คู่มือบริษัท

แบบจำลองมูลนิธิหุ่นยนต์โควาเรียนท์

ภาพรวม

โมเดลพื้นฐานหุ่นยนต์ Covariant เป็นที่เข้าใจดีที่สุดในบริบทของกลยุทธ์ การเข้าถึงโมเดล การตัดสินใจแพลตฟอร์ม และความร่วมมือในระบบนิเวศ

เจาะลึก

Covariant ก่อตั้งขึ้นในปี 2017 โดยนักวิจัย AI รวมถึง Pieter Abbeel, Peter Chen และ Rocky Duan จาก UC Berkeley และราก OpenAI ได้สร้าง Covariant Brain ซึ่งเป็นซอฟต์แวร์ AI ที่ขับเคลื่อนแขนหุ่นยนต์ในการหยิบและคัดแยกคลังสินค้า ผลิตภัณฑ์ที่โดดเด่นของบริษัท RFM-1 (Robotics Foundation Model 1) ซึ่งเปิดตัวในปี 2024 ได้รับการฝึกอบรมเกี่ยวกับข้อมูลการหยิบสินค้าในโลกแห่งความเป็นจริงจำนวนมหาศาล รวมถึงข้อความและรูปภาพ เพื่อให้หุ่นยนต์สามารถจัดการถังขยะที่เกะกะของสิ่งของที่ไม่คุ้นเคย และแม้แต่ตอบสนองต่อคำสั่งที่เป็นภาษาธรรมชาติ แทนที่จะเขียนโปรแกรมแต่ละรายการ ระบบจะสรุปจากประสบการณ์เหมือนกับโมเดลภาษาขนาดใหญ่สรุปทั่วทั้งข้อความ ในปี 2024 ส่วนแบ่งจำนวนมากในทีมงานของ Covariant รวมถึงผู้ก่อตั้ง ได้รับการว่าจ้างจาก Amazon ในข้อตกลงด้านลิขสิทธิ์และผู้มีความสามารถ ซึ่งส่งสัญญาณว่าโมเดลรากฐานหุ่นยนต์เชิงกลยุทธ์กลายมาเป็นอย่างไรบ้าง

ข้อมูลเชิงลึกทางเทคนิค

RFM-1 เป็นหม้อแปลงหลายรูปแบบที่ได้รับการฝึกเกี่ยวกับข้อความ รูปภาพ วิดีโอ การอ่านเซ็นเซอร์ของหุ่นยนต์ และการทำงานของมอเตอร์ โดยถือว่าสิ่งเหล่านั้นเป็นโทเค็นในลำดับเดียว ด้วยการทำนายโทเค็นถัดไปในรูปแบบต่างๆ เหล่านี้ ระบบจะเรียนรู้เหตุและผลทางกายภาพ เพื่อให้สามารถบอกกล่าวด้วยภาษาและเหตุผลเกี่ยวกับสิ่งที่ผู้เข้าใจจะทำก่อนดำเนินการ ซึ่งช่วยให้โมเดลเดียวสามารถควบคุมหุ่นยนต์ต่างๆ และจับวัตถุใหม่ๆ โดยไม่ต้องใช้วิศวกรรมต่อชิ้น ซึ่งสะท้อนให้เห็นว่าการฝึกอบรมล่วงหน้าในวงกว้างทำให้เกิดความสามารถทางภาษาทั่วไปได้อย่างไร

การเรียนรู้แบบจำลองพื้นฐานหุ่นยนต์โควาเรียนท์

Covariant คือบริษัทด้านวิทยาการหุ่นยนต์-AI ที่สร้าง 'แบบจำลองพื้นฐาน' ขนาดใหญ่สำหรับหุ่นยนต์ เพื่อให้แขนหุ่นยนต์มองเห็น ให้เหตุผล และเลือกวัตถุที่พวกเขาไม่เคยพบมาก่อน สิ่งสำคัญคือเนื่องจากได้นำสูตรแบบจำลองภาษาของการฝึกล่วงหน้าแบบกว้างๆ มาสู่การจัดการทางกายภาพในคลังสินค้า โมเดลพื้นฐานหุ่นยนต์ Covariant เป็นที่เข้าใจดีที่สุดในบริบทของกลยุทธ์ การเข้าถึงโมเดล การตัดสินใจแพลตฟอร์ม และความร่วมมือในระบบนิเวศ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Covariant Robotic Foundation Models เป็นแบบจำลองการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ

ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้โมเดล Covariant Robotic Foundation จะประเมินกลยุทธ์ของผู้จำหน่าย ความน่าเชื่อถือของแผนงาน และความเสี่ยงในการล็อคอินก่อนตัดสินใจ โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน

โรดแมปของผู้จำหน่ายมีอิทธิพลต่อฟีเจอร์ที่ทีมของคุณสามารถสร้างได้ต่อไป ในขณะเดียวกัน การประกาศเปิดตัวอาจแซงหน้าความเสถียรในขั้นตอนการทำงานจริง แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง

ผลกระทบเชิงกลยุทธ์

โรดแมปของผู้จำหน่ายมีอิทธิพลต่อฟีเจอร์ที่ทีมของคุณสามารถสร้างได้ต่อไป

โรดแมปของผู้จำหน่ายมีอิทธิพลต่อฟีเจอร์ที่ทีมของคุณสามารถสร้างได้ต่อไป ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

ข้อกำหนดทางการค้าและตัวเลือกการใช้งานส่งผลต่อต้นทุนและความเสี่ยงในระยะยาว

ข้อกำหนดทางการค้าและตัวเลือกการใช้งานส่งผลต่อต้นทุนและความเสี่ยงในระยะยาว ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

