Business Insider rapporterar att Reimagine Robotics vill att kunderna ska lära ut sina robotar

Vad hände

Business Insider rapporterar att Reimagine Robotics utvecklar robotar som kunder kan lära ut genom att demonstrera uppgifter och fysiskt korrigera maskinerna. Den London- och Sydney-baserade startupen grundades av före detta Google DeepMind-ingenjörer och testar sina system med tillverkningsföretag.

Business Insider rapporterar att Reimagine Robotics dök upp ur smyg tidigare i augusti och grundades förra året av Jonathan Scholz, Oleg Sushkov, Akhil Raju och Misha Denil, tidigare Google-kollegor. Scholz ledde tidigare Google DeepMind:s tillämpade robotikteam, enligt rapporten. Startupen är baserad i London och Sydney och backas upp av Fly Ventures och Firstminute Capital. Dessa företags- och finansieringsuppgifter tillskrivs Business Insider; källan tillhandahåller inte offentliga primära dokument som bekräftar dem. Tillsammans beskriver dessa detaljer företagets rapporterade ursprung, ledarskap och stöd samtidigt som dessa punkter hålls knutna till källans konto. Rapporten fastställer därför startupens angivna bakgrund och plats, men verifierar inte självständigt den underliggande företagshistoriken eller investeringsinformationen.

Enligt Business Insider bygger Reimagine en flotta som inkluderar robotarmar och montörer. Vissa system är monterade på ytor, medan andra rör sig på hjulförsedda plattformar. Den föreslagna undervisningsprocessen är praktisk: en kund demonstrerar en uppgift, ser roboten försöka den och manipulerar sedan fysiskt armen för att korrigera beteendet. Rapporten beskriver detta som ett "monkey see, monkey do" tillvägagångssätt och placerar det i den bredare AI-praxis efter träning, där ett system förfinas efter dess initiala utveckling. Beskrivningen täcker följaktligen både de fysiska maskinerna och hur kunderna interagerar med dem under anpassningen. Kundens direkta roll i att visa och korrigera en uppgift är det centrala i det tillvägagångssätt som beskrivs i rapporten.

Business Insider rapporterar att Reimagine arbetar med flera tillverkningsföretag. I en implementering, som involverade ett företag som extraherar kritiskt material från använda hårddiskar, sa startupen att lära en robot en ny uppgift tog 10 minuter istället för en dag. Den jämförelsen är ett påstående från Reimagine som rapporterats av Business Insider, inte ett oberoende verifierat test. Artikeln identifierar inte kunden, avslöjar inte uppgiften, ger inte antalet försök eller förklarar hur tiden mättes. Jämförelsen är därför bäst att förstå som en illustration av det föreslagna arbetsflödet snarare än ett allmänt prestandariktmärke. Dess betydelse förblir knuten till den rapporterade utplaceringen och till de specifika förhållanden under vilka uppgiften undervisades.

Källinformation: businessinsider.com ↗

Varför det spelar roll

Tillvägagångssättet tar itu med en central utmaning inom fysisk AI: robotar har mycket mindre träningsdata från den verkliga världen än språkmodeller har text och bilder. Om arbetare kan anpassa robotar utan specialiserade robotteknikteam kan utbyggnaden bli mer praktisk, även om de rapporterade resultaten förblir oberoende bekräftade.

Rapporten belyser en strukturell skillnad mellan mjukvaru-AI och fysiska robotar. Stora språkmodeller kan tränas på enorma samlingar av text och bilder på nätet, medan robotar behöver data om rörelser, föremål, miljöer och konsekvenserna av fysiska handlingar. Business Insider säger att Scholz citerade "100 000 år datagap", en fras som associeras med UC Berkeleys robotiker Ken Goldberg. Artikeln rapporterar att den största robotträningsdatauppsättningen innehåller ungefär ett års erfarenhet, jämfört med Goldbergs uppskattning av den tid en person skulle behöva för att läsa och se materialet som används för att träna ledande AI-modeller. Jämförelsen ramar in problemet som ett av tillgängliga erfarenhets- och interaktionsdata, inte bara en brist på dator- eller modellkapacitet. Den förklarar också varför en metod för att samla in användbara exempel på arbetsplatser kan ha betydelse för utvecklingen av fysisk AI.

