Machenta, Robotlara Tek Bir Gösterimle Yeni Görevler Öğretmek İçin 40 Milyon Dolarlık Tohum Yatırımı Aldı

Bir robota yeni bir işi öğretmek, işi bizzat yapmaktan çok daha uzun sürebilir. Gösterimler toplamak, eğitim verilerini hazırlamak ve modeli güncellemek, iş akışındaki küçük bir değişikliği kapsamlı bir mühendislik projesine dönüştürebilir. Machenta, bu süreci kısaltmak amacıyla 40 milyon dolarlık bir tohum yatırım turunu tamamladı; ek bir göreve özgü eğitim gerektirmeden tek bir gösterimden fiziksel bir görevi öğrenmek üzere tasarlanmış bir robot temel modeli geliştiriyor.

Londra merkezli şirket, finansmanı 27 Ekim’de duyurdu; yatırım turuna Creandum ve Union Square Ventures eş liderlik etti. Şirket, sermayeyi modelini ölçeklendirmek ve King’s Cross’taki yeni ofis ve laboratuvarında ekibini büyütmek için kullanacak.

Machenta, yaklaşımını “anında robot öğrenmesi” olarak adlandırıyor. Şirket, robotların ne yapacakları bir kez gösterildikten sonra değişen koşullara uyum sağlayabildiğini; bu teknolojiyi paketleme, montaj ve ortalığı toplama görevlerinde gösterdiğini söylüyor. Hedef kapsamlı olsa da eldeki kanıtlar, bir robotun olası her görevi şimdiden yerine getirebildiğinin kanıtı olarak değil, gelişmekte olan bir teknolojinin gösterimleri olarak değerlendirilmelidir.

Yeni Bir Eğitim Süreci Başlatmadan Yeni Bir Görev Öğrenmek

Temel ayrım, bir modeli eğitmekle zaten eğitilmiş bir modele belirli bir görevi öğretmek arasındadır. Machenta, temel modelini yine eğitiyor. Şirketin ortadan kaldırmayı hedeflediği şey, robot her yeni görevle karşılaştığında büyük bir veri kümesini yeniden toplama ve yeni bir eğitim döngüsü başlatma gerekliliği.

Machenta’nın kurucu ortağı ve CEO’su Profesör Edward Johns duyuruda, “Zekâ, zaten neler yapabildiğinizden çok, yeni bir şeyi ne kadar çabuk öğrenebildiğinizle ilgilidir,” dedi.

Önerilen iş akışı özellikle basit: İstenen davranışı gösterin, robotun bunu gözlemlemesini sağlayın ve ardından görevi yerine getirmesini isteyin. Uygulamada bu, gösterimin ayrı bir model geliştirme projesinin başlangıcı olmak yerine mevcut bir modele verilen talimatın parçası olmasını sağlayabilir.

Bu yaklaşım, görev genel hatlarıyla aynı kalırken nesneler veya nesnelerin yerleşimi değiştiğinde özellikle önem kazanıyor. Yalnızca sabit bir eylem dizisini tekrarlayabilen bir robot için çevrenin programına uyması gerekir. İşlevsel bir öğrenme sistemi, gösterimin robottan ne yapmasını istediğini belirlemeli ve eylemlerini karşılaştığı duruma göre uyarlamalıdır.

Öğrenme Yeteneği Simülasyonla Eğitiliyor

Machenta’nın eğitim stratejisi, veri üretme yükünün büyük bölümünü simülasyona taşıyor. Duyuruya göre amaç, robotun ileride karşılaşabileceği tüm görevleri tek tek sıralamak değil. Amaç, modelin yeni bir örnekten öğrenme becerisini farklı durumlarda tekrar kullanabilecek şekilde geliştirmesi için onu yeterince çeşitli senaryoya maruz bırakmak.

Bu yaklaşım, şirketin ölçeklenmenin kaynağını nerede gördüğünü değiştiriyor. Robot öğrenimi alanındaki birçok çalışma, uzaktan kumandayla robot kontrolü veya insanların etkinliklerinin kaydedilmesi yoluyla fiziksel gösterimler toplamaya büyük ölçüde dayanıyor. Machenta, yeni görevleri öğrenmek için gereken çeşitliliğin simülasyon deneyimiyle sağlanabileceğine; gerçek bir gösterimin ise sistem devreye alındığında talimat işlevi göreceğine güveniyor.

Şirketin teknik tanıtımı, sistemi görsel gösterim-eylem modeli, kısaca VDA, olarak adlandırıyor. Model, girdi olarak bir gösterimi ve kameradan sürekli alınan görüntüleri kullanıyor; kapalı döngüde eylemler öngörüyor. Şirket, ön eğitimde yalnızca simülasyondan yararlandığını; öğretici örneğin ve canlı gözlemlerin ise çıkarım sırasında gerçek dünyadan alınan girdiler olduğunu belirtiyor.

Bu ayrım önemli: Ön eğitimin yalnızca simülasyonda yapılması, devreye alınan robotun gerçek dünya bilgisi olmadan çalıştığı anlamına gelmiyor. Robot yine de gösterimi yorumlamalı, çevresini gözlemlemeli ve koşullar değiştikçe hangi eylemleri gerçekleştireceğine karar vermelidir.

Bağlam İçi Robot Öğreniminin Ardındaki Araştırmalar

Şirket, Johns ve kurucu ortağı ve Teknolojiden Sorumlu Üst Yöneticisi Vitalis Vosylius’un Imperial College London’daki çalışmalarından yararlanıyor. Johns, Imperial’da Robot Öğrenimi Profesörü; ikili, az sayıda örnekten fiziksel davranışları öğrenmeye yönelik daha önceki yöntemler geliştirdi.

