Ein Top-VC beteiligte sich an vier aufeinanderfolgenden Finanzierungsrunden, Liu Songming hat erneut mehrere hundert Millionen Yuan an Kapital aufgenommen.

LiberAI, über das ich im Juni berichtet habe, gab heute bekannt, dass es eine neue Pre-A+ Finanzierungsrunde im Wert von mehreren hundert Millionen Yuan abgeschlossen hat. Zu den Investoren gehören 360 Strategic Investment, China Development Bank Capital, Sinovation Ventures, CMC Capital, Bifu Capital und andere. Der Altaktionär HSG hat seit der Angel-Runde vier Runden in Folge kontinuierlich zusätzliches Kapital bereitgestellt. Innerhalb von drei Monaten hat LiberAI fortlaufende Unterstützung von Top-Institutionen wie HSG, ZhenFund, Meituan Longzhu und Shunwei Capital erhalten.

In der ersten Jahreshälfte sind im Bereich der Weltmodelle unzählige neue Unternehmen entstanden, was den Eindruck erweckt, als würden die bunten Blüten allmählich die Sicht trüben. Mit Beginn der zweiten Jahreshälfte wird das Kapital sich auf die führenden Projekte konzentrieren. Es reicht nicht mehr, nur Geschichten zu erzählen – es müssen solide betriebliche Fortschritte vorgewiesen werden.

Im vorherigen Artikel *Exklusiv | Top-VC investiert drei Runden in Folge: Der mit dem Tsinghua-Sonderpreis ausgezeichnete Inhaber der Generation 00 sammelt erneut mehrere hundert Millionen Yuan* wurde der unternehmerische Werdegang von LIU Songming und die technische Ausrichtung von LiberAI vorgestellt: Das Unternehmen setzt stark auf die vortrainierte native multimodale Modellarchitektur und baut gleichzeitig ein eigenes Datenerfassungs- und Hardwaresystem auf. Dieses Mal habe ich mit ihm vor allem über die Bedeutung der Vortraining, menschlicher Daten und geschickter Hände sowie die Fortschritte bei der selbst entwickelten menschlichen Datenhandschuh gesprochen.

Der Gründer der Generation 00 ist überzeugt, dass Vortraining die Quelle der Entstehung von Intelligenz ist. Das Weltmodell ist im Wesentlichen eine Erweiterung des multimodalen Modells, und der Schlüssel liegt darin, wie die multimodale Methodik nach der Einführung des physikalischen Modells umgesetzt werden kann. Im Hinblick auf menschliche Daten ist er der Ansicht, dass die drei Modalitäten Text, Video und Physik im latenten Raum ausgerichtet werden müssen, um das Problem der Stichprobenahme und Entscheidungsfindung geschickter Hände im hochdimensionalen Raum zu lösen.

Bezüglich der Fortschritte und Pläne teilte LIU Songming mit, dass LiberAI den gesamten Prozess vom Modultraining bis zum Einsatz bei hochfreiheitsgradigen geschickten Händen bereits vollständig durchlaufen hat, und die selbst entwickelten menschlichen Datenhandschuhe sind in die Massenproduktionsphase eingetreten. Bis zum Ende dieses Jahres wird das Unternehmen zwei Dinge vorantreiben:

Erstens: Den Prozess der Verarbeitung menschlicher Daten vollständig zum Laufen bringen, das Scaling Law für das Vortraining menschlicher Daten realisieren und Emergenz bei der Generalisierbarkeit erreichen. Dadurch wird die Abhängigkeit von Simulations- und echten Gerätedaten aufgehoben, und menschliche Daten werden zur zentralen Säule.

"Bei Greifern kannst du in den frühen 100 oder 1000 Stunden schon gute Demos erhalten, die in jedem Schritt einsatzbereit sind. Bei der Entwicklung geschickter Hände gibt es eine "Schweigephase", bevor menschliche Intelligenz reproduziert werden kann, und das Risiko ist tatsächlich höher. Aber sobald du diesen Punkt erreicht hast, kannst du alle menschlichen Daten und Internetvideos verbinden – das Aufwärtspotenzial ist riesig." Das ist die Wette von LIU Songming.

Zweitens will LiberAI im Bereich der Modellarchitektur ein Weltmodell mit Agentenfähigkeiten entwickeln. Dies ist kein Modell mehr für einzelne Aufgaben, sondern ein Modell, das Schlussfolgerungen ziehen kann – vergleichbar mit einer "physischen Version von Claude", die in der realen Welt Aufgaben planen, schlussfolgern, ausführen und Fehler korrigieren kann.

