Xiaomi-Robotics-1 udowadnia, że objętość danych ma większe znaczenie niż rozmiar modelu w robotyce

Xiaomi zaprezentowało Xiaomi-Robotics-1 – przełomowy model bazowy (foundation model), który zmienia paradygmat trenowania robotów z zwiększania mocy obliczeniowej na masowe skalowanie danych. Dzięki wykorzystaniu unikalnej metody zbierania danych, model wykazuje niespotykaną dotąd zdolność adaptacji w nieznanych środowiskach oraz w złożonych zadaniach manipulacyjnych.

Przełamanie wąskiego gardła danych dzięki ręcznym chwytakom

Głównym wyzwaniem w robotyce od zawsze było „wąskie gardło danych” – trudność w gromadzeniu ogromnych ilości wysokiej jakości danych z interakcji bez użycia drogich, stacjonarnych ramion robotycznych. Xiaomi ominęło tę przeszkodę, wykorzystując przenośne, ręczne chwytaki wyposażone w kamery.

Zamiast programować roboty, operatorzy używali tych ręcznych urządzeń do nagrywania zadań manipulacyjnych w ponad 1700 zróżnicowanych środowiskach, w tym w kuchniach, biurach i fabrykach. Podejście to zaowocowało oszałamiającą liczbą 100 000 godzin nagrań ruchu. Aby rozwiązać problem etykietowania, Xiaomi wykorzystało model AI do automatycznego generowania opisów tekstowych dla każdego segmentu ruchu, co pozwoliło na ukończenie etykietowania całego zbioru danych w zaledwie dwa tygodnie.

Prawo skalowania: Dane ważniejsze niż moc obliczeniowa

Kluczowym wnioskiem technicznym z badań nad Xiaomi-Robotics-1 jest to, że większa ilość danych treningowych przynosi znacznie wyższe zyski wydajnościowe niż samo zwiększanie rozmiaru modelu lub mocy obliczeniowej. Choć większe modele faktycznie redukują błędy predykcji, współczynnik sukcesu robota w nieznanych środowiskach wzrósł skokowo z 25% do 75% wraz ze wzrostem objętości danych treningowych.

Odzwierciedla to trendy obserwowane w komputerowej wizji (computer vision), gdzie dodawanie danych przynosi większą wartość niż zwiększanie liczby parametrów. Dla Xiaomi oznacza to, że droga do ogólnego robota AI (General Purpose Robot AI) wiedzie przez różnorodność i skalę zbiorów danych, a nie tylko przez budowanie coraz większych sieci neuronowych.

Niezrównana adaptacyjność i wyniki w benchmarkach

Xiaomi-Robotics-1 został zaprojektowany tak, aby wykonywać polecenia głosowe lub pisemne i adaptować się do nowych zadań przy minimalnym dostrajaniu (fine-tuning). Podczas testów modelowi powierzono złożone manewry, takie jak ładowanie prania, wkładanie papieru do drukarki czy pakowanie walizek.

Wyniki były jednoznaczne:

• Szybka adaptacja: Przy mniej niż 10 godzinach specyficznego treningu zadaniowego, model osiągnął 75% skuteczności, znacząco przewyższając konkurenta Physical Intelligence, który osiągnął zaledwie 40%.
• Dominacja w benchmarkach: Model zdecydowanie prowadzi ranking RoboCasa365, szczególnie w przypadku nieznanych zadań złożonych.
• Wydajność w RoboDojo: Xiaomi-Robotics-1 uzyskał wynik o około 58% wyższy niż wicelider w benchmarku RoboDojo.

Model wykazał się również szczególną sprawnością w radzeniu sobie z miękkimi, odkształcalnymi materiałami, takimi jak papier – co historycznie stanowiło trudne wyzwanie dla sztywnych systemów robotycznych.

Nowy kierunek dla branży robotyki

Podejście Xiaomi znajduje się na skrzyżowaniu dróg z innymi gigantami branży. Podczas gdy Nvidia próbuje przekształcić problem danych w robotyce w problem mocy obliczeniowej poprzez generowanie danych syntetycznych, a model Orca od BAAI próbuje uczyć się z nieetykietowanych nagrań wideo, Xiaomi stawia na zautomatyzowane, wielkoskalowe, etykietowane dane o ruchu.

W miarę jak Xiaomi przygotowuje się do udostępnienia modelu i kodu na platformach GitHub oraz Hugging Face, branża przygląda się temu z uwagą. Ten rozwój sugeruje, że o kolejnym przełomie w robotyce nie zdecyduje posiadanie najpotężniejszych chipów, lecz dostęp do najbardziej różnorodnych i dobrze etykietowanych zbiorów danych o ruchu.

Kluczowe wnioski

• Skalowanie skoncentrowane na danych: Zwiększenie objętości danych treningowych okazało się skuteczniejsze w podnoszeniu współczynnika sukcesu robotów niż zwiększanie rozmiaru modelu lub mocy obliczeniowej.
• Innowacyjne zbieranie danych: Ręczne chwytaki pozwoliły Xiaomi zgromadzić 100 000 godzin danych o ruchu w 1700 środowiskach bez konieczności użycia dedykowanych robotów.
• Wysoka zdolność generalizacji: Model może osiągnąć 75% skuteczności w nowych zadaniach przy mniej niż 10 godzinach dodatkowego treningu.