Всередині нової гонки робототехніки: дані, моделі та виробництво

Інновації рідко виникають в ізоляції. Частіше, вони народжуються в розмовах серед інженерів, засновників, дослідників та інвесторів, які намагаються зрозуміти, куди рухається технологія.

За рік я відвідав десятки конференцій по всьому світу. Бізнес-поїздки іноді тривають місяцями, а зустрічі з партнерами та клієнтами відбуваються від Азії до Північної Америки. Однак одна з моїх останніх поїздок до Швейцарії виявилася особливо цікавою – переважно через людей та розмови, які там відбулися.

Цюрих зазвичай асоціювався з фінансовим сектором, але в останні роки він все частіше називається Європейською Кремнієвою Долини. Багато цього репутації пов’язано з ETH Цюрих, одним з найповажніших інженерних університетів Європи. Він приваблює дослідників, аспірантів, підприємців та інженерів з усього світу. В результаті, навколо університету сформувався потужний технологічний екосистема, де дослідження, стартапи та промислові проекти розвиваються майже одночасно.

Одна з причин моєї поїздки була отримати глибше розуміння того, що може пропонувати Introspector ринку робототехніки, який переживає бум з початку 2025 року. Це галузь, яку намагаються увійти широкий спектр стартапів, а технологічні прориви великих технологічних компаній активно переформовують її. Однак, попри весь цей імпульс, галузь все ще піднімає більше питань, ніж відповідей.

Цюрих також є домом для наших партнерів Lightly, які допомогли мені познайомитися з колегами, які працюють на перетині робототехніки, комп’ютерного зору та штучного інтелекту. Є один важливий аспект місцевої технологічної екосистеми, який я хотів би підкреслити: люди тут надзвичайно відкриті та привітні. Вони не бояться ділитися своїми ідеями та гіпотезами, говорити про виклики, які вони намагаються подолати, та про експерименти, які вони проводять. В результаті, ви починаєте розуміти реальний контекст ринку та куди рухається галузь набагато швидше.

Від часу, коли люди запитують мене, як Європейська “Кремнієва Долина” відрізняється від американської, відповідь часто дивує їх. У Цюриху, баланс між роботою та життя відчувається набагато сильніше: спорт вранці, зосереджена робота протягом дня в спокійному, проте продуктивному ритмі, та вечори, проведені в горах з сім’єю або просто відпочиваючи. У Сан-Франциско часто є відчуття, що вам потрібно постійно доводити, що ви працюєте важче, ніж усі інші. У Цюриху темп інший – більш сталий. Однак рівень технологічної амбіції тут не нижчий.

Кращі дані перед кращими роботами

Одним з основних висновків з цієї поїздки була досить проста спостереження: багато людей сьогодні хочуть працювати в галузі робототехніки. Однак, попри величезний інтерес до галузі, багато команд все ще перебувають у дослідницькій фазі, намагаючись зрозуміти, яку роль вони можуть відігравати в новій хвилі робототехніки та фізичного штучного інтелекту, та який внесок вони можуть зробити.

Багато розмов в кінцевому підсумку сходяться на одну й ту ж тему: дані. Сьогодні галузь відстає у даних про завдання дexterous, тобто, тонкі моторні навички. У цій області можливості роботів залишаються надзвичайно обмеженими. Те, що люди роблять своїми руками майже автоматично – підняття об’єкта, поворот, ретельне розміщення його десь, або виконання маленької маніпуляції – залишається одним з найбільш складних завдань для роботів.

Ключ до прогресу тут лежить переважно у великомасштабних, правильно зібраних наборах даних. Сьогодні люди часто говорять про набори даних egocentric, записані з першої особи, де система захоплює дії людини так, як ніби вона сама їх виконує. Однак, на практиці виявляється, що сам концепт “набору даних egocentric” може означати дуже різні речі та піднімає ряд технічних питань. Де повинен бути розміщений камера? На лобі, на грудях, або, можливо, на рівні очей? Які сенсори повинні супроводжувати відеозапис? Якщо ми захоплюємо рухи рук, повинні оператори використовувати спеціальні рукавички? І якщо так, повинні ці рукавички містити тактильні сенсори, гіроскопи або інші системи відстеження руху?