Greifer oder geschickte Hand

Die Branche der verkörperten Intelligenz entwickelt sich seit zwei bis drei Jahren, aber es bestehen nach wie vor Unterschiede und nicht übereinstimmende Meinungen über die Methoden der Datenerfassung und die technischen Routen der Modelle.

Generalist AI hat im Juli eine neue Fähigkeit seines Modells vorgestellt: Ein und dasselbe vortrainierte Modell kann eine Vielzahl von Endeffektoren antreiben – neben gängigen Greifern auch Spezialwerkzeuge wie elektrische Schraubendreher und Schneebesen. Die Fähigkeit zur Anpassung an verschiedene Geräte ist beeindruckend, aber das Unternehmen hat klar zum Ausdruck gebracht, dass es die Route der fünffingrigen geschickten Hände nicht für vielversprechend hält, und glaubt, dass Roboterhände nicht wie menschliche Hände aussehen werden.

"Die fünffingrige Hand ist nur ein Werkzeug im Werkzeugkasten. Roboter auf diese Form zu beschränken, ist ein Versagen der Vorstellungskraft", äußerte Generalist AI in einem Blogbeitrag eine klare Haltung.

Bei der Wahl des Endeffektors vertritt LIU Songming eine völlig andere Ansicht. Er ist der Ansicht, dass sobald menschliche Intelligenz vollständig destilliert ist, diese Intelligenz von Natur aus die Fähigkeit besitzt, sich an verschiedene Geräte anzupassen. Im Gegensatz zu Generalist AI hat LiberAI keine Greifer entwickelt, sondern konzentriert sich auf Algorithmen für geschickte Hände sowie die Erfassung und Vortraining menschlicher Daten.

Bei der Datenerfassung ist die Frage, ob "der Mensch den Roboter nachahmt" oder "der Roboter den Menschen nachahmt", für LIU Songming ein Problem auf philosophischer Ebene. Erstere bezieht sich auf die Datenerfassung durch Fernsteuerung, UMI-Greifer und Exoskelette, letztere auf die Erfassung menschlicher Daten durch Datenerfassungshandschuhe.

"Es gibt einen Ansatz, bei dem Menschen Roboter nachahmen, damit die erfassten Daten vom Menschen auf den Roboter übertragen werden können. Unser Ansatz ist genau umgekehrt: Wir lassen Menschen ihre menschlichen Eigenschaften so weit wie möglich behalten und streben eine wahrnehmungsfreie Datenerfassung an. Der Nachteil davon ist, dass die Lücke zwischen Mensch und Roboter kurzfristig größer werden kann, aber der Vorteil liegt in einer höheren Obergrenze, niedrigeren Betriebskosten und einer einfacheren Skalierbarkeit", analysierte LIU Songming die Abwägungen bei dieser Entscheidung.

Natürlich sind Greifer und geschickte Hände hinsichtlich der algorithmischen Umsetzung nicht auf dem gleichen Schwierigkeitsniveau. Zum Beispiel hat ein Greifer nur einen Freiheitsgrad, sein Zustandsraum ist diskret (0 und 1), die Steuerung ist einfach und der algorithmische Aufwand ist gering, sodass man in kurzer Zeit einen Demo erhalten kann. Die von LiberAI eingesetzte geschickte Hand hat 20 Freiheitsgrade, was die Beobachtung, Datenerfassung, die zugrundeliegende Infrastruktur und die detaillierte Steuerung deutlich schwieriger macht.

Die Entwicklung von Modellen, die auf hochfreiheitsgradigen geschickten Händen eingesetzt werden können, gilt als eine der schwierigsten Herausforderungen der Branche, aber für LIU Songming ist sie sehr bedeutsam. "Das ist wie das Besteigen eines Schneebergs: Wenn du diese Schwierigkeit akzeptierst und den Gipfel erreichst, hast du enorme Vorteile und kannst alle menschliche Intelligenz verbinden. Wir haben die Greifer-Route schon sehr früh validiert – es ist sehr schwierig, von Greifern auf geschickte Hände zu generalisieren, aber unser Modell kann sehr leicht von geschickten Händen auf Greifer übertragen werden. Wir sind überzeugt, dass die von uns gewählte Route der menschlichen Daten und geschickten Hände der richtige Weg ist."

