Сиолошная

Почему в большей части демонстраций робо-компаний их творения занимаются тем, что складывают футболки? Потому, что эта задача находится в «оптимальной зоне» возможностей доступной технологии — можно достичь высокой доли успеха в выглядящей сложной для роботов задаче. Benjie Holson, проработавший в Google X 8 лет и занимающий позицию VP of Engineering какого-то робо-стартаппа, пишет, что «может показаться, что раз наши методы позволяют обучить модели складывать белье, то они способны вообще на всё, но это не так. Нам придется изобрести новые подходы, чтобы системы стали по-настоящему универсальными и полезными». В сентябре он предложил идею Олимпиады для гуманоидных роботов (после того, как посмотрел и не впечатлился World Humanoid Robot Games). Всего есть 5 «дисциплин», в каждой 3 разных задачи нарастающей сложности — на бронзу, серебро и золото. Benjie думал, что для того, чтобы с ними справиться, текущих технологий не хватит. Physical Intelligence показали, что это не так — в 3 из 5 направлений они смогли взять золото, то есть выполнить самую сложную задачу из секции. Причём в оставшихся двух они не смогли их выполнить в силу того, что фокусируются на простых роботах с очень широкими и простыми грипперами. Например, не смогли расправить и повесить вывернутую наизнанку рубашку на вешалку. Почему? Потому что гриппер не пролазит в рукав. Или не смогли очистить апельсин (когда в гриппер добавили ковырялку — задача поддалась). То есть это ограничение конкретного оснащения, с которым они работают, нежели технологии в целом — не удивлюсь, если условные Figure.ai выпустят видео и покажут, как гуманоид с пальцами наяривает мандаринки. Да, это не работает идеально — в среднем их показатель успешности выполнения по всем задачам составляет 52%, а прогресс выполнения задачи — 72%. Для почти всех задач собирали не больше 9 часов данных. По мере того как модели становятся мощнее, обучаться даже самым сложным задачам будет всё проще. Для новых задач может потребоваться не только меньше данных, но и более простые источники данных (прощающие больше шума). Из остальных задач мне показались интересными: — открыть замок/дверь ключом — намазать масло на хлеб и сделать сендвич — очистить жирную сковороду водой и губкой Роботикс набирает обороты, в 2026-м, думаю, увидим очень много прогресса — так как компании уже имеют хорошее железо и цикл сбора данных и тренировки моделей, позволяющий в короткие сроки добавлять новые навыки. Плюс, RL поверх VLA тоже начал работать (я так понял по посту Physical Intelligence RL они не использовали, потому доля успеха не за 90%). Посмотреть видео, включая сбор отходов жизнедеятельности животных в мешочек 😏 можно тут: https://www.pi.website/blog/olympics