Ще більш складне питання виникає: як правильно захопити глибину руху. Адже важливо зрозуміти не тільки положення руки в двовимірній площині, але й як вона рухається через тривимірний простір – вперед, назад, вгору або вниз.

На сьогодні галузь ще не знайшла єдиної відповіді. Тому багато команд сьогодні експериментують з різними конфігураціями сенсорів, методами запису та форматами наборів даних.

Мультимодальні системи

Як тільки розмова переходить до збору даних для робототехніки, інша тема швидко виникає – додаткові сенсори та мультимодальність, які дозволяють захоплювати рухи тіла, дії рук та взаємодію з об’єктами з більшою точністю. Вони також допомагають зменшити помилки під час збору даних.

Коли людина записує свої дії на камеру, завжди існує ризик, що частина матеріалу буде непридатною. Камера може трохи зсунутися, кут зйомки може бути неправильним, оператор може випадково повернутися в неправильному напрямку, або оператор може виконати рух занадто швидко. В результаті, значна частина записаного матеріалу відкидається. Простий приклад: щоб отримати один годину真正о корисного відео, оператор часто потрібно записувати близько двох годин сирого матеріалу.

Додаткові сенсори допомагають компенсувати деякі з цих проблем. Навіть якщо камера зсунеться трохи, дані сенсорів все одно можуть дозволити відновити рух руки або положення тіла в просторі. В результаті, замість двох годин запису, може знадобитися близько однієї години та двадцяти хвилин, щоб отримати ту ж кількість корисних даних. Це значно збільшує ефективність збору даних та зменшує вартість їх створення.

Отже, не випадково, що багато команд також помітили зростаючий інтерес до мультимодальної анотації даних. Це стало однією з більш видимих тенденцій, безпосередньо пов’язаних з розробкою робототехніки та втіленого штучного інтелекту.

Наступний пункт – маркування таких наборів даних. Ми зустріли подібні питання в Keymakr при роботі з наборами даних клієнтів для випадків робототехніки: як повинно виглядаті таке маркування на практиці? Чи повинно воно бути скелетним? Двовимірним або тривимірним? Чи повинні бути включені елементи навчання з підкріпленням у трубопроводі? Є десятки таких питань. Інженери самі визнають, що ніхто ще не може з певністю сказати, яка саме конфігурація даних в кінцевому підсумку приведе до справжнього технологічного прориву.

Ці побоювання зрозумілі. Будування складних наборів даних – це дорогий процес. Кожна помилка у структурі даних може коштувати тисяч або навіть мільйонів доларів. Можливо, зібрати “неправильний” набір даних або записати його під умовами, які важко відтворити у реальному світі, в кінцевому підсумку підірвавши весь проєкт. Саме тому сьогодні увага приділяється як самим моделям, так і якості та архітектурі даних, на яких ці моделі тренуються.

Який тип роботів потрібен ринку?

Класичні промислові роботи, які працюють на автомобільних складальних лініях уже десятиліттями, фактично потребують дуже мало комп’ютерного зору або складних моделей штучного інтелекту. Їхнє завдання надзвичайно специфічне: виконувати строго повторювані рухи – ліворуч, праворуч, вгору, вниз – з високою точністю та послідовністю. У цій області вони вже давно перевершують людей.

Зовсім інша категорія – гуманоїдні роботи. Ці системи потребують “мозку”: здатності орієнтуватися в просторі, сприймати навколишнє середовище, розуміти контекст ситуації та контролювати маніпулятори не через попередньо запрограмовані траєкторії, а адаптуючись до реального світу.

Навіть з високим рівнем автоматизації на сучасних заводських підлогах багато завдань все ще виконуються людьми. Переміщення об’єкта, підняття коробки, сортування деталей, закріплення компонента або організація матеріалів – ці маленькі дії вимагають гнучкості та координації. Ця область залишається однією з найбільш складних для автоматизації, і саме тут гуманоїдні системи можуть знайти свою роль.

Багато команд, з якими я говорив, використовують схожу бізнес-модель. Вони підходять до заводу та пропонують вирішити конкретний виробничий випадок. Наприклад, робітник може проводити весь день, переміщаючи коробки між зонами складу. Інженери пропонують відносно простий експеримент: обладнати робітника камерою та набором сенсорів, записати тисячі годин їхніх дій та використати ці дані для тренування моделі, яка буде контролювати гуманоїдного робота. Таким чином, робот вчиться виконувати точно ті завдання, які виконує людина.