ICLR 2025’te yayımlanan Instant Policy araştırması, ek eğitim gerektirmeden bir veya iki gösterimden bağlam içi taklit öğrenimini ele alıyor. Araştırmada gösterimler, gözlemler ve eylemler bir grafik aracılığıyla temsil ediliyor; eylem tahmini için gereken grafik yapısını oluşturmak üzere öğrenilmiş bir difüzyon süreci kullanılıyor.

Makale ayrıca sözde gösterimlerle eğitimi de ele alıyor: Bunlar, geniş bir örnek havuzu sağlayan ve simülasyonda üretilen yörüngeler. Deneyler simüle edilmiş ve gerçek görevleri kapsıyor; ayrıca farklı robot gövdeleri arasında aktarım ve dille tanımlanan talimatlar üzerine çalışmalar da içeriyor.

Bu araştırma, Machenta’nın güncel ticari modelinin birebir aynı mimariye sahip olduğunu kanıtlamadan, bilimsel temelini açıklamaya yardımcı oluyor. Girişim, yeni sistemi bu çalışma çizgisinden geliştirilen bir temel model olarak tanımlıyor.

Bağlam içi öğrenme, istemdeki örneklerin model ağırlıklarını güncellemeden yanıtı şekillendirebildiği dil modellerinden tanıdık bir kavram. Ancak bu fikri robot bilimine uygulamak daha zorlu; çünkü çıktının yalnızca makul görünen bir yanıt olması değil, gerçek dünyadaki kısıtlar altında fiziksel eylemler dizisine dönüşmesi gerekiyor.

Gösterimler Neyi Ortaya Koyuyor, Nelerin Henüz Test Edilmesi Gerekiyor?

Machenta’nın teknik yazısında, üç basit ve kendi kendini sıfırlayan görevde bir saat süren denemeler yapıldığı bildiriliyor: 74 denemenin 74’ünde bloklar başarıyla yerleştirildi, 78 denemenin 78’inde tornavidalar elden ele aktarıldı ve 99 denemenin 97’sinde şişeler başarıyla dik konuma getirildi. Şirket, şişelerle ilgili iki başarısızlığı çarpışma riskine ve kinematik kısıtlamalara bağlıyor.

Bunlar, geniş kapsamlı bir endüstriyel kıyaslama ölçütü değil, erken aşamada yararlı güvenilirlik kontrolleri. Yazıda, doğrudan insan ellerinden öğrenme ve insansı ellerle çalışma da ilk aşamadaki yönelimler olarak sunuluyor. Ancak her görevi kapsayan evrensel bir yetkinlik ya da her iş yerinde güvenilir performans ortaya konmuyor.

Potansiyel bir kullanıcı için ikna edici bir gösterim ile kullanıma hazır bir sistem arasındaki fark; tekrarlanabilirliği, başarısızlık durumlarından toparlanmayı, insanların çevresinde güvenli davranmayı ve robot donanımının pratik sınırlarını da kapsar. Bir talimatı hızla öğrenmek, tutucunun fiziksel olarak kavrayamayacağı bir nesneyi kavramasını sağlayamaz.

Buna rağmen ticari fırsat açık. Öğretme süresi önemli ölçüde kısalırsa, uzun programlama ve entegrasyon süreçlerini haklı çıkarmayacak kadar sık değişen işler için robotları değerlendirmek kolaylaşır. Bu, hem fabrikalarda kullanıma almayı hem de özel robotik desteği bulmanın zor olduğu daha küçük ölçekli uygulamaları etkileyebilir.

Modeli ve Ekibi Ölçeklendirmek İçin Bir Tohum Yatırımı Turu

Machenta, uyarlanabilir robot zekâsına yönelik daha geniş bir yatırım dalgasına katılıyor. Unite.AI’nin Dream Labs’in farklı robotlara yönelik yapay zekâ finansmanını ele alan haberi, öğrenilen becerileri farklı makinelerde kullanılabilir kılmaya yönelik başka bir çabayı gözler önüne seriyor. Machenta ise yeni bir fiziksel talimatın kullanılabilir davranışa ne kadar hızlı dönüştürülebileceğine odaklanıyor.

Creandum ortağı Kathi Wilhelm, şirket kurulmadan önce ekibin yıllar süren araştırmalar yürüttüğüne dikkat çekti. Union Square Ventures yönetici ortağı Rebecca Kaden ise her iş için ayrı bir eğitim süreci gerektirmek yerine yeni bir görevi hızla öğrenebilen robotların değerini vurguladı.

Machenta’nın önündeki bir sonraki aşama, bu araştırma temelini daha geniş kapsamlı ve daha güvenilir bir yetkinliğe dönüştürmek. 40 milyon dolar, şirkete modeli ölçeklendirmek ve bu doğrultuda ekibini büyütmek için kaynak sağlarken, kurucu ekibi tek seferlik gösterimle robot öğrenimi üzerine altı yıllık çalışmasını şirkete taşıyor.

Temel soru, görevler çeşitlenip zorlaştıkça bu öğrenme davranışının ne ölçüde ölçeklenebileceği. Yaklaşım işe yararsa, önemli değişim pratikte görülecek: İnsanlar bir eğitim süreci kurmaya daha az, robota gerçekten yapılmasını istedikleri işi göstermeye daha fazla zaman ayırabilecek.