλι να ερμηνεύει την επίδειξη, να παρατηρεί το περιβάλλον του και να επιλέγει ενέργειες καθώς αλλάζουν οι συνθήκες.

Η έρευνα πίσω από τη μάθηση ρομπότ μέσα από το πλαίσιο

Η εταιρεία αξιοποιεί έρευνα των Johns και του συνιδρυτή και διευθυντή τεχνολογίας Vitalis Vosylius στο Imperial College London. Ο Johns είναι καθηγητής Εκμάθησης Ρομπότ στο Imperial, ενώ οι δύο ερευνητές ανέπτυξαν παλαιότερες μεθόδους για την εκμάθηση φυσικών συμπεριφορών από μικρό αριθμό παραδειγμάτων.

Η έρευνά τους για την Instant Policy, που δημοσιεύτηκε στο ICLR 2025, περιγράφει μίμηση μέσω μάθησης μέσα από το πλαίσιο, με βάση μία ή δύο επιδείξεις και χωρίς περαιτέρω εκπαίδευση. Αναπαριστά τις επιδείξεις, τις παρατηρήσεις και τις ενέργειες μέσω ενός γράφου και χρησιμοποιεί μια μαθημένη διαδικασία διάχυσης για να δημιουργήσει τη δομή γράφου που απαιτείται για την πρόβλεψη ενεργειών.

Η εργασία περιγράφει επίσης εκπαίδευση με ψευδοεπιδείξεις: τροχιές που παράγονται σε προσομοίωση και παρέχουν ένα μεγάλο σύνολο παραδειγμάτων. Τα πειράματα καλύπτουν προσομοιωμένες εργασίες και εργασίες στον πραγματικό κόσμο, ενώ περιλαμβάνουν επιπλέον μελέτη της μεταφοράς μεταξύ διαφορετικών ενσωματώσεων ρομπότ και οδηγιών διατυπωμένων σε φυσική γλώσσα.

Η έρευνα βοηθά να γίνει κατανοητό το επιστημονικό υπόβαθρο, χωρίς όμως να αποδεικνύει ότι το τρέχον εμπορικό μοντέλο της Machenta έχει ακριβώς την ίδια αρχιτεκτονική. Η νεοφυής εταιρεία περιγράφει το νεότερο σύστημα ως θεμελιώδες μοντέλο που βασίζεται σε αυτή την ερευνητική κατεύθυνση.

Η μάθηση μέσα από το πλαίσιο είναι γνωστή από τα γλωσσικά μοντέλα, όπου παραδείγματα σε μια προτροπή μπορούν να επηρεάσουν την απάντηση χωρίς να ενημερώνονται τα βάρη του μοντέλου. Η εφαρμογή αυτής της ιδέας στη ρομποτική είναι πιο απαιτητική, επειδή το αποτέλεσμα πρέπει να μετατραπεί σε ακολουθία φυσικών ενεργειών υπό πραγματικούς περιορισμούς και όχι απλώς σε μια εύλογη απάντηση.

Τι αποδεικνύουν οι επιδείξεις — και τι μένει να δοκιμαστεί

Η τεχνική ανάρτηση της Machenta αναφέρει δοκιμές διάρκειας μίας ώρας σε τρεις απλές εργασίες με αυτοεπαναφορά: 74 επιτυχημένες τοποθετήσεις κύβων σε 74 προσπάθειες, 78 παραδόσεις κατσαβιδιού σε 78 προσπάθειες και 97 επιτυχημένες προσπάθειες να σταθούν μπουκάλια, σε σύνολο 99. Η εταιρεία αποδίδει τις δύο αποτυχίες με τα μπουκάλια στον κίνδυνο σύγκρουσης και στους κινηματικούς περιορισμούς.

Αυτοί είναι χρήσιμοι πρώιμοι έλεγχοι αξιοπιστίας, όχι όμως ένα ευρύ βιομηχανικό σημείο αναφοράς. Η ανάρτηση παρουσιάζει επίσης ως αρχικές κατευθύνσεις την εκμάθηση απευθείας από ανθρώπινα χέρια και τη λειτουργία με ανθρωποειδή χέρια. Δεν τεκμηριώνει ούτε καθολική κάλυψη εργασιών ούτε αξιόπιστη απόδοση σε κάθε χώρο εργασίας.

