Mpaka wa physical AI unakabiliwa na kikwazo kikubwa: tunakosa data za mafunzo za ulimwengu halisi zenye usahihi wa juu. Mifumo mikubwa ya lugha (Large Language Models) ilikua kwa kukusanya maandishi kutoka kwenye mtandao; roboti inahitaji mbinu ya gharama kubwa zaidi.

Tatizo la Upungufu wa Data katika Roboti

Ili roboