Trụ cột ẩn giấu của nghiên cứu robot chính là triển khai thực tế

Skild AI đã vượt mốc 100 triệu đô la doanh thu định kỳ hàng năm (ARR), chỉ mười tháng sau lần triển khai thương mại đầu tiên của chúng tôi.

Trước hết, xin cảm ơn mọi thành viên trong nhóm và mọi đối tác đã giúp chúng tôi đạt được điều này.

Đây là kết quả của một nỗ lực phi thường từ rất nhiều người tài giỏi. Trong mười tháng, chúng tôi đã mở rộng lên hơn 60 khách hàng trả phí trong các lĩnh vực vận chuyển hàng hóa, giao hàng, kiểm tra địa điểm, cung cấp an ninh, chuẩn bị thực phẩm, cũng như vận hành trong các nhà kho, nhà máy và trung tâm dữ liệu. Mảng di động chiếm 10% doanh thu của chúng tôi, và các giải pháp Fetch chiếm 4%.

Cùng với NVIDIA và Foxconn, chúng tôi đang triển khai Skild Brain trên các cánh tay robot hai tay để lắp ráp chính xác cao các hệ thống NVIDIA Blackwell — công việc thay đổi theo từng chu kỳ sản phẩm và trước đây đồng nghĩa với việc phải lập trình lại mọi robot trên dây chuyền.

Tại Sumitomo Wiring Systems, chúng tôi đang hướng tới việc triển khai S1 để tự động hóa các quy trình sản xuất dây cáp điện vốn được coi là "không thể" tự động hóa.

Với Mitsui & Co., công ty có chuỗi cung ứng phục vụ 1,4 triệu bữa ăn mỗi ngày trên khắp Nhật Bản, chúng tôi đang thử nghiệm robot đa năng chạy bằng S1 trong các bếp ăn thương mại.

Ngay từ đầu, chúng tôi đã tập trung vào việc triển khai như một phần cốt lõi của công nghệ, chứ không phải là kết quả của nó.

Trụ Cột Ẩn Giấu

Có một trường phái tư duy trong lĩnh vực robot rằng: chúng ta sẽ huấn luyện một mô hình siêu thông minh, chế tạo phần cứng siêu việt, và rồi một ngày nào đó — bùm — robot sẽ có mặt ở khắp mọi nơi.

Tương tự như các mô hình ngôn ngữ, điều này nghe có vẻ đúng. Nhiều năm nghiên cứu, rồi ChatGPT ra đời. Ước tính có 100 triệu người dùng hàng tháng trong vòng hai tháng. Nhìn từ bên ngoài, việc triển khai dường như đến cùng một lúc, sau khi phần khó đã được giải quyết.

Trong lĩnh vực robot, bạn không thể để việc triển khai đến cuối cùng.

Chuỗi cung ứng sẽ hoạt động như thế nào? Ai lắp đặt nó? Ai chịu trách nhiệm tích hợp? Ai sửa nó khi nó hỏng? Ai cập nhật nó khi quy trình thay đổi? Bạn sẽ không hiểu hết những câu hỏi này cho đến khi bạn thực sự ở đó.

Triển khai là trụ cột ẩn giấu của nghiên cứu robot bởi vì đó là nơi robot thực sự hiện hữu. Không có gì có thể thay thế được.

Việc triển khai định hướng cho hướng nghiên cứu tiên phong của Skild. Hãy để chúng tôi đưa ra một vài ví dụ.

Demo so với Triển khai

Xem các video demo đã trở thành một cách phổ biến để đo lường tiến bộ trong lĩnh vực AI vật lý. Bạn xem một video và nghĩ, "Có vẻ như nó đang hoạt động!"

Vấn đề là một clip thành công từ một robot có độ chính xác 5%, 10% hoặc 99% có thể trông giống hệt nhau. Ngay cả khi bạn chỉ chính xác 10%, bạn vẫn có thể tiếp tục quay cho đến khi nó hoạt động.

Chúng tôi đã dạy mô hình của mình làm trứng vào năm ngoái. Phải mất một tuần để nấu quả trứng đầu tiên, sau đó hai tháng để làm cho nó hoạt động đáng tin cậy với các loại trứng khác nhau và trong các thiết lập khác nhau.

Đây là lý do tại sao thấy không có nghĩa là tin trong lĩnh vực robot. Triển khai mới là điều quan trọng. Lượng nỗ lực để đạt được 5% hiệu suất cuối cùng vượt xa 95% đầu tiên.

Tốc độ so với Độ chính xác

Từ góc độ nghiên cứu, độ chính xác có thể được xem là thước đo chính. Từ góc độ triển khai, bạn phải đặt câu hỏi ngay lập tức: robot có thể làm việc nhanh như thế nào với độ chính xác đó?

Hãy tưởng tượng một dây chuyền nhà máy với mười trạm — năm trạm vận hành bởi robot và năm trạm bởi con người. Mọi trạm phải hoàn thành trong cùng một khoảng thời gian chu kỳ. Nếu một trạm chậm hơn, nó sẽ hạn chế năng suất của toàn bộ dây chuyền.

Một robot chính xác 99,9% nhưng chậm gấp mười lần thì không phải là gần như có thể triển khai được. Nó không thể triển khai được.

Một công ty ưu tiên triển khai sẽ tối ưu hóa cho sự thành công trong các ràng buộc về thời gian ngay từ đầu.

Thích ứng với Thay đổi

Một bài học khó khăn mà chúng tôi học được sớm trong quá trình triển khai: thay đổi là điều duy nhất không thay đổi.

Một nhà cung cấp thay đổi một linh kiện. Một nhà máy sắp xếp lại một trạm làm việc. Một khách hàng thay đổi trình tự lắp ráp. Hệ thống bạn đã triển khai phải thích ứng.

Nếu mọi thay đổi đều yêu cầu thu thập một bộ dữ liệu mới và chạy một vòng huấn luyện bổ sung, bạn sẽ phải lặp lại công việc đó chừng nào robot còn được triển khai. Điều này không thể mở rộng.

Những phát hiện này, học được từ những khó khăn trong quá trình triển khai, đã khiến chúng tôi tập trung nỗ lực nghiên cứu vào S1, mô hình mới nhất của chúng tôi, được phát hành hai tuần trước.

Chúng tôi đã xây dựng S1 để học từ một ví dụ video duy nhất thông qua học trong ngữ cảnh (in-context learning). Một người vận hành có thể ghi lại một minh họa mới và đưa nó cho robot như một lời nhắc, mà không cần cập nhật trọng số của mô hình. S1 được xây dựng trên nền tảng AI của NVIDIA, cung cấp cho chúng tôi nền tảng tính toán tăng tốc cần thiết để huấn luyện ở quy mô lớn trên nhiều loại dữ liệu robot đa dạng.

https://x.com/SkildAI/status/2092300842900865389

Liệu điều này có trở thành ưu tiên như vậy nếu chúng tôi chỉ ở trong lĩnh vực nghiên cứu? Chúng tôi không nghĩ vậy. Triển khai đã dạy chúng tôi phải tự đặt ra câu hỏi này, và S1 là câu trả lời của chúng tôi.

Văn hóa

Các bản demo cũng có thể gây hại. Rất khó để duy trì văn hóa demo và văn hóa triển khai cùng một lúc trong một công ty.

Bạn có thể chọn lọc một bản demo tốt từ một robot có độ chính xác 50%. Để triển khai, bạn phải làm việc với 50% còn lại — điều này khó khăn hơn nhiều, rất nhiều.

Nếu bạn công khai ca ngợi những bản demo "tiên tiến" này, những người làm việc trên chúng sẽ được khuyến khích. Những người làm việc trên 50% bị đánh giá thấp sẽ nhận được ít sự chú ý hơn, mặc dù công việc của họ mới là thứ làm cho robot trở nên hữu ích.

Có đủ nguồn lực để làm cả hai không làm cho những động lực đó biến mất.

Bạn có thể cố gắng chống lại chúng nội bộ bằng cách khen thưởng công việc triển khai thực sự. Nhưng sau đó những người thông minh sẽ hỏi, "Tại sao tôi lại dành thời gian cho các bản demo khi công việc thực sự là triển khai?" — và văn hóa demo sẽ chết anyway.

Nếu demo là thứ mà một công ty khen thưởng, thì demo sẽ là thứ mà mọi người làm việc. Chúng tôi đã chọn khen thưởng việc triển khai.

RSI Vật Lý

Triển khai là một trụ cột của nghiên cứu. Nó là một trụ cột của đánh giá. Và nó buộc chúng ta phải đối mặt với những động lực văn hóa có thể kéo một công ty ra khỏi công việc hữu ích.

Đó cũng là cách chúng tôi nghĩ về RSI vật lý: tự cải thiện đệ quy (recursive self-improvement).

Có hai quan điểm phổ biến về dữ liệu triển khai. Một quan điểm cho rằng triển khai sẽ trở thành nguồn dữ liệu huấn luyện tối thượng cho robot. Quan điểm kia cho rằng dữ liệu triển khai quá hẹp để cải thiện một mô hình tổng quát, bởi vì một robot đã triển khai lặp đi lặp lại cùng một nhiệm vụ. Cả hai quan điểm đều đúng một phần.

Nếu một robot chuyên dụng đã có thể mở một nắp chai cụ thể một cách đáng tin cậy, thì việc thu thập thêm hàng nghìn ví dụ về cùng một chuyển động thành công có thể không thêm được nhiều giá trị. Hệ thống chuyên dụng đã biết nhiệm vụ của nó. Giá trị xuất hiện khi việc học từ nhiều hệ thống chuyên dụng được đưa trở lại vào một mô hình nền tảng tổng quát.

1. Bắt đầu với một mô hình nền tảng được huấn luyện trên nhiều robot, nhiệm vụ và hình thái khác nhau. Nó có khả năng rộng, nhưng không hoàn hảo ở bất cứ điều gì.
2. Triển khai nó vào các ứng dụng khác nhau. Học trong ngữ cảnh cho phép nó thích ứng mà không cần một đợt huấn luyện mới cho mọi thay đổi. Khi cần huấn luyện thêm để đạt tốc độ và độ tin cậy ở cấp độ sản xuất, dữ liệu triển khai có thể giúp chuyên biệt hóa hệ thống. Mỗi lần triển khai sẽ trở nên tốt hơn với nhiệm vụ riêng của nó.
3. Đưa dữ liệu từ các lần triển khai đó trở lại vào mô hình tổng quát. Kinh nghiệm mà thêm ít giá trị cho một chuyên gia đã thành thạo một nhiệm vụ vẫn có thể có giá trị cho một người tổng quát đang học nhiều nhiệm vụ khác nhau. Lần triển khai tiếp theo sẽ bắt đầu từ một mô hình mạnh mẽ hơn.

Sự tương tự chúng tôi sử dụng là chính quá trình học tập của tôi.

Ở trường trung học, chúng tôi biết vật lý, hóa học và toán học ở một mức độ khá. Sau đó, chúng tôi chuyên sâu về AI. Ngày nay chúng tôi biết nhiều hơn về AI so với bản thân thời trung học, nhưng chúng tôi đã quên phần lớn kiến thức hóa học từng biết.

Bây giờ hãy tưởng tượng chúng ta có thể đưa bản thân thời trung học của mình, trong một vũ trụ song song, làm tiến sĩ về hóa học. Một vũ trụ khác về vật lý. Một vũ trụ khác về toán học. Sau đó, hãy tưởng tượng việc chưng cất tất cả kiến thức chuyên sâu đó trở lại vào học sinh mà chúng ta đã bắt đầu.

Đó là chiến lược của chúng tôi. Bằng cách triển khai, chúng tôi đang làm cho "bản thân thời trung học" — S1 — ngày càng tốt hơn. Người tổng quát càng học nhiều, thì lần triển khai tiếp theo càng cần ít chuyên biệt hóa. Đây là vòng quay dữ liệu triển khai.

Kỷ nguyên của các bản demo đã kết thúc; kỷ nguyên của triển khai đã bắt đầu.

Deepak Pathak và Abhinav Gupta