สิ่งจูงใจของบริษัทจะกำหนดค่าเริ่มต้นของผลิตภัณฑ์ ท่าทางที่ปลอดภัย และความเปิดกว้าง

สิ่งจูงใจของบริษัทจะกำหนดค่าเริ่มต้นของผลิตภัณฑ์ ท่าทางที่ปลอดภัย และความเปิดกว้าง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

อนาคตของแบบจำลองพื้นฐานหุ่นยนต์โควาเรียนท์

ข้อตกลงของ Amazon ปี 2024 รวบรวมความเชี่ยวชาญส่วนใหญ่ของ Covariant ให้เป็นหนึ่งในผู้ให้บริการคลังสินค้ารายใหญ่ที่สุดของโลก โดยบอกเป็นนัยว่าโมเดลรากฐานของหุ่นยนต์จะปรับขนาดภายในบริษัทได้เร็วที่สุดด้วยข้อมูลการดำเนินงานที่กว้างขวาง คาดว่าจะมีการผสมผสานภาษา วิสัยทัศน์ และการกระทำที่เข้มงวดยิ่งขึ้น มีหุ่นยนต์จำนวนมากขึ้นที่ยอมรับคำสั่งภาษาอังกฤษธรรมดา และแข่งขันกับโมเดล VLA จากฟิกเกอร์ ความฉลาดทางกายภาพ และ Google คำถามเปิดคือโมเดลหุ่นยนต์ทั่วไปจะกลายเป็นเลเยอร์โครงสร้างพื้นฐานที่ใช้ร่วมกันหรือคงความได้เปรียบที่เป็นกรรมสิทธิ์ไว้หรือไม่

การใช้งานจริงในโลกแห่งความเป็นจริง

เลือกสินค้าที่หลากหลายและไม่เคยเห็นมาก่อนจากถังขยะในคลังสินค้าที่รกสำหรับการสั่งซื้อทางอีคอมเมิร์ซ

การจัดเรียงพัสดุตามจุดหมายปลายทางในสายเหนี่ยวนำด้านลอจิสติกส์โดยไม่ต้องมีการเขียนโปรแกรมต่อรายการ

การใช้คำสั่งภาษาธรรมชาติเพื่อบอกแขนหุ่นยนต์ว่าต้องจับอะไรหรือจะจัดการกับสิ่งของอย่างไร

ขับเคลื่อนหุ่นยนต์คลังสินค้าของบริษัทอื่นผ่านแพลตฟอร์มซอฟต์แวร์ Covariant Brain

รูปแบบการดำเนินงาน

แบบจำลองพื้นฐานหุ่นยนต์โควาเรียนท์ในทางปฏิบัติ

การเลือกสินค้าที่หลากหลายและไม่เคยเห็นมาก่อนจากถังขยะในคลังสินค้าที่รกสำหรับการสั่งซื้ออีคอมเมิร์ซ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

แบบจำลองพื้นฐานหุ่นยนต์โควาเรียนท์ในทางปฏิบัติ

การจัดเรียงพัสดุตามปลายทางในสายการชักนำด้านลอจิสติกส์โดยไม่ต้องเขียนโปรแกรมต่อรายการ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

แบบจำลองพื้นฐานหุ่นยนต์โควาเรียนท์ในทางปฏิบัติ

การใช้ข้อความแจ้งที่เป็นภาษาธรรมชาติเพื่อบอกแขนหุ่นยนต์ว่าต้องจับอะไรหรือจะจัดการอย่างไรกับไอเท็ม ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

แบบจำลองพื้นฐานหุ่นยนต์โควาเรียนท์ในทางปฏิบัติ

การขับเคลื่อนหุ่นยนต์คลังสินค้าของบริษัทอื่นผ่านแพลตฟอร์มซอฟต์แวร์ Covariant Brain ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ความเสี่ยงและรั้ว

การประกาศเปิดตัวอาจแซงหน้าความเสถียรในขั้นตอนการทำงานจริง

การกำหนดราคา API หรือการเปลี่ยนแปลงนโยบายสามารถทำลายสมมติฐานได้ในชั่วข้ามคืน

การพึ่งพาผู้ขายรายเดียวจะเพิ่มค่าใช้จ่ายในการล็อคอินและการย้ายข้อมูล

แผนงานการดำเนินงาน

ประเมินผู้ให้บริการโดยใช้งานและชุดข้อมูลของคุณเอง

ประเมินผู้ให้บริการโดยใช้งานและชุดข้อมูลของคุณเอง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

ตรวจสอบความเป็นส่วนตัว ความปลอดภัย และข้อกำหนดทางกฎหมายก่อนรวมระบบ

ตรวจสอบความเป็นส่วนตัว ความปลอดภัย และข้อกำหนดทางกฎหมายก่อนรวมระบบ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

รักษาแผนสำรองสำหรับรุ่นหรือผู้จำหน่าย

รักษาแผนสำรองสำหรับรุ่นหรือผู้จำหน่าย ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

ตรวจสอบบันทึกประจำรุ่นเพื่อให้การเปลี่ยนแปลงแผนงานไม่ทำให้ทีมแปลกใจ

ตรวจสอบบันทึกประจำรุ่นเพื่อให้การเปลี่ยนแปลงแผนงานไม่ทำให้ทีมแปลกใจ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

สำรวจต่อไป

OpenAI

ดูว่าผู้จำหน่ายโมเดลพื้นฐานชั้นนำดำเนินการอย่างไร

อ่านคู่มือ

โอเพ่นซอร์ส AI

เปรียบเทียบระบบนิเวศแบบจำลองแบบเปิดและแบบปิด

อ่านคู่มือ