Για έναν δυνητικό χρήστη, ανάμεσα σε μια πειστική επίδειξη και ένα σύστημα έτοιμο για εφαρμογή μεσολαβούν η επαναληψιμότητα, η ανάκαμψη από αποτυχίες, η ασφαλής συμπεριφορά κοντά σε ανθρώπους και οι πρακτικοί περιορισμοί του υλικού του ρομπότ. Η γρήγορη εκμάθηση μιας οδηγίας δεν μπορεί να κάνει μια αρπάγη να πιάσει ένα αντικείμενο που αδυνατεί να συγκρατήσει με φυσικό τρόπο.

Οι εμπορικές προοπτικές είναι, ωστόσο, σαφείς. Αν ο χρόνος εκμάθησης μειωθεί σημαντικά, γίνεται ευκολότερο να εξεταστεί η χρήση ρομπότ σε εργασίες που αλλάζουν πολύ συχνά για να δικαιολογούν χρονοβόρο προγραμματισμό και ενσωμάτωση. Αυτό θα μπορούσε να επηρεάσει τόσο την ανάπτυξη σε εργοστάσια όσο και εφαρμογές μικρότερης κλίμακας, όπου είναι δύσκολο να εξασφαλιστεί εξειδικευμένη υποστήριξη στη ρομποτική.

Ένας αρχικός γύρος χρηματοδότησης για την κλιμάκωση του μοντέλου και την επέκταση της ομάδας

Η Machenta εντάσσεται σε ένα ευρύτερο κύμα επενδύσεων στην προσαρμόσιμη νοημοσύνη ρομπότ. Το δημοσίευμα του Unite.AI για τη χρηματοδότηση της Dream Labs για τεχνητή νοημοσύνη που λειτουργεί σε διαφορετικά ρομπότ αναδεικνύει μια ακόμη προσπάθεια να αξιοποιούνται οι μαθημένες δυνατότητες σε διαφορετικά μηχανήματα. Η Machenta εστιάζει στο πόσο γρήγορα μπορεί μια νέα φυσική οδηγία να μετατραπεί σε αξιοποιήσιμη συμπεριφορά.

Η Kathi Wilhelm, εταίρος της Creandum, αναφέρθηκε στα χρόνια έρευνας της ομάδας πριν από την ίδρυση της εταιρείας. Η Rebecca Kaden, διευθύνουσα εταίρος της Union Square Ventures, τόνισε την αξία των ρομπότ που μπορούν να αναλαμβάνουν γρήγορα μια νέα εργασία, αντί να απαιτείται ξεχωριστή διαδικασία εκπαίδευσης για κάθε δουλειά.

Για τη Machenta, το επόμενο στάδιο είναι να μετατρέψει αυτή την ερευνητική βάση σε ευρύτερες και πιο αξιόπιστες δυνατότητες. Τα 40 εκατομμύρια δολάρια δίνουν στην εταιρεία τους πόρους για να κλιμακώσει το μοντέλο και να στελεχώσει την ομάδα γύρω από αυτό, ενώ η ιδρυτική της ομάδα φέρνει στην επιχείρηση έξι χρόνια εργασίας πάνω στη μάθηση ρομπότ από μία μόνο επίδειξη.

Το βασικό ερώτημα είναι σε ποιο βαθμό αυτή η μαθησιακή συμπεριφορά μπορεί να κλιμακωθεί, καθώς οι εργασίες γίνονται πιο ποικίλες και απαιτητικές. Αν η προσέγγιση αποδειχθεί ανθεκτική, η ουσιαστική αλλαγή θα είναι πρακτική: οι άνθρωποι θα μπορούσαν να αφιερώνουν λιγότερο χρόνο στη δημιουργία μιας διαδικασίας εκπαίδευσης και περισσότερο στο να δείχνουν στο ρομπότ τη δουλειά που θέλουν πραγματικά να κάνει.