Skild AI, ilk ticari dağıtımımızdan on ay sonra 100 milyon doların üzerinde yıllık tekrarlayan gelire (ARR) ulaştı.
Öncelikle, bunu mümkün kılan ekip üyelerimizin her birine ve her ortağımıza teşekkür ederiz.
Bu, birçok harika insanın olağanüstü çabasını gerektirdi. On ayda, mal taşıma, teslimat yapma, saha denetimi, güvenlik sağlama, yemek hazırlama ile birlikte depolar, fabrikalar ve veri merkezlerinde faaliyet gösteren 60'ın üzerinde ücretli müşteriye ulaştık. Mobilite, gelirimizin %10'unu oluştururken, Fetch çözümleri %4'ünü oluşturuyor.
NVIDIA ve Foxconn ile birlikte, Skild Brain'i, her ürün döngüsünde değişen ve eskiden hattaki her robotun yeniden programlanması anlamına gelen NVIDIA Blackwell sistemlerinin yüksek hassasiyetli montajı için çift kollu manipülatörlerde kullanıma sunuyoruz.
Sumitomo Wiring Systems'de, kablo demeti üretiminde "imkansız" olarak kabul edilen süreçleri otomatikleştirmek için S1'i kullanmaya yönelik çalışıyoruz.
Tedarik zincirleri Japonya genelinde günde 1,4 milyon öğün yemek servisi yapan Mitsui & Co. ile, ticari mutfaklarda S1 destekli genel amaçlı robotları pilot olarak kullanıyoruz.
En başından beri, dağıtımı teknolojinin kendisinin temel bir parçası olarak gördük, sonucu değil.
Gizli Sütun
Robotikte şöyle bir düşünce tarzı vardır: Süper zeki bir model eğiteceğiz, insanüstü donanımlar inşa edeceğiz ve sonra bir gün—pat—her yerde robotlar olacak.
Dil modellerine benzetme yaparsak, bu mantıklı geliyor. Yıllarca süren araştırma, ardından ChatGPT. İki ay içinde tahmini 100 milyon aylık kullanıcı. Dışarıdan bakıldığında, dağıtım, zor kısım bittikten sonra bir anda gerçekleşmiş gibi göründü.
Robotikte, dağıtımı sona bırakamazsınız.
Tedarik zinciri nasıl çalışacak? Kim kuracak? Entegrasyon kime ait? Bozulduğunda kim tamir edecek? Süreç değiştiğinde kim güncelleyecek? Bu soruları, orada olana kadar tam olarak anlayamazsınız.
Dağıtım, robotik araştırmasının gizli sütunudur çünkü robotik aslında orada gerçekleşir. Bunun yerini tutacak hiçbir şey yoktur.
Dağıtımlar, Skild'in sınır araştırma yönünü belirler. Size birkaç örnek verelim.
Demolar vs Dağıtım
Demo videoları izlemek, fiziksel yapay zekadaki ilerlemeyi ölçmenin yaygın bir yolu haline geldi. Bir video izler ve "Çalışıyor gibi görünüyor!" diye düşünürsünüz.
Sorun şu ki, %5, %10 veya %99 doğruluk oranına sahip bir robottan başarılı bir klibin görüntüsü tamamen aynı olabilir. %10 doğrulukta olsanız bile, işe yarayana kadar çekime devam edebilirsiniz.
Geçen yıl modelimize yumurta yapmayı öğrettik. İlk yumurtayı pişirmek bir hafta sürdü, ardından farklı yumurtalar ve farklı düzeneklerle güvenilir bir şekilde çalışmasını sağlamak iki ay aldı.
Bu yüzden robotikte görmek inanmak değildir. Önemli olan dağıtımdır. Son %5'lik performansı sıkıştırmak için gereken çaba miktarı, ilk %95'lik kısmı çok aşar.
Hız vs Doğruluk
Araştırma perspektifinden bakıldığında, doğruluk ana metrik gibi görünebilir. Dağıtım perspektifinden bakıldığında, hemen şunu sormanız gerekir: robot bu doğrulukta ne kadar hızlı çalışabilir?
Beşi robotlar ve beşi insanlar tarafından işletilen on istasyonlu bir fabrika hattı hayal edin. Her istasyon kabaca aynı çevrim süresi içinde bitmelidir. Bir istasyon daha yavaşsa, tüm hattın verimini kısıtlar.
%99,9 doğru ancak on kat daha yavaş olan bir robot, neredeyse kullanıma hazır değildir. Kullanıma hazır değildir.
Dağıtımı önceliklendiren bir şirket, en başından itibaren zaman kısıtlamaları altında başarı için optimize eder.
Değişime Uyum
Dağıtımda erken öğrendiğimiz zor bir ders: değişim tek sabittir.
Bir tedarikçi bir bileşeni değiştirir. Bir fabrika bir iş istasyonunu yeniden düzenler. Bir müşteri montaj sırasını değiştirir. Kullandığınız sistemin uyum sağlaması gerekir.
Her değişiklik yeni bir veri seti toplamayı ve başka bir eğitim sonrası turu yapmayı gerektiriyorsa, robot kullanıldığı sürece bu işi tekrarlamayı kabul etmiş olursunuz. Bu ölçeklenebilir değildir.
Dağıtımlardan zor yoldan öğrenilen bu bulgular, araştırma çabalarımızı iki hafta önce yayınladığımız en yeni modelimiz S1'e odaklamamızı sağladı.