Die Logik hinter dieser Überzeugung lautet: Da das Endziel darin besteht, Roboter mit allgemeinen menschlichen Bedienfähigkeiten auszustatten, sind menschliche Daten das unersetzliche "Öl". Menschliche Daten entstehen natürlich bei geschickten Bedienvorgängen. Selbst mit einer großen Menge an Greiferdaten ist es unmöglich, sie mit menschlichen Videos auszurichten und zu allgemeiner Intelligenz zu skalieren.

Das "unmögliche Dreieck" und die Datenpyramide

Um dieses Ziel zu erreichen, konzentriert sich LiberAI hauptsächlich auf drei Bereiche:

Erstens: Dateninfrastruktur und technische Algorithmen, einschließlich des Aufbaus der gesamten Datenpipeline – wie Daten bereinigt werden, Internetvideos frame für frame zugeschnitten werden, Hände in den Videos erkannt werden und die Geschwindigkeit der Handerkennungsoperatoren optimiert wird, um Handdaten schnell zu extrahieren. Der gesamte Ablauf muss schnell ausgeführt werden, und die Schnittgrenzen müssen klar sein. Zum Beispiel muss bei einer Trinkbewegung genau erkannt und zugeschnitten werden können, wann der Becher gegriffen und wann der Deckel aufgedreht wird.

Mittlerweile ist diese Dateninfrastruktur und Datenpipeline vollständig systematisiert, mit einem Automatisierungsgrad von über 90 %. Die automatische Markierung erfolgt im Wesentlichen über APIs und selbst entwickelte Feinabstimmungsmodellen, und die Pipeline selbst wird von Agenten überwacht und optimiert, sodass sie mit der Zeit immer intelligenter markiert.

Zweitens: Das Training des Modells selbst. Der Schlüssel liegt darin, die Fähigkeit des Modells zu verbessern, sodass es im komplexen Raum effizient Stichproben nehmen kann. Die drei Modalitäten Text, Video und Bewegungen geschickter Hände müssen im selben latenten Raum ausgerichtet werden, um die Effizienz der Wahrnehmung, Stichprobenahme und Steuerung von Händen zu verbessern. Das Team von LiberAI hat bereits umfangreiche Arbeiten zu menschlichen Daten und multimodalem Training durchgeführt und diese in einen einheitlichen Raum ausgerichtet.

Um diese Route zum Erfolg zu führen, muss zudem das "unmögliche Dreieck" der Datenerfassungshandschuhe überwunden werden: Hohe Genauigkeit, Tragekomfort, Beständigkeit gegen elektromagnetische Störungen und Verdeckung. Laut LIU Songming hat das von LiberAI selbst entwickelte menschliche Datenhandschuh dieses unmögliche Dreieck überwunden und ist in die Phase der Massenproduktion und groß angelegten Erfassung in der realen Welt eingetreten.

Jedes Unternehmen im Bereich der verkörperten Intelligenz hat sein eigenes Datenrezept. Heutzutage haben sich die Datentypen weitgehend auf Internetvideos, Echtgeräte-Fernsteuerungsdaten, UMI-Daten und menschliche Daten eingependelt, aber die Verhältnisse bei verschiedenen Unternehmen unterscheiden sich noch.

In der Datenpyramide von LiberAI nehmen First-Person- und Third-Person-Internetvideos von menschlichen Handlungen die absolute Basis ein – sie sind um ein bis zwei Größenordnungen umfangreicher als Handschuhdaten. Handschuhdaten folgen an zweiter Stelle und sind um ein bis zwei Größenordnungen umfangreicher als Echtgerätedaten, die am wenigsten vorhanden sind. Die Vision des Unternehmens ist es, dass menschliche Daten zur wichtigsten Säule werden, sodass man nicht mehr stark von kostspieligen und in der Größenordnung begrenzten Echtgerätedaten abhängig ist.

Das scheint eine ziemlich radikale Wette zu sein. Man bedenke: Letztes Jahr war die gängige Meinung in der Branche noch, dass Echtgerätedaten durch Fernsteuerung erfasst werden sollten.

Das Unternehmen versucht zudem, das Datenerfassungsteam tief mit dem Agentensystem zu verbinden. Wenn zum Beispiel die Modellableitung feststellt, dass das Modell gut beim Falten von Kleidung, aber schlecht beim Einsammeln von Müll ist, gibt der Agent automatisch Aufgaben aus und beauftragt mehr Personen, Daten zum Einsammeln von Müll zu erfassen.

Daten von KI mit KI verwalten – das klingt beeindruckend, es ist ein völlig neues Organisationskonzept im Zeitalter von KI für KI.

Neben geschickten Händen und Datenerfassung haben wir auch über den Wettbewerb in der Branche und die Unternehmenskultur gesprochen. Hier sind Teile unseres Gesprächs:

LIU Yanqiu: Die Entwicklung geschickter Hände ist so schwierig, dass viele in der Branche aufgeben, fünffingrige Hände zu entwickeln, und sich stattdessen für zweifingrige Greifer entscheiden. Warum bestehst du darauf, Algorithmen für fünffingrige geschickte Hände zu entwickeln?

LIU Songming: Das ist eine Frage von kurz- und langfristigen Zielen. Bei Greifern kannst du in den frühen 100 oder 1000 Stunden schon gute Demos erhalten, die in jedem Schritt einsatzbereit sind. Bei der Entwicklung geschickter Hände gibt es eine "Schweigephase", bevor menschliche Intelligenz reproduziert werden kann, und das Risiko ist tatsächlich höher. Aber sobald du diesen Punkt erreicht hast, kannst du alle menschlichen Daten und Internetvideos verbinden – das Aufwärtspotenzial ist riesig.

Aus der Perspektive des ersten Grundprinzips ziehen wir es vor, schwierige aber richtige Dinge zu verfolgen.

LIU Yanqiu: Was meinst du mit "Training nach der Eliminierung von Echtgeräteabhängigkeit"?

LIU Songming: Wie wir bereits gesagt haben: Einerseits verfügen wir über ausreichende menschliche Intelligenz, andererseits können wir durch die selbst entwickelte Hardware diese näher am menschlichen Körper gestalten. Das Ziel ist, keine Echtgerätedaten mehr erfassen zu müssen und direkt die Übertragung zu realisieren, um das grundlegende Problem der hohen Kosten und fehlenden Skalierbarkeit von Echtgerätedaten zu lösen. Derzeit hat die Massenproduktion unserer menschenähnlichen Hardware begonnen, und das Betriebssystem der Hardware wird mit Agenten realisiert. Früher mussten Menschen Fehler in der Hardware beheben, jetzt übernimmt der Agent diese Aufgabe: Er kann selbst erkennen, wo der Schaden liegt, sogar den Kundendienst übernehmen und die Nutzung komfortabler machen. Wir binden all diese Funktionen in den Agenten ein – je mehr Fehler und Interaktionen er erlebt, desto intelligenter wird er.

LIU Yanqiu: Dieser Ansatz klingt sehr "KI-nativ".

LIU Songming: Ja, wir arbeiten mit neuen Denkweisen und entwickeln Hardware mit KI-Methoden.

Die bereits erwähnte Datenpipeline ist ein Agent für sich, der wie ein eigenständiges Wesen Probleme in der Pipeline überwacht. Da unser Automatisierungsgrad bei 90 % liegt, gibt es immer Bereiche, die der Agent nicht abdeckt. Er kann die ungedeckten Probleme selbst zusammenfassen und generalisieren und dann sein eigenes Modell und seine Algorithmen weiterentwickeln. Ich denke, das ist der Ansatz von KI für KI: Es wird zu einem selbstverbessernden System.

Auch im Bereich der Datenerfassung arbeiten wir einerseits mit Dienstleistern zusammen, andererseits wird das gesamte Managementsystem zu einem Agenten umgewandelt. Die Aufgabenverteilung, Überprüfung, einfache Kommunikation und Kundendienst werden alle von Agenten erledigt. Nach der Datenerfassung wird das Modell trainiert, das dann Schlussfolgerungen zieht. Der Agent beobachtet das gesamte Ergebnis der Modellableitung und passt dann die veröffentlichten Aufgaben an. Wenn zum Beispiel festgestellt wird, dass das Modell sehr gut Kleidung falten, aber schlecht Müll einsammeln kann, veröffentlicht er Aufgaben, um mehr Personen dazu zu bringen, Daten zum Einsammeln von Müll zu erfassen.

LIU Yanqiu: Wie siehst du als neues Unternehmen im Bereich der verkörperten Intelligenz die bereits länger etablierten Unternehmen? Haben ältere Unternehmen nicht unbedingt einen First-Mover-Vorteil, wenn neue Technologien und Datenerfassungsrouten auftauchen?

LIU Songming: Angenommen, du hast 50.000 oder 100.000 Stunden an Greifer-Daten erfasst – was machst du mit diesen Daten, wenn du jetzt geschickte H