تجاوزت شركة Skild AI حاجز 100 مليون دولار من الإيرادات السنوية المتكررة، بعد عشرة أشهر فقط من أول نشر تجاري لنا.
أولاً وقبل كل شيء، شكرًا لكل فرد في فريقنا وكل شريك جعل هذا ممكنًا.
تطلب هذا جهدًا استثنائيًا من الكثير من الأشخاص العظماء. في غضون عشرة أشهر، توسعنا لتشمل خدمة أكثر من 60 عميلاً يدفعون، عبر مجالات نقل البضائع، وتوصيل الطلبات، وتفقد المواقع، وتوفير الأمن، وتحضير الطعام، بالإضافة إلى العمل داخل المستودعات والمصانع ومراكز البيانات. تمثل حلول التنقل 10% من إيراداتنا، بينما تمثل حلول Fetch 4%.
بالتعاون مع NVIDIA وFoxconn، نقوم بنشر Skild Brain على أذرع مزدوجة المناولة للتجميع عالي الدقة لأنظمة NVIDIA Blackwell — وهو عمل يتغير مع كل دورة إنتاجية وكان يعني سابقًا إعادة برمجة كل روبوت على خط الإنتاج.
في شركة Sumitomo Wiring Systems، نعمل نحو نشر S1 لأتمتة عمليات في تصنيع أسلاك التوصيل التي كانت تُعتبر "مستحيلة" الأتمتة.
مع Mitsui & Co.، التي تخدم سلاسل التوريد الخاصة بها 1.4 مليون وجبة يوميًا في جميع أنحاء اليابان، نقوم بتجربة روبوتات متعددة الأغراض مدعومة بـ S1 في المطابخ التجارية.
منذ البداية، ركزنا على النشر كجزء أساسي من التكنولوجيا نفسها، وليس كنتيجة لها.
الركيزة الخفية
هناك خط فكري في مجال الروبوتات مفاده: سنقوم بتدريب نموذج فائق الذكاء، وبناء أجهزة خارقة، ثم في يوم من الأيام — فجأة — تنتشر الروبوتات في كل مكان.
بالقياس على نماذج اللغة، يبدو هذا صحيحًا. سنوات من البحث، ثم ChatGPT. ما يقدر بـ 100 مليون مستخدم شهريًا في غضون شهرين. من الخارج، بدا أن النشر قد حدث دفعة واحدة، بعد أن تم إنجاز الجزء الصعب.
في مجال الروبوتات، لا يمكنك ترك النشر حتى النهاية.
كيف ستعمل سلسلة التوريد؟ من يقوم بتركيبها؟ من يملك التكامل؟ من يصلحها عندما تتعطل؟ من يحدثها عندما تتغير العملية؟ لا تفهم هذه الأسئلة تمامًا حتى تكون هناك.
النشر هو الركيزة الخفية لأبحاث الروبوتات لأنه المكان الذي يحدث فيه العمل الحقيقي للروبوتات. لا يوجد بديل.
عمليات النشر توجه اتجاه أبحاث Skild الرائدة. دعنا نعطيك بعض الأمثلة.
العروض التوضيحية مقابل النشر
أصبح مشاهدة مقاطع الفيديو التوضيحية طريقة شائعة لقياس التقدم في الذكاء الاصطناعي الفيزيائي. تشاهد مقطع فيديو وتفكر، "يبدو أنه يعمل!"
المشكلة هي أن مقطعًا ناجحًا من روبوت بدقة 5% أو 10% أو 99% يمكن أن يبدو متطابقًا تمامًا. حتى لو كانت دقتك 10%، يمكنك فقط الاستمرار في التصوير حتى يعمل.
علمنا نموذجنا كيفية طهي البيض العام الماضي. استغرق الأمر أسبوعًا لطهي أول بيضة، ثم شهرين لجعلها تعمل بشكل موثوق مع بيض مختلف وفي إعدادات مختلفة.
لهذا السبب الرؤية ليست تصديقًا في مجال الروبوتات. النشر هو ما يهم. مقدار الجهد المطلوب لاستخراج آخر 5% من الأداء يتجاوز بكثير الجهد المطلوب لأول 95%.
السرعة مقابل الدقة
من منظور بحثي، قد تبدو الدقة هي المقياس الرئيسي. من منظور النشر، عليك أن تسأل فورًا: ما مدى سرعة عمل الروبوت بهذه الدقة؟
تخيل خط إنتاج بعشر محطات — خمس تديرها روبوتات وخمس يديرها بشر. يجب أن تنتهي كل محطة في نفس الوقت التقريبي للدورة. إذا كانت إحدى المحطات أبطأ، فإنها تقيد إنتاجية الخط بأكمله.
الروبوت الذي تبلغ دقته 99.9% ولكنه أبطأ بعشر مرات ليس قابلاً للنشر تقريبًا. إنه غير قابل للنشر.
الشركة التي تضع النشر في المقام الأول تعمل على تحسين النجاح في ظل قيود الوقت منذ البداية.
التكيف مع التغيير
درس صعب تعلمناه مبكرًا في النشر: التغيير هو الثابت الوحيد.
يقوم المورد بتغيير أحد المكونات. يعيد المصنع ترتيب محطة عمل. يغير العميل تسلسل التجميع. يجب أن يتكيف النظام الذي نشرته.
إذا كان كل تغيير يتطلب جمع مجموعة بيانات جديدة وتشغيل جولة أخرى من التدريب اللاحق، فأنت تلتزم بتكرار هذا العمل طالما أن الروبوت منشور. هذا غير قابل للتوسع.
هذه النتائج، التي تعلمناها بالطريقة الصعبة من عمليات النشر، جعلتنا نركز جهودنا البحثية على S1، أحدث نموذج لنا، الذي تم إطلاقه قبل أسبوعين.
