Um Daten für Roboter zu horten, schreibt Figure weltweit eine Belohnung für Menschen aus, die "arbeiten".

Brett Adock, Gründer und CEO von Figure AI, das Bild wurde mit KI bearbeitet

Humanoide Roboter müssen eine entscheidende Hürde überwinden, um wirklich in die reale Welt einzuziehen: Daten.

In den letzten Jahren hat das KI-Roboterunternehmen Figure ständig versucht, ein intelligentes System für universelle humanoide Roboter zu entwickeln. Es hat das grundlegende Roboter-Modell Helix auf den Markt gebracht, mit dem Ziel, den Robotern menschenähnliche Fähigkeiten in visueller Wahrnehmung, Aufgabenplanung und Aktionsausführung zu verleihen und sie schrittweise aus dem Labor in Haushalte, Fabriken und kommerzielle Umgebungen zu bringen.

Mit der stetigen Verbesserung der Modellfähigkeiten taucht ein immer offensichtlicher werdendes Problem auf: Den Robotern fehlt eine ausreichende Menge an Erfahrungen aus der realen Welt.

Für große Sprachmodelle stellt das Internet eine riesige Menge an Texten als Lernmaterial zur Verfügung. Roboter hingegen stehen der physischen Welt gegenüber und müssen die komplexen Interaktionen zwischen Menschen, Objekten und Umgebungen verstehen. Diese Fähigkeiten können nicht allein durch Texte und Simulationsumgebungen erworben werden, sondern erfordern eine große Menge an menschlichen Verhaltensdaten aus der realen Welt.

Am 25. August nach US-amerikanischer Ortszeit hat Figure das Projekt Index vorgestellt und es gleichzeitig auf iOS- und Android-Plattformen veröffentlicht. Mit der Sammlung von Aufgabendaten durch Nutzer aus der ganzen Welt soll ein Trainingsdatensystem für Roboter aufgebaut werden, das die gesamte reale Welt abdeckt.

Bislang deckt Index bereits 108 Länder und Regionen auf der ganzen Welt ab, hat insgesamt mehr als 264.000 App-Downloads erreicht, mehr als 44.000 wöchentlich aktive Nutzer beteiligen sich an der Datenbereitstellung und haben über 16 Millionen Videos hochgeladen.

Figure AI gibt an, in den nächsten 12 Monaten mehr als 1 Milliarde US-Dollar in Daten und Rechenressourcen zu investieren.

Die Anzahl der wöchentlich aktiven Nutzer von Index hat bereits 44.000 überschritten

01. Von „können Bewegungen ausführen“ zu „verstehen die Welt“: Roboter brauchen menschliche Erfahrungen

Figure wurde 2022 gegründet und konzentriert sich seit jeher auf die Förderung der Forschung und Entwicklung von grundlegenden Robotermodellen. Einer der zentralen Richtungen ist das VLA-Modell (Vision-Language-Action) Helix.

Diese Art von Modellen soll dafür sorgen, dass Roboter nicht mehr auf festgelegte Programme angewiesen sind, sondern Umgebungen beobachten, Aufgaben verstehen und komplexe Bewegungen kontinuierlich ausführen können.

Aber die Daten, die für das Training von Robotermodellen benötigt werden, unterscheiden sich völlig von denen herkömmlicher KI. Gewöhnliche Videos können dem Modell nur sagen „was passiert ist“, während Roboter verstehen müssen: Warum wird das getan und was ist der nächste Schritt.

Zum Beispiel scheint eine Person, die einen Schreibtisch aufräumt, einfach nur Gegenstände zu bewegen, aber darin sind viele implizite Informationen enthalten: Wie man die Kategorie von Gegenständen beurteilt, wie man die Platzierung plant und wie man Bewegungen an räumliche Veränderungen anpasst.

Diese Erfahrungen, die in alltäglichen Handlungen verborgen sind, sind genau der Schlüssel zur Generalisierungsfähigkeit von Robotern.

Zuvor hat Figure versucht, Trainingsdaten von Drittanbietern zu beziehen, aber das Unternehmen stellte fest, dass die extern gelieferten Daten in Umfang, Vielfalt und Qualität die Entwicklungsanforderungen von Helix nicht erfüllen können.

Daher beschloss Figure AI, ein eigenes Datenerfassungsnetzwerk aufzubauen – und damit entstand Index.

Die mobile App von Index zeigt Haushaltsaufgaben an, die Ersteller aufzeichnen und hochladen können

Das Projekt lädt gewöhnliche Nutzer ein, zu „Erstellern“ (Creator) zu werden, die Aufgabenabläufe in der realen Welt über Handys oder tragbare Geräte aufzeichnen und diese Daten für das Robotertraining verwenden.

Der Aufgabenbereich ist nicht auf standardisierte Operationen beschränkt. Nutzer können Haushaltsaktivitäten wie das Aufräumen von Räumen, das Falten von Kleidung und das Reinigen von Küchen aufzeichnen, aber auch Arbeitsabläufe in Logistikzentren, Restaurants, Fabriken und Büros. Sogar einige seltene aber wertvolle Aufgaben, wie das Reinigen von Katzenklo oder das Wechseln von Motoröl, werden zu Datenquellen.

Was Figure sammeln möchte, sind nicht einfache Aktionsvideos, sondern auch verschiedene „unerwartete Situationen“, auf die Roboter in der Zukunft stoßen könnten. Denn wenn Roboter wirklich in reale Umgebungen eintreten, besteht die größte Herausforderung möglicherweise nicht darin, bereits gelernte Aktionen auszuführen, sondern in unbekannten Szenarien korrekte Urteile zu treffen.

