Mən @axisrobotics-i yenidən araşdırdım, amma əksinə getdikcə daha çox belə hiss etdim ki
Axis-in diqqətəlayiq olanı təkcə artıq nə qədər robot məlumatı toplamasıdır deyil
Əslində, o, bu məlumatları fasiləsiz özünü gücləndirən bir sistemə çevirməkdədir
Avqust ayında Axis-in robotic data engine-i 3M trajectories-ni keçdi
arxasında artıq 123K+ contributor var
Amma sadəcə məlumatın artması
bu, elə də “seksilik” yaradan məsələ deyil
Məni Axis-ə yenidən baxmağa vadar edən
son vaxtlar etdikləri bu ardıcıl addımlar oldu:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
Onların arxasında əslində eyni bir şey dayanır:
Physical AI-nin Data Loop-unun həqiqətən işə düşməsi
Robot təlimində ən çətin olan yalnız məlumat çatışmazlığı deyil
əsas məsələ budur ki:
növbəti partiya məlumatı hansı sahədən toplanmalıdır—bunu necə biləsən
Ənənəvi proses daha çox belədir:
Task → Data → Model
təlimdən sonra yerləşdirmə
model problemlə üzləşəndə geri qayıdıb yenidən data toplamaq
Axis V2 bu prosesi dəyişməyə başlayır
model əvvəl tapşırığı yerinə yetirir
model öz “zəif tərəflərini” üzə çıxarır
insanlar kritik mərhələlərdə correction edirlər
Correction Data təlim prosesinə qayıdır
model daha da güclənir
sonra yenidən yeni zəifliklər üzə çıxır
Beləliklə alınır:
Model → Failure → Correction → Data → Better Model
Bu da Human-Gated DAgger-in həqiqətən maraqlı tərəfidir
insanı elə-belə modelin artıq bacardığı hərəkətləri dəfələrlə təkrar etdirməyə sövq etmir
əksinə insan modeli həqiqətən “nə edəcəyini bilmir” vəziyyətə düşəndə müdaxilə edir
Başqa sözlə desək
daha çox düzgün cavab toplamaq deyil
modelin niyə səhv etdiyini dəqiq toplamaqdır
Mənə görə bu, robot məlumatlarında çox önəmli bir dəyər dəyişikliyi ola bilər
Çünki modelin artıq bacardığı işlərə
daha 10.000 dəfə demonstration əlavə etmək
marjinal dəyəri getdikcə azalda bilər
amma modelin təkrar-təkrar uğursuz olduğu yerlərdə
növbəti təlim turu üçün ən çox lazım olan məlumat çox vaxt orada olur
Ona görə Axis-in dediyi Compounding Data Engine-i
mən sadəcə Dataset-in böyüməsi kimi başa düşmürəm
əksinə
hər təlim turu növbəti data toplama mərhələsini daha dəqiq edir
Məhz elə buna görə də mən hesab edirəm ki, son zamanlar Axis ilə OpenRoboto-nun əməkdaşlığı xüsusilə diqqətəlayiqdir
Axis Open Data Pool-a 3M+ multimodal trajectories təqdim edəcək
eyni zamanda Data-to-Model Pipeline vasitəsilə modelin qiymətləndirilməsi və benchmark-u dəstəkləyəcək
bu isə qapalı dövrəni daha da genişləndirir:
Data → Training → Benchmark → Evaluation → Better Data
Əvvəllər mən Axis-i belə başa düşürdüm:
Robot Data Platform
indi isə daha çox belə düşünürəm:
Physical AI üçün Data Infrastructure
Çünki avadanlıq dəyişə bilər
model dəyişə bilər
VLA-lar da dəyişə bilər
amma robotlar həmişə real dünyadan yeni Experience əldə etməlidir
Ona görə də izləməyə dəyər olan
Axis-in növbəti dəfə neçə trajectories-ə çatacağı deyil
əgər bu məlumatlar daha çox model, daha çox robot və daha çox benchmark tərəfindən istifadə olunmağa başlayanda
Data Flywheel həqiqətən Compounding Effect yarada biləcəkmi—bunu görməkdir
Bu dövr işləsə
Axis-in “baryeri” bizim nə qədər məlumatımız olduğundan çox
daha dəyərli növbəti data partiyalarını davamlı istehsal edib-etmədiyimizdən ibarət ola bilər
bu da hazırda Axis-ə baxanda mənə ən maraqlı gələn tərəfdir
#PhysicalAI #Robotics @KaitoAI
#Axis #kaito