قمنا ببناء S1 ليتعلم من مثال فيديو واحد من خلال التعلم السياقي. يمكن للمشغل تسجيل عرض توضيحي جديد وإعطائه للروبوت كموجه، دون تحديث أوزان النموذج. تم بناء S1 على البنية التحتية للذكاء الاصطناعي من NVIDIA، والتي تمنحنا الأساس الحاسوبي المتسارع اللازم للتدريب على نطاق واسع عبر مزيجنا المتنوع من بيانات الروبوتات.
https://x.com/SkildAI/status/2092300842900865389
هل كان هذا سيصبح أولوية قصوى لو بقينا في عالم الأبحاث؟ لا نعتقد ذلك. علمنا النشر أن نسأل أنفسنا هذا السؤال، وS1 هو إجابتنا.
الثقافة
يمكن أن تكون العروض التوضيحية ضارة أيضًا. من الصعب جدًا الحفاظ على ثقافة العروض التوضيحية وثقافة النشر في نفس الوقت داخل شركة واحدة.
يمكنك انتقاء عرض توضيحي جيد من روبوت بدقة 50%. للنشر، عليك العمل على الـ 50% الأخرى — وهو أصعب بكثير.
إذا احتفلت علنًا بهذه العروض التوضيحية "المتقدمة"، فسيتم تشجيع الأشخاص الذين يعملون عليها. الأشخاص الذين يعملون على الـ 50% غير المقدرة يحصلون على اهتمام أقل، على الرغم من أن عملهم هو ما يجعل الروبوت مفيدًا.
امتلاك الموارد للقيام بالأمرين لا يجعل هذه الحوافز تختفي.
يمكنك محاولة محاربتها داخليًا من خلال مكافأة عمل النشر الحقيقي. ولكن بعد ذلك يسأل الأذكياء، "لماذا أقضي وقتي في العروض التوضيحية بينما العمل الحقيقي في النشر؟" — وتموت ثقافة العروض التوضيحية على أي حال.
إذا كانت العروض التوضيحية هي ما تكافئه الشركة، فستكون العروض التوضيحية هي ما يعمل عليه الناس. اخترنا مكافأة النشر.
التطوير الذاتي المتكرر الفيزيائي
النشر هو ركيزة من ركائز البحث. إنه ركيزة من ركائز التقييم. ويجبرنا على مواجهة الحوافز الثقافية التي يمكن أن تبعد الشركة عن العمل المفيد.
إنها أيضًا الطريقة التي نفكر بها في التطوير الذاتي المتكرر الفيزيائي: التحسين الذاتي المتكرر.
هناك وجهتا نظر شائعتان حول بيانات النشر. الأولى تقول إن النشر سيصبح المصدر النهائي لبيانات التدريب للروبوتات. الأخرى تقول إن بيانات النشر ضيقة جدًا لتحسين نموذج عام، لأن الروبوت المنشور يكرر نفس المهمة مرارًا وتكرارًا. كلا الرأيين صحيح جزئيًا.
إذا كان روبوت متخصص يفتح بالفعل غطاء زجاجة معين بشكل موثوق، فإن جمع آلاف الأمثلة الإضافية لنفس الحركة الناجحة قد لا يضيف الكثير. النظام المتخصص يعرف مهمته بالفعل. تظهر القيمة عندما يتم إرجاع التعلم من العديد من الأنظمة المتخصصة إلى نموذج أساسي عام.
- ابدأ بنموذج أساسي مدرب عبر روبوتات ومهام وأشكال مختلفة. إنه قادر على نطاق واسع، لكنه ليس مثاليًا في أي شيء.
- انشره في تطبيقات مختلفة. يسمح له التعلم السياقي بالتكيف دون الحاجة إلى تشغيل تدريب جديد لكل تغيير. عندما يكون هناك حاجة إلى مزيد من التدريب لتحقيق السرعة والموثوقية على مستوى الإنتاج، يمكن أن تساعد بيانات النشر في تخصص النظام. يصبح كل نشر أفضل في مهمته الخاصة.
- أعد بيانات من عمليات النشر هذه إلى النموذج العام. الخبرة التي لا تضيف شيئًا يذكر إلى متخصص أتقن مهمة واحدة يمكن أن تظل ذات قيمة لعالم يتعلم العديد من المهام المختلفة. يبدأ النشر التالي من نموذج أقوى.
التشبيه الذي نستخدمه هو تعليمي الخاص.
في المدرسة الثانوية، كنا نعرف الفيزياء والكيمياء والرياضيات بمستوى جيد. ثم تخصصنا في الذكاء الاصطناعي. نحن نعرف اليوم عن الذكاء الاصطناعي أكثر بكثير مما كنا نعرفه في المدرسة الثانوية، لكننا نسينا الكثير من الكيمياء التي كنا نعرفها.
تخيل الآن أنه يمكننا أخذ أنفسنا في المدرسة الثانوية، وفي عالم موازٍ، الحصول على درجة الدكتوراه في الكيمياء. وأخرى في الفيزياء. وأخرى في الرياضيات. ثم تخيل تقطير كل هذه المعرفة المتخصصة مرة أخرى في الطالب الذي بدأنا به.
هذه هي استراتيجيتنا. من خلال النشر، نجعل "نفس المدرسة الثانوية" — S1 — أفضل وأفضل. كلما تعلم العام أكثر، قل التخصص الذي سيحتاجه النشر التالي. هذا هو دولاب الموازنة لبيانات النشر.
لقد انتهى عصر العروض التوضيحية؛ لقد بدأ عصر النشر.
ديباك باتاك وأبهيناف جوبتا
