Skild AI перетнула позначку в 100 мільйонів доларів річного регулярного доходу (ARR) через десять місяців після нашого першого комерційного запуску.
Перш за все, дякуємо кожному члену нашої команди та кожному партнеру, які зробили це можливим.
Це вимагало надзвичайних зусиль від багатьох чудових людей. За десять місяців ми масштабувалися до 60+ платних клієнтів у сферах переміщення товарів, доставки, інспекції об'єктів, забезпечення безпеки, приготування їжі, а також роботи на складах, фабриках та в центрах обробки даних. Мобільність становить 10% нашого доходу, а рішення Fetch — 4%.
Разом з NVIDIA та Foxconn ми впроваджуємо Skild Brain на двоплечових маніпуляторах для високоточної збірки систем NVIDIA Blackwell — роботи, які змінюються з кожним продуктовим циклом і раніше вимагали перепрограмування кожного робота на лінії.
На Sumitomo Wiring Systems ми працюємо над впровадженням S1 для автоматизації процесів у виробництві джгутів проводів, які вважалися «неможливими» для автоматизації.
Разом з Mitsui & Co., чиї ланцюги постачання щодня забезпечують 1,4 мільйона страв по всій Японії, ми пілотуємо роботів загального призначення на базі S1 у комерційних кухнях.
З самого початку ми зосередилися на впровадженні як на невід'ємній частині самої технології, а не як на її результаті**.
Прихований стовп
Існує лінія мислення в робототехніці, яка звучить приблизно так: ми навчимо суперінтелектуальну модель, побудуємо надлюдське обладнання, а потім одного дня — бах — роботи всюди.
За аналогією з мовними моделями це звучить правильно. Роки досліджень, а потім ChatGPT. Приблизно 100 мільйонів активних користувачів на місяць протягом двох місяців. Ззовні здавалося, що впровадження відбулося раптово, після того, як найскладніша частина була позаду.
У робототехніці ви не можете відкладати впровадження на кінець.
Як працюватиме ланцюг постачання? Хто це встановлює? Хто відповідає за інтеграцію? Хто це лагодить, коли воно ламається? Хто оновлює, коли процес змінюється? Ви не до кінця розумієте ці питання, поки не опинитеся там.
Впровадження — це прихований стовп досліджень у робототехніці, тому що саме там і відбувається робототехніка. Йому немає заміни.
Впровадження визначає напрямок передових досліджень Skild. Наведемо кілька прикладів.
Демо проти впровадження
Перегляд демонстраційних відео став поширеним способом вимірювання прогресу у фізичному AI. Ви дивитеся відео і думаєте: «Схоже, це працює!»
Проблема в тому, що успішний кліп від робота з точністю 5%, 10% або 99% може виглядати абсолютно однаково. Навіть якщо ваша точність становить 10%, ви можете просто продовжувати знімати, поки не вийде.
Ми навчили нашу модель готувати яйця минулого року. Щоб приготувати перше яйце, знадобився тиждень, а потім два місяці, щоб зробити це надійно з різними яйцями та в різних умовах.
Ось чому бачити — не означає вірити в робототехніці. Важливе саме впровадження. Кількість зусиль, необхідних для вичавлювання останніх 5% продуктивності, значно перевищує зусилля для перших 95%.
Швидкість проти точності
З дослідницької точки зору, точність може виглядати як головний показник. З точки зору впровадження, ви одразу повинні запитати: наскільки швидко робот може працювати з такою точністю?
Уявіть заводську лінію з десятьма станціями — п'ятьма, керованими роботами, і п'ятьма — людьми. Кожна станція повинна завершити роботу приблизно за однаковий час циклу. Якщо одна станція повільніша, вона обмежує пропускну здатність усієї лінії.
Робот, який має точність 99,9%, але в десять разів повільніший, не є майже готовим до впровадження. Він не готовий до впровадження.
Компанія, орієнтована на впровадження, оптимізує успіх в умовах часових обмежень з самого початку.
Адаптація до змін
Важкий урок, який ми засвоїли на початку впровадження: зміни — це єдина константа.
Постачальник змінює компонент. Фабрика переставляє робоче місце. Клієнт змінює послідовність збірки. Система, яку ви впровадили, повинна адаптуватися.
Якщо кожна зміна вимагає збору нового набору даних і проведення ще одного раунду пост-тренування, ви прирікаєте себе на повторення цієї роботи стільки, скільки робот буде впроваджено. Це не масштабується.
Ці висновки, отримані важким шляхом через впровадження, змусили нас зосередити наші дослідницькі зусилля на S1, нашій останній моделі, випущеній два тижні тому.
Ми створили S1, щоб вона навчалася з одного відеоприкладу за допомогою контекстного навчання. Оператор може записати нову демонстрацію та передати її роботу як підказку, не оновлюючи ваги моделі. S1 побудована на інфраструктурі AI від NVIDIA, що дає нам прискорену обчислювальну основу, необхідну для навчання в масштабі на різноманітних даних робототехніки.
https://x.com/SkildAI/status/2092300842900865389
Чи стало б це таким пріоритетом, якби ми залишилися в дослідницькій сфері? Ми так не думаємо. Впровадження навчило нас ставити це питання перед собою, і S1 — наша відповідь.
Культура
Демо також можуть бути шкідливими. Дуже важко підтримувати одночасно культуру демо та культуру впровадження в одній компанії.
Ви можете вибрати гарне демо від робота з 50% точністю. Щоб впровадити, вам доведеться працювати над іншими 50% — що набагато, набагато складніше.
Якщо ви публічно святкуєте ці «передові» демо, люди, які над ними працюють, отримують заохочення. Люди, які працюють над недооціненими 50%, отримують менше уваги, хоча саме їхня робота робить робота корисним.
Наявність ресурсів для обох напрямків не змушує ці стимули зникнути.
Ви можете спробувати боротися з ними всередині, винагороджуючи реальну роботу з впровадження. Але тоді розумні люди запитують: «Чому я витрачаю свій час на демо, коли справжня робота — у впровадженні?» — і культура демо все одно вмирає.
Якщо компанія винагороджує демо, люди працюватимуть над демо. Ми вирішили винагороджувати впровадження.
Фізичний RSI
Впровадження — це стовп досліджень. Це стовп оцінки. І воно змушує нас протистояти культурним стимулам, які можуть відвернути компанію від корисної роботи.
Це також те, як ми думаємо про фізичний RSI: рекурсивне самовдосконалення.
Існує два поширених погляди на дані впровадження. Один каже, що впровадження стане кінцевим джерелом навчальних даних для робототехніки. Інший каже, що дані впровадження занадто вузькі, щоб покращити загальну модель, оскільки впроваджений робот повторює одну й ту саму задачу знову і знову. Обидва погляди частково правильні.
Якщо спеціалізований робот вже надійно відкриває певну кришку пляшки, збір тисяч додаткових прикладів того самого успішного руху може додати мало. Спеціалізована система вже знає своє завдання. Цінність з'являється, коли навчання від багатьох спеціалізованих систем повертається до загальної базової моделі.
- Почніть з фундаментальної моделі, навченої на різних роботах, завданнях та втіленнях. Вона має широкі можливості, але не є досконалою в жодному.
- Впровадьте її в різні застосування. Контекстне навчання дозволяє їй адаптуватися без необхідності нового тренувального запуску для кожної зміни. Там, де потрібне подальше навчання для швидкості та надійності на виробничому рівні, дані впровадження можуть допомогти спеціалізувати систему. Кожне впровадження стає кращим у своєму власному завданні.
- Поверніть дані з цих впроваджень назад у загальну модель. Досвід, який мало що додає спеціалісту, що опанував одне завдання, все ще може бути цінним для універсала, який вивчає багато різних завдань. Наступне впровадження починається з сильнішої моделі.
Аналогія, яку ми використовуємо, — це моя власна освіта.
У старшій школі ми знали фізику, хімію та математику на пристойному рівні. Потім ми спеціалізувалися на AI. Сьогодні ми знаємо про AI набагато більше, ніж я в старшій школі, але ми забули багато хімії, яку колись знали.
Тепер уявіть, що ми могли б взяти себе зі старшої школи і, в паралельному всесвіті, отримати докторський ступінь з хімії. Інший — з фізики. Інший — з математики. А потім уявіть, що ми дистилюємо всі ці спеціалізовані знання назад у того учня, з якого ми починали.
Це наша стратегія. Впроваджуючи, ми робимо «себе зі старшої школи» — S1 — все кращим і кращим. Чим більше універсал навчається, тим менше спеціалізації має знадобитися для наступного впровадження. Це маховик даних впровадження.
Ера демо закінчилася; почалася ера впровадження.
Діпак Патак і Абхінав Гупта
