Dream Labs, Robot Yapay Z zekâsını Farklı Makinelere Taşımak İçin Tohum Yatırımında 90 Milyon Dolar Aldı

Dream Labs, eski NVIDIA robotik araştırmacılarının kurduğu bir girişim olarak, 90 milyon dolarlık tohum yatırımı aldı ve becerileri farklı robotlara aktaracak şekilde tasarlanan Dream-1 modeli için herkese açık bir API kullanıma sundu. Yatırım turuna B Capital liderlik etti; Kindred Ventures ile birlikte A.Capital, Unusual Ventures ve başka yatırımcılar da tura katıldı.

Şirket, robotikte maliyetli bir darboğazı çözmeye çalışıyor: Bir görevi öğrenen bir makine, öğrendiği bilgiyi başka bir makineye kendiliğinden aktaramıyor. Dream Labs, geliştiricilerin ortak bir modelle başlamasını, ardından belirli bir robot ya da uygulama daha özelleşmiş bir eğitim gerektirdiğinde modeli uyarlamasını istiyor.

Kullanıma sunulanlar arasında bir API, ince ayar hizmeti ve tarayıcı tabanlı Robot Playground bulunuyor. Robot Playground, kullanıcıların şirketin San Francisco ofisindeki fiziksel robotlara talimat göndermesine olanak tanıyor. Dream Labs, modelin yeteneklerini ve kapasitesini genişletirken finansmanın öncelikle hesaplama kaynaklarını desteklemek için kullanılacağını belirtiyor.

Dream-1 Videoyu Fiziksel Eylemlere Nasıl Bağlıyor?

Dream Labs, Dream-1’i bir Dünya Eylem Modeli olarak tanımlıyor. Kullanıma sunuluşuna ilişkin teknik açıklama, video ve eylemleri birlikte öngören bir sistemi anlatıyor: Bir sahnenin nasıl değişeceğini tahmin etmek, robotun sırada ne yapması gerektiğine karar vermekle bağlantılı.

Robotların gövdeleri birbirinden farklı olduğu için bu ayrım önem taşıyor. Bir kolda işe yarayan eklem komutları, başka bir kolda mutlaka işe yaramaz. Dream-1 bunun yerine uç eleman pozlarını, yani her tutucunun istenen konum ve yöneliminin yanı sıra açık mı kapalı mı olması gerektiğini tahmin edebiliyor. Her robotun ters kinematik çözücüsü, bu hedefleri kendi eklemlerinin gerçekleştirebileceği hareketlere dönüştürüyor.

Bu yaklaşım, makinelerin aynı donanımı paylaşmasını gerektirmeden aralarında ortak bir arayüz sağlıyor. Model üç kamera görüntüsünden yararlanıyor: Biri sahneye, diğer ikisi de bileklere bakıyor. Video temsili, farklı görünümlere sahip kol ve tutucular hakkında aynı görsel ortam üzerinden akıl yürütmesini sağlıyor.

Geliştiriciler için ürün, bu araştırmayı görece doğrudan bir iş akışına dönüştürüyor. Robot görüntüleri, mevcut durumunu ve bir görev talimatını sağlıyor; model ise eylemler döndürüyor. Modeller, her geliştiricinin bir robotik temel modeli oluşturup işletmesini gerektirmek yerine Dream Labs’ın barındırdığı hizmet üzerinden çalışıyor.

Sıfır Örnekli Aktarımın Kapsamı Belirli

Şirketin mevcut sıfır örnekli yeteneği, paralel tutuculu çift kollu robotlara odaklanıyor: İki kolu ve basit açılıp kapanan tutucuları olan makineler. Sıfır örnekli çalışma, modelin belirli bir makineden alınmış gösterimlerle önceden eğitilmeden, tanımadığı bir robot üzerinde görevleri deneyebileceği anlamına geliyor.

Dream Labs’ın yayımladığı değerlendirmede, daha önce görülmemiş 27 robot gövdesi simülasyonda test edildi ve her gövde için 300 deneme çalıştırması yapıldı. Sonuçlar, Dream-1’in üzerinde eğitildiği robot YAM’a kıyasla raporlandı. Donanımlar arasında performans belirgin ölçüde değiştiğinden, robotlar arası aktarım yönündeki manşet iddia, ayrıntılı sonuçlarla birlikte değerlendirildiğinde daha anlamlı hâle geliyor.

