Annyiszor ígérték már nekünk a robotika „iPhone-pillanatát”, hogy az iparágban ez már-már lejárt lemeznek számít. Időnként azonban felbukkan valami, ami még a legfásultabb tech-újságírót is arra készteti, hogy kiegyenesedjen a székében. Ezúttal egy robotról, egy spatuláról és egy palacsintáról van szó. A Skild AI, az a felfoghatatlanul jól tőkésített startup, amelynek értéke már átlépte a 14 milliárd dollárt, előrukkolt az S1-gyel. Ez egy olyan alapmodell (foundation model), amely képes egyetlen videó megtekintése után elsajátítani egy komplex, akár 10 perces feladatot. Nincs szükség finomhangolásra, hónapokig tartó adatgyűjtésre vagy távirányítást végző operátorok hadára. Csak megnézi, és megcsinálja.
Amikor a robotjuk először fordított meg hiba nélkül egy palacsintát, a Skild csapata pontosan úgy reagált, ahogy minden önérzetes mérnök tenné: azt hitték, hiba csúszott a gépezetbe. Két napig bújták az egymillió órányi előtanítási adatbázisukat, meggyőződve arról, hogy valami kósza reggelikészítő adat szökött be a rendszerbe. Nem találtak semmit. A robot általánosított: egyetlen videós promptból következtetett ki egy olyan feladatot, amellyel korábban sosem találkozott. Ez nem puszta majmolás volt, hanem a fizikai józan ész első szikrája.
Vége a finomhangolás rémuralmának
Évek óta egy új feladat betanítása a robotoknak lélekölő küzdelmet jelentett az adatokkal és a finomhangolással (fine-tuning). Egy cég akár 50-100 órát is elpazarolhatott adatgyűjtésre és a modell csiszolgatására, csak hogy a gép egyetlen új mozdulatsort megbízhatóan elvégezzen. Ez az a méregdrága és időigényes szűk keresztmetszet, amely eddig a kutatólaborok falai közé szorította az univerzális robotokat. A Skild S1 modellje egy radikális alternatívát kínál, ugyanarra az elvre építve, amely a ChatGPT-t is világsikerré tette: ez az „in-context learning”, vagyis a környezetfüggő tanulás.
Ahelyett, hogy fáradságos munkával újra képeznénk a modellt, egyszerűen mutatunk neki egy példát a „kontextus-ablakában”. Egy nyelvi modellnél ez egy szöveges példa; az S1 esetében viszont egy belső nézetű (egocentric) videó, amin egy ember végzi el az adott feladatot. A modellt internetes videók, szimulációk és valós távirányítási adatok gigantikus tömegén hízlalták fel, így kialakult benne egy általános kép a fizikai interakciókról. Innentől kezdve egyetlen bemutató elég ahhoz, hogy új képességeket aktiváljon – legyen szó egy növény átültetéséről, egy higiéniai csomag összeállításáról vagy egy filteres kávé leöntéséről.
„Ezt a koncepciót in-context learningnek hívjuk, és ez jelentette a minőségi ugrást a GPT-1 és GPT-2 szintű kutatási projektektől a ChatGPT-hez hasonló forradalmi termékekig” – nyilatkozta a cég a bejelentő videójában. „Elhelyezünk egy demonstrációt a kontextus-ablakban… a modell pedig kiadja a robotnak a feladat elvégzéséhez szükséges parancsokat.”
Ez a megközelítés nemcsak működik, hanem látványosan le is körözi a régi módszereket. A modell számára már ismerős feladatoknál az S1 hozza a hagyományos Vision-Language-Action (VLA) modellek szintjét. Azonban az új, sosem látott feladatoknál a különbség megdöbbentő.
A fizikai intelligencia skálázási törvényei
Az igazi varázslat a méreteknél kezdődik. A Skild közzétett egy grafikont, amelyet minden robotikai labor falára ki kellene függeszteni. Ez azt mutatja, hogy ahogy nő az előtanítási adatok mennyisége, az S1 képessége az új feladatok megoldására (az in-context learningen keresztül) kilő az űrbe, miközben a szöveges utasításokkal vezérelt VLA modellek fejlődése megtorpan.
100 000 órányi előtanítás után az S1 66%-os sikerességet ér el olyan feladatoknál, amikkel korábban nem találkozott. A szöveges alapú VLA? Mindössze 9%-ot. Ez nem fokozatos javulás, hanem fázisváltás. Azt sugallja, hogy a nagy nyelvi modellekhez hasonlóan a robotikában is léteznek kiszámítható skálázási törvények. Öntsünk bele elég adatot, és teljesen új képességek emelkednek ki a rendszerből. A modell nemcsak jobb lesz, hanem intelligensebb is.
Ráadásul ez az intelligencia nem „törékeny”. A Skild bemutatta, ahogy az S1 alkalmazkodik a zavaró tényezőkhöz, improvizál, ha hibázik, sőt, még a bemutató videóban szereplő ember hibáit is korrigálja. Képes kezelni, ha elmozdítják vagy kicserélik a tárgyakat, ami arra utal, hogy mélyebb megértéssel rendelkezik a fizikai világról, mint egy egyszerű mozdulatsor-lejátszó gép.
A laboratóriumi demótól az ipari valóságig
Ha ez csak egy újabb egyetemi projekt lenne, érdekesnek találnánk. De a Skild AI egy kereskedelmi úthenger, olyan nevekkel a háta mögött, mint a SoftBank, az NVIDIA vagy Jeff Bezos befektetési cége, a Bezos Expeditions. A 14 milliárd dolláros értékelés mellett a cég tavaly mindössze néhány hónap alatt 30 millió dolláros bevételt termelt. Ez nem egy demó; ez egy termékbejelentés egy olyan vállalattól, amely már meglévő gyártói partnerségekkel és több száz, élesben működő robottal rendelkezik.
Ez a következő logikus lépés küldetésükben, hogy megalkossák az univerzális Translation not available (hu) -t. Láttuk már őket robotokat Translation not available (hu) tanítani, de az S1 alapvető paradigmaváltást jelent az automatizálásban. A cél az automatizálás gazdaságtanának megváltoztatása: elérhetővé tenni azt kisvállalkozások, kórházak vagy élelmiszerüzletek számára is – olyan szervezeteknek, amelyek nem engedhetik meg maguknak, hogy saját robotikai PhD-s szakembert tartsanak a gépeik újraprogramozásához.
Természetesen vannak fenntartások. A mérési eredmények házon belüliek, és a Skild még nem tette közzé a technikai dokumentációt, az API-t vagy a modell súlyait. De a videók meggyőzőek, az üzleti lendület pedig megkérdőjelezhetetlen. Az „egy robot, egy feladat” korszaka végre a végéhez közeledhet. Az S1-gyel a Skild azt üzeni: a robotika jövője nem a programozásról, hanem a mutatóról szól. És az egész egy palacsintával kezdődött.