Generalist учит роботов работать с помощью данных человеческих демонстраций

Стартап Generalist, оценённый инвесторами в 2 млрд долларов, работает над ускорением обучения роботов с помощью данных реальных человеческих действий. Разработчики опираются на исследование Universal Manipulation Interface (UMI), созданное с участием Toyota Research Institute, Колумбийского и Стэнфордского университетов. Суть платформы — люди управляют специальными манипуляторами (по принципу марионетки), при этом экшн-камеры фиксируют процесс выполнения бытовых задач: например, мытьё посуды или подбор предметов. Эти действия записываются и превращаются в массив демонстрационных данных, который затем используется для обучения базовых моделей роботов.

В июне на выставке Automate Generalist показал, как обученные таким образом модели могут быстро генерировать управляющие алгоритмы для различных коллаборативных роботов (так называемых коботов). Например, на одной площадке их система заставила руки Universal Robots складывать и собирать коробки, а на другой — манипуляторы Flexiv ремонтировали робот-пылесосы. По словам команды, больше всего посетителей впечатлило не просто выполнение задания, а то, как ИИ-управляемые роботы были способны в реальном времени восстанавливаться после ошибок или неожиданных ситуаций.

Архитектура Generalist предусматривает использование разных типов роботизированных кистей и манипуляторов, что позволяет компании экспериментировать с задачами на различных аппаратах — это расширяет сферу применения и гибкость решений. Особенность подхода — фокус на сборе максимально жизненных данных с участием человека, а не только на моделировании процессов в лаборатории или на чисто виртуальных симуляциях.

Рост интереса к подобным системам объясняется и тем, что рынок автоматизации сталкивается с нехваткой данных для обучения универсальных роботов под живые, «не стерильные» задачи. Ранее подобные платформы создавали отдельные компании и исследовательские группы, однако большинство решений работали либо с одним типом задач, либо сильно зависели от специфики конкретной роботехники. С появлением Generalist масштаб и универсальность заметно увеличились — что подчёркивает и поддержка в виде крупных инвестиций.

Для заведений из сферы HoReCa эта технология может означать появление более гибких и быстрообучаемых роботов, способных брать на себя не только типичные, но и более сложные или меняющиеся операции — особенно в кухне, клининге или логистике. Такой подход снизит потребность в ручном программировании каждого сценария, ускорит внедрение автоматизации и повысит надёжность оборудования при столкновении с нестандартными ситуациями. Однако стоит учитывать: насколько реально эти технологии адаптируются для средних и малых предприятий пока неясно — возможна высокая стоимость внедрения и нехватка локализованных данных. Кроме того, публичных технических подробностей относительно полноты и точности обучения пока мало, что оставляет вопросы о масштабируемости и безопасности таких систем в коммерческом использовании.