Skild AI превысила отметку в 100 миллионов долларов годового регулярного дохода (ARR) через десять месяцев после первого коммерческого внедрения.
Прежде всего, спасибо каждому члену нашей команды и каждому партнеру, кто сделал это возможным.
Это потребовало невероятных усилий от множества замечательных людей. За десять месяцев мы привлекли более 60 платных клиентов в таких сферах, как перемещение грузов, доставка, инспекция объектов, обеспечение безопасности, приготовление пищи, а также работа на складах, заводах и в центрах обработки данных. На мобильность приходится 10% нашей выручки, а на решения Fetch — 4%.
Вместе с NVIDIA и Foxconn мы развертываем Skild Brain на двухруких манипуляторах для высокоточной сборки систем NVIDIA Blackwell — работы, которая меняется с каждым циклом продукта и раньше означала перепрограммирование каждого робота на линии.
На заводе Sumitomo Wiring Systems мы работаем над внедрением S1 для автоматизации процессов в производстве жгутов проводов, которые ранее считались «невозможными» для автоматизации.
С Mitsui & Co., чьи цепочки поставок ежедневно обеспечивают питанием 1,4 миллиона человек по всей Японии, мы пилотируем универсальных роботов на базе S1 на коммерческих кухнях.
С самого начала мы рассматривали внедрение как неотъемлемую часть самой технологии, а не как ее результат**.
Скрытая опора
Существует распространенное мнение в робототехнике, которое звучит примерно так: мы обучим сверхинтеллектуальную модель, создадим сверхчеловеческое оборудование, и однажды — бах — роботы повсюду.
По аналогии с языковыми моделями это кажется логичным. Годы исследований, затем ChatGPT. Около 100 миллионов ежемесячных пользователей за два месяца. Со стороны казалось, что внедрение произошло внезапно, после того как самая сложная часть была завершена.
В робототехнике нельзя откладывать внедрение на потом.
Как будет работать цепочка поставок? Кто будет устанавливать? Кто отвечает за интеграцию? Кто будет чинить, если сломается? Кто будет обновлять, когда процесс изменится? Вы не поймете эти вопросы полностью, пока не столкнетесь с ними на практике.
Внедрение — это скрытая опора исследований в робототехнике, потому что именно здесь и происходит робототехника. Замены этому нет.
Внедрения определяют направление передовых исследований Skild. Приведем несколько примеров.
Демо vs внедрение
Просмотр демонстрационных видео стал распространенным способом оценки прогресса в физическом ИИ. Вы смотрите видео и думаете: «Похоже, работает!»
Проблема в том, что успешный клип от робота с точностью 5%, 10% или 99% может выглядеть абсолютно одинаково. Даже при точности 10% можно просто снимать, пока не получится.
В прошлом году мы научили нашу модель готовить яйца. На приготовление первого яйца ушла неделя, а затем два месяца, чтобы добиться надежной работы с разными яйцами и в разных условиях.
Вот почему видеть — не значит верить в робототехнике. Внедрение — вот что имеет значение. Объем усилий, необходимых для выжимания последних 5% производительности, значительно превышает усилия для первых 95%.
Скорость vs точность
С исследовательской точки зрения точность может казаться главным показателем. С точки зрения внедрения вы сразу же должны спросить: как быстро робот может работать с такой точностью?
Представьте заводскую линию с десятью станциями — пятью, управляемыми роботами, и пятью — людьми. Каждая станция должна завершить работу примерно за одно и то же время цикла. Если одна станция медленнее, она ограничивает пропускную способность всей линии.
Робот с точностью 99,9%, но в десять раз медленнее, — это не почти готовое к внедрению решение. Это не готовое к внедрению решение.
Компания, ориентированная на внедрение, с самого начала оптимизирует успех в условиях временных ограничений.
Адаптация к изменениям
Трудный урок, который мы усвоили на ранних этапах внедрения: единственная постоянная вещь — это изменения.
Поставщик меняет компонент. Завод переставляет рабочее место. Клиент меняет последовательность сборки. Развернутая вами система должна адаптироваться.
Если каждое изменение требует сбора нового набора данных и проведения очередного раунда пост-обучения, вы обрекаете себя на повторение этой работы на протяжении всего времени эксплуатации робота. Это не масштабируемо.
Эти выводы, полученные с трудом на основе опыта внедрения, заставили нас сосредоточить наши исследовательские усилия на S1, нашей новейшей модели, выпущенной две недели назад.
Мы создали S1, чтобы она училась на одном видео-примере с помощью внутриконтекстного обучения. Оператор может записать новую демонстрацию и передать ее роботу в качестве подсказки, без обновления весов модели. S1 построена на инфраструктуре ИИ NVIDIA, что дает нам ускоренную вычислительную основу, необходимую для масштабного обучения на нашем разнообразном наборе данных робототехники.
https://x.com/SkildAI/status/2092300842900865389
Стало бы это таким приоритетом, если бы мы остались в исследовательской среде? Мы так не думаем. Внедрение научило нас задавать этот вопрос самим себе, и S1 — наш ответ.
Культура
Демо также могут быть вредны. Очень сложно одновременно поддерживать культуру демо и культуру внедрения в рамках одной компании.
Можно выбрать удачную демонстрацию от робота с точностью 50%. Для внедрения нужно работать над оставшимися 50% — что гораздо, гораздо сложнее.
Если вы публично празднуете эти «передовые» демо, люди, работающие над ними, получают поощрение. Люди, работающие над недооцененными 50%, получают меньше внимания, хотя именно их работа делает робота полезным.
Наличие ресурсов для того и другого не заставляет эти стимулы исчезнуть.
Можно попытаться бороться с ними внутри компании, поощряя реальную работу по внедрению. Но тогда умные люди спросят: «Зачем я трачу время на демо, если настоящая работа — это внедрение?» — и культура демо все равно умрет.
Если компания вознаграждает демо, люди будут работать над демо. Мы выбрали вознаграждение за внедрение.
Физическое RSI
Внедрение — это опора исследований. Это опора оценки. И оно заставляет нас противостоять культурным стимулам, которые могут отвлечь компанию от полезной работы.
Это также то, как мы думаем о физическом RSI: рекурсивном самосовершенствовании.
Существует два распространенных взгляда на данные, полученные в ходе внедрения. Один говорит, что внедрение станет ultimate источником обучающих данных для робототехники. Другой утверждает, что данные внедрения слишком узки для улучшения общей модели, потому что развернутый робот снова и снова повторяет одну и ту же задачу. Оба взгляда отчасти верны.
Если специализированный робот уже надежно открывает определенную крышку бутылки, сбор тысяч дополнительных примеров того же успешного движения может мало что дать. Специализированная система уже знает свою задачу. Ценность появляется, когда обучение от множества специализированных систем возвращается в общую базовую модель.
- Начните с фундаментальной модели, обученной на разных роботах, задачах и воплощениях. Она обладает широкими возможностями, но не идеальна ни в чем.
- Разверните ее в различных приложениях. Внутриконтекстное обучение позволяет ей адаптироваться без необходимости нового обучения для каждого изменения. Там, где требуется дальнейшее обучение для достижения производственной скорости и надежности, данные внедрения могут помочь специализировать систему. Каждое внедрение становится лучше в своей задаче.
- Верните данные из всех этих внедрений обратно в общую модель. Опыт, который мало что добавляет специалисту, освоившему одну задачу, все еще может быть ценен для универсала, изучающего множество различных задач. Следующее внедрение начинается с более сильной модели.
Аналогия, которую мы используем, — это мое собственное образование.
В старшей школе мы знали физику, химию и математику на приличном уровне. Затем мы специализировались в области ИИ. Сегодня мы знаем об ИИ гораздо больше, чем я в старшей школе, но мы забыли большую часть химии, которую когда-то знали.
А теперь представьте, что мы могли бы взять себя из старшей школы и, в параллельной вселенной, получить докторскую степень по химии. Другую — по физике. Еще одну — по математике. А затем представьте, что мы могли бы дистиллировать все эти специализированные знания обратно в того ученика, с которого мы начинали.
Это наша стратегия. Развертываясь, мы делаем «себя из старшей школы» — S1 — все лучше и лучше. Чем больше узнает универсал, тем меньше специализации потребуется для следующего внедрения. Это маховик данных внедрения.
Эра демо закончилась; началась эра внедрения.
Дипак Патхак и Абхинав Гупта