Bu göreli puanlar, mutlak görev başarı oranlarıyla karıştırılmamalı. Bir politikanın farklı bir robota aktarılması da robotun her görevi güvenilir biçimde tamamlayacağını kanıtlamaz. Araştırma sayfası, görev değerlendirmelerinde tam tamamlanma ile kısmi ilerlemeyi ayrıca birbirinden ayırıyor.

Kontrol arayüzü bazı ödünleşimleri de beraberinde getiriyor. Bir tutucunun varış noktasını tahmin etmek, kolun oraya hangi yoldan ulaşacağını bütünüyle belirlemiyor. Engeller, eklem sınırları ve robotun ters kinematik çözücüsünün niteliği performansı etkileyebiliyor. Çalışma alanları veya dinamikleri çok farklı olan robotlar, modelin tahminleriyle donanımın fiziksel olarak yapabilecekleri arasındaki farkları daha da belirginleştirebiliyor.

İnce Ayar, Başlangıç Düzeyinin Ötesine Geçme Olanağı Sunuyor

Dream Labs’ın Hizmet Olarak İnce Ayar hizmeti, genel model yetersiz kaldığında geliştiricilere başka bir seçenek sunuyor. Geliştiriciler, sıfırdan bir eğitim projesine başlamak yerine kendi robotlarından alınmış gösterimleri yükleyip uyarlanmış bir model alabiliyor.

Şirket, robota özgü beş dakikalık veriyle yapılan uyarlama örneklerinin yanı sıra, tanınmayan uç elemanlar için çok daha fazla veri gerektiren örnekler de sunuyor. Bu gösterimler, uyarlama ihtiyaçlarının çeşitliliğini ortaya koyuyor; herkes için geçerli beş dakikalık bir eğitim gerekliliği olduğunu göstermiyor.

Bu, uygulama açısından önemli bir ayrım. Ortak bir model, robotu çalıştırmak için gereken ilk çabayı azaltabilir; ancak belirli bir uygulamada davranışını kullanışlı hâle getirmek için yine de göreve özgü veriler gerekebilir. Dream Labs, uyarlanmış modellerin sıfır örnekli çalışmadan daha iyi performans gösterdiğini kabul ediyor.

Araştırma sayfasında çıkarım maliyeti Dream-1 için saat başına 3 dolar, daha hafif olan Dream-1-flash içinse saat başına 2 dolar olarak belirtiliyor. Her model çağrısı 1,6 saniyelik eylem döndürüyor. Bir dağıtımın maliyeti değerlendirilirken donanım, entegrasyon ve ek hizmet ücretlerinin ayrıca hesaba katılması gerekiyor.

Araştırma Gösterimlerinden Tekrarlanabilir İşlere

Girişimin ekibi daha önce DreamZero ve NVIDIA’nın GR00T robotik araştırmaları üzerinde çalıştı. Ekip, Dream-1 ile bu araştırmayı geliştiricilerin kendi makinelerinde deneyebileceği bir hizmete dönüştürüyor.

Erişim, duyurunun önemli bir parçası. Herkese açık API, robot üreticilerinin ve daha küçük ekiplerin yalnızca seçilmiş gösterimlere güvenmek yerine, nerelerde başarısız olduğu da dâhil olmak üzere davranışı doğrudan değerlendirmesine olanak tanıyor. Canlı Playground, robotu olmayan kişiler için daha erişilebilir bir başlangıç sunuyor.

Dream-1 hâlâ araştırma aşamasında bir beta sürümü ve Dream Labs, güvenlik açısından kritik kullanımlar için doğrulanmadığını belirtiyor. Şu anki odak noktası, iki kollu ve paralel tutuculu sistemlerle manipülasyon; mobil robotlar ve el becerisi yüksek donanımlar için daha kapsamlı destek ise geliştirme çalışmalarının bir parçası olmaya devam ediyor.

Ticari açıdan asıl soru, makineler arasında aktarılabilen bir modelin, insanların otomatikleştirmek için ödeme yapmaya istekli olduğu görevlerde de tekrarlanabilir performans sunup sunamayacağı. 90 milyon dolarlık yatırım turu, Dream Labs’e bu hedefi izlemek için kaynak sağlıyor. En önemli sınavı, yeni bir robotu sisteme bağladıktan sonra geliştiricilerin hâlâ ne kadar özel veriye ve mühendislik çalışmasına ihtiyaç duyacağı olacak.