S1'i, tek bir video örneğinden bağlam içi öğrenme yoluyla öğrenecek şekilde inşa ettik. Bir operatör, modelin ağırlıklarını güncellemeden yeni bir gösterim kaydedebilir ve bunu robota bir komut olarak verebilir. S1, NVIDIA AI altyapısı üzerine inşa edilmiştir ve bu da bize çeşitli robotik veri karışımımızda ölçekte eğitim yapmak için gereken hızlandırılmış bilgi işlem temelini sağlar.
https://x.com/SkildAI/status/2092300842900865389
Araştırma alanında kalsaydık bu bu kadar öncelikli hale gelir miydi? Sanmıyoruz. Dağıtım bize kendimize bunu sormayı öğretti ve S1 bizim cevabımızdır.
Kültür
Demolar ayrıca zararlı olabilir. Tek bir şirket içinde aynı anda hem bir demo kültürünü hem de bir dağıtım kültürünü sürdürmek çok zordur.
%50 doğruluk oranına sahip bir robottan iyi bir demo seçebilirsiniz. Dağıtım yapmak için diğer %50 üzerinde çalışmanız gerekir ki bu çok daha zordur.
Bu "gelişmiş" demoları alenen kutlarsanız, üzerinde çalışan insanlar teşvik edilir. Yeterince takdir edilmeyen %50'lik kısım üzerinde çalışan insanlar, çalışmaları robotu kullanışlı kılan şey olsa bile, daha az ilgi görür.
Her ikisini de yapacak kaynaklara sahip olmak, bu teşvikleri ortadan kaldırmaz.
Gerçek dağıtım çalışmalarını ödüllendirerek dahili olarak onlarla savaşmayı deneyebilirsiniz. Ancak o zaman akıllı insanlar, "Gerçek iş dağıtım yapmaktayken neden zamanımı demolar için harcıyorum?" diye sorar ve demo kültürü yine de ölür.
Bir şirket demoları ödüllendiriyorsa, insanların üzerinde çalışacağı şey demolar olacaktır. Biz dağıtımı ödüllendirmeyi seçtik.
Fiziksel RSI
Dağıtım, araştırmanın bir sütunudur. Değerlendirmenin bir sütunudur. Ve bizi bir şirketi faydalı işlerden uzaklaştırabilecek kültürel teşviklerle yüzleşmeye zorlar.
Aynı zamanda fiziksel RSI'yı (yinelemeli kendini geliştirme) nasıl düşündüğümüzdür.
Dağıtım verileriyle ilgili iki yaygın görüş vardır. Biri, dağıtımın robotik için nihai eğitim verisi kaynağı olacağını söyler. Diğeri ise, dağıtılmış bir robot aynı görevi tekrar tekrar yaptığı için dağıtım verilerinin genel bir modeli geliştirmek için çok dar olduğunu söyler. Her iki görüş de kısmen doğrudur.
Özel bir robot belirli bir şişe kapağını güvenilir bir şekilde açıyorsa, aynı başarılı hareketin binlerce ek örneğini toplamak çok az şey katabilir. Uzmanlaşmış sistem zaten görevini biliyordur. Değer, birçok uzmanlaşmış sistemden öğrenilenlerin genel bir temel modele geri aktarılmasıyla ortaya çıkar.
- Farklı robotlar, görevler ve bedenler üzerinde eğitilmiş bir temel modelle başlayın. Geniş kapsamlıdır, ancak hiçbir şeyde mükemmel değildir.
- Farklı uygulamalara dağıtın. Bağlam içi öğrenme, her değişiklik için yeni bir eğitim çalıştırması gerektirmeden uyum sağlamasını sağlar. Üretim seviyesinde hız ve güvenilirlik için daha fazla eğitim gerektiğinde, dağıtım verileri sistemi uzmanlaştırmaya yardımcı olabilir. Her dağıtım, kendi görevinde daha iyi hale gelir.
- Bu dağıtımlardan gelen verileri genel modele geri aktarın. Bir görevde ustalaşmış bir uzmana çok az şey katan deneyim, birçok farklı görevi öğrenen bir genelci için hala değerli olabilir. Bir sonraki dağıtım daha güçlü bir modelden başlar.
Kullandığımız benzetme kendi eğitimimdir.
Lisede, fizik, kimya ve matematiği makul bir seviyede biliyorduk. Sonra yapay zeka konusunda uzmanlaştık. Bugün yapay zeka hakkında lise halimden çok daha fazlasını biliyoruz, ancak bir zamanlar bildiğimiz kimyanın çoğunu unuttuk.
Şimdi, lise halimizi alıp paralel bir evrende kimya doktorası yaptığımızı hayal edin. Bir diğerinde fizik. Bir diğerinde matematik. Sonra tüm bu uzmanlaşmış bilgiyi başladığımız öğrenciye geri damıttığımızı hayal edin.
İşte stratejimiz bu. Dağıtarak, "lise halimizi" - S1'i - giderek daha iyi hale getiriyoruz. Generalist ne kadar çok öğrenirse, bir sonraki dağıtımın o kadar az uzmanlaşma gerektirmesi gerekir. Bu, dağıtım verisi çarkıdır.
Demo dönemi bitti; dağıtım dönemi başladı.
Deepak Pathak ve Abhinav Gupta