Ett system som låter fabriksarbetare bidra med utbildningsdata kan minska avståndet mellan en robots laboratoriekapacitet och förhållandena på en arbetsplats. Arbetare förstår ofta undantag, säkerhetsbegränsningar och informella procedurer som är svåra att fånga upp i förväg. Business Insider rapporterar att anställda på Reimagines kundsajter började utveckla sina egna användningsfall och lära robotarna nya uppgifter. Om det mönstret är repeterbart kan det flytta ett visst ansvar för anpassningen från centraliserade robotspecialister till personerna som använder utrustningen. I den modellen skulle arbetsplatsen bli en del av robotens efterutbildningsprocess, med demonstrationer och korrigeringar som återspeglar de uppgifter som arbetarna faktiskt behöver utföra. Rapporten slår inte fast hur brett den modellen kan tillämpas, men den identifierar det potentiella värdet av att placera anpassning närmare den dagliga verksamheten.

Den bredare innebörden är en möjlig tjänsteekonomi kring robotutbildning och underhåll. Scholz sa till Business Insider att han förväntar sig att "robottränare och -hanterare" så småningom skulle kunna koppla samman tillverkare med fabriker, lära ut system för att utföra platsspecifika uppgifter och hjälpa till att lösa fel. Detta förblir en företagsledares projektion, inte bevis på att en sådan marknad redan existerar. Källan fastställer inte heller om praktisk undervisning är prisvärd, säker, konsekvent eller effektiv utöver de rapporterade piloterna. Dessa olösta frågor är viktiga eftersom en större stödroll skulle bero på repeterbara utbildningsresultat samt fungerande arrangemang mellan robottillverkare, arbetare och fabriker. Idén presenteras som en möjlig konsekvens av kund-som-lärare-modellen, snarare än som en påvisad branschtrend.

Vad du ska titta på härnäst

Nyckelfrågorna är om Reimagines undervisningsmetod fungerar över fabriker, uppgifter och robotkroppar; huruvida arbetare säkert kan övervaka maskinerna; och om uppstarten kan förvandla begränsade piloter till pålitliga kommersiella implementeringar. Business Insider tillhandahöll ingen oberoende validering av sina prestationsanspråk.

Den första frågan att titta på är replikering. Business Insider tillhandahåller en rapporterad jämförelse av undervisningstid, men inte tillräckligt med information för att bedöma tillförlitligheten. Användbara bevis skulle omfatta resultat från flera kunder, uppgifter, objekt och miljöförhållanden, tillsammans med felfrekvenser och mängden mänsklig korrigering som krävs. Det skulle också vara viktigt att veta om en robot behåller ett inlärt beteende, överför det till en annan robot eller måste tränas om när omgivningen förändras. Sådana bevis skulle visa om det rapporterade arbetsflödet är en repeterbar förmåga eller ett resultat begränsat till en distribution. Det skulle också hjälpa till att skilja hastigheten på det första undervisningspasset från den långsiktiga ansträngning som krävs för att hålla beteendet användbart.

Arbetstagarnas säkerhet och ansvarsskyldighet kommer att vara lika viktigt. Källan beskriver anställda som fysiskt manipulerar robotarmar, men den förklarar inte säkerhetsåtgärder, driftprocedurer eller övervakningskrav. Framtida rapportering bör klargöra vem som kan auktorisera ett nytt beteende, hur farliga åtgärder blockeras, hur träningsdata granskas och vad som händer när en robot beter sig felaktigt. Dessa detaljer kommer att avgöra om systemet är ett praktiskt arbetsplatsverktyg eller bara ett annat lager av operativ risk. De kommer också att klargöra hur ansvaret delas när en arbetares korrigering blir en del av robotens beteende. Tills dessa procedurer beskrivs, förblir undervisningsmetodens praktiska karaktär en viktig olöst del av historien.

Slutligen bör Reimagines kommersiella framsteg särskiljas från den bredare entusiasmen kring humanoid och fysisk AI. Business Insider rapporterar att startupen testar sin teknik med tillverkande företag, men det säger inte om dessa installationer är betalda, hur många robotar som är installerade eller om någon kund har gått bortom en pilot. Bekräftelse av kundinstallationer, oberoende uppmätt prestanda och avslöjad tillgänglighet skulle visa om företagets kund-som-lärare-modell håller på att bli en hållbar produkt snarare än ett experiment i ett tidigt skede. Bevis om mängden av uppgifter och robotkroppar som är involverade skulle ytterligare indikera om tillvägagångssättet är brett eller begränsat till särskilda tillverkningsinställningar. Dessa signaler skulle ge en tydligare grund för att bedöma framsteg än om det bara finns piloter.

Relaterade guider och frågesporter