По суті, компанія купує гуманоїдну платформу, а команда розробників будує спеціальну модель, яка реплікує поведінку конкретного оператора. Це не універсальний інтелект, здатний вирішувати будь-яке завдання. Це набір навичок, тренований для конкретної ситуації або групи виробничих завдань. Для багатьох інженерів сьогодні такий підхід здається набагато більш реалістичним. Замість того, щоб намагатися створити універсального робота відразу, команди фокусуються на вузьких, проте економічно життєздатних сценаріях автоматизації.

Бізнес-аспект

Якщо майбутнє лежить у спеціальних моделях, важливо зрозуміти, що з економічної точки зору це довгий шлях розвитку.

Кожна галузь є фактично своїм світом. Кожне виробниче середовище має свої власні процеси, робочі потоки та винятки. Робот, тренований для роботи на автомобільному заводі, не може просто бути переведений до виробництва харчових продуктів або логістики складу. У кожному випадку система повинна бути перетренована з нуля.

Це веде до наступного логічного питання: хто будуть першими клієнтами takové технології?

На цьому етапі першими приймачами, ймовірно, будуть великі підприємства – ті, у яких є бюджети та для яких автоматизація може генерувати суттєвий економічний ефект. Сьогодні гуманоїдний робот коштує близько $60 000-$90 000 лише за апаратне забезпечення. Це тільки базова конфігурація. Окрім цього, є витрати на технічне обслуговування, батареї, зарядні станції, інфраструктуру та програмне забезпечення.

В результаті, компанії, які найактивніше експериментують з такими системами, будуть великими організаціями, виробниками автомобілів, харчовими корпораціями та великими промисловими підприємствами.

Очевидно, що менші сектори також можуть побачити деяких ранніх приймачів. Деякі компанії можуть купити один або два робота для конкретних завдань. Однак у більшості випадків ці підприємства просто не готові інвестувати сотні тисяч євро у збирання та анотацію спеціальних наборів даних, необхідних для тренування систем для високоспеціфічних операційних сценаріїв. Для них людська праця все ще залишається дешевшим варіантом.

Довга гра інновацій у робототехніці

Ми прийходимо до фундаментального економічного питання: що є ефективнішим – людина чи робот? Якщо ми дивимося на сучасну економіку, відповідь очевидна: людська праця дешевша, швидше адаптується до нових умов та не потребує складної інфраструктури.

Тому чому галузь продовжує інвестувати у робототехніку сьогодні? Відповідь переважно стратегічна.

Багато компаній розуміють, що відбувається种 гонка за технологічне лідерство. Вони вже розробляють рішення, попри високі витрати, щоб бути попереду, коли економіка робототехніки зміниться.

По мірі вдосконалення електроніки, зниження вартості компонентів та покращення ефективності обчислень, робототехніка неминуче стане дешевшою. І коли це станеться, перевага буде належати компаніям, які вже побудували моделі, зібрали дані та створили необхідну технологічну інфраструктуру.

Наприклад, якщо з’являться нові регуляції, які дозволять широке використання гуманоїдних роботів у виробництві. Або якщо уряди починають субсидувати роботизацію галузей. У такому сценарії ринок міг би зростати драматично вже за кілька років. І ті, хто підготувався заздалегідь, ті, у кого вже є моделі, дослідження, набори даних та готовий технологічний стек, будуть тими, хто найбільше виграє.

Тому розвиток продовжується навіть зараз, попри те, що економіка бізнесу може ще не виглядати ідеально. Для багатьох компаній це інвестиція у майбутнє – у момент, коли технології стануть більш доступними, а попит різко зросте.

І в цій гонці, як і у багатьох технологічних революціях, одним з вирішальних факторів часто виявляється той, хто розпочав раніше. У цьому сенсі сучасна робототехніка нагадує ранні стадії штучного інтелекту. Тоді теж було більше питань, ніж відповідей. Однак саме ті команди, які розпочали роботу з даними та інфраструктурою раніше за інших, у кінцевому підсумку сформували напрямок усієї галузі.