Figure gibt an, dass pro 1000 erfassten Datenstunden die Index-Daten durchschnittlich 373 einzigartige Aufgaben, 1146 unterschiedliche Operationsobjekte und 116 verschiedene Umgebungen abdecken.

Jeder kann ein Ersteller von Index werden und kann über die App auch Ersteller buchen, die bei Haushalts- oder kommerziellen Aufgaben helfen

Diese komplexen Proben aus der realen Welt sind genau die Grundlage dafür, dass Roboter von „können Aktionen ausführen“ zu „verstehen die Welt“ gelangen.

02. 16 Millionen Videos werden zu „Treibstoff“, aus dem Roboter lernen können

Aber das Erfassen von Daten ist nur der erste Schritt. Für Robotermodelle bedeutet eine große Menge an unverarbeiteten menschlichen Videos nicht gleich effektive Trainingsdaten.

Daten aus der realen Welt weisen oft viele Probleme auf: Manche Nutzer laden qualitativ minderwertige Videos hoch, manche reichen ähnliche Inhalte wiederholt ein, manche erstellen absichtlich ungültige Daten, um Belohnungen zu erhalten.

Daher hat Figure ein System zur Datenverarbeitung aufgebaut, das rohe Videos in Datenvermögen umwandelt, das Roboter verstehen und lernen können.

Fünf Schritte von Index zur Verarbeitung der von Erstellern eingereichten Daten

Zuerst führt das System eine Datenfilterung durch. Alle hochgeladenen Inhalte werden automatisch geprüft, um festzustellen, ob das Video klar ist, die Aufgabe vollständig ist und der Inhalt den Trainingsanforderungen entspricht. Daten, die keine effektive Interaktion zwischen Mensch und Roboter widerspiegeln, werden direkt herausgefiltert.

Anschließend führt Figure eine Echtheitsprüfung durch. Da Ersteller für ihre Beiträge eine Vergütung erhalten, muss das Unternehmen ungewöhnliches Verhalten erkennen, um zu verhindern, dass eine große Menge an minderwertigen oder sogar falschen Daten in den Trainingsablauf gelangt.

Auf dieser Grundlage führt das System außerdem eine Duplikatsentfernung und Neuzusammenstellung der Daten durch. Für das Robotertraining gilt nicht: Je mehr Daten desto besser. Wenn viele ähnliche Aufgaben wiederholt auftreten, neigt das Modell stattdessen dazu, Abweichungen zu bilden. Daher erkennt Figure AI durch Algorithmen sehr ähnliche Videos und passt das Datenverhältnis zwischen verschiedenen Aufgaben, Umgebungen und Objekten an.

Schließlich werden die gefilterten Daten weiter annotiert, damit das Modell Aufgabenziele, Aktionsabläufe und Umgebungsveränderungen verstehen kann.

Mit anderen Worten: Der zentrale Wert von Index liegt darin, eine vollständige Kette von der Erfassung realer Handlungen über die Datenverarbeitung bis zum Modelltraining aufzubauen, sodass menschliche Erfahrungen kontinuierlich in die intelligente Fähigkeit von Robotern umgewandelt werden können.

Derzeit kann Index pro Sekunde etwa 30 Minuten an hochgeladenen Videos verarbeiten, was entspricht einer täglichen Aufnahme von menschlichen Arbeitszeitdaten von etwa 4,9 Jahren. Gleichzeitig hat Figure bereits mehr als 15 Millionen US-Dollar an Vergütungen an die Ersteller gezahlt.

03. Daten werden zu einem neuen Eingangstor der Roboterindustrie

Das Ziel von Figure bei der Einführung von Index besteht nicht nur darin, die aktuellen Robotermodelle zu trainieren. Die tiefere Bedeutung liegt darin, dass das Unternehmen die Dateninfrastruktur für das Roboterzeitalter aufbauen möchte.

In der Vergangenheit war die Entwicklung der visuellen KI untrennbar von Datensätzen wie ImageNet verbunden. Die Durchbrüche bei großen Sprachmodellen basieren auf dem Umfang von Texten im Internet. Und der zukünftige Wettbewerb um Roboter hängt möglicherweise davon ab, wer die größte, realistischste und vielfältigste Menge an Interaktionsdaten aus der realen Welt besitzt.

Figure versucht, eine ähnliche Infrastruktur aufzubauen.

Derzeit hat das Unternehmen bereits die Einführung von humanoiden Robotern in einige industrielle Szenarien vorangetrieben, einschließlich der Zusammenarbeit mit Unternehmen wie BMW, und plant die Förderung der skalisierten Produktion von Figure 03.

Aber Figure AI ist der Ansicht, dass die Hardwareherstellung nicht der größte Engpass für die Kommerzialisierung von Robotern ist. Was wirklich darüber entscheidet, ob Roboter in mehr Szenarien eingezogen werden können, ist, ob die Roboter intelligent genug sind und in der Lage sind, komplexe Aufgaben in realen Umgebungen zu bewältigen.

In Zukunft können die von Index erfassten Daten nicht nur für das Training der eigenen Roboter von Figure verwendet werden, sondern auch Teil des Roboterdienstleistungssystems werden.

Heute suchen Menschen über Plattformen nach Dienstleistern, um Haushaltsarbeiten und Arbeitsaufgaben zu erledigen. Figure hofft, dass diese Aufgaben in Zukunft von Robotern erledigt werden können. In diesem Prozess wird derjenige, der die Daten der realen Welt beherrscht, möglicherweise das Eingangstor der nächsten Generation der Roboterindustrie kontrollieren.

Dieser Artikel stammt aus dem offiziellen WeChat-Konto „Tencent Tech“, Autor: ZHOU Xiaoyan, veröffentlicht mit Genehmigung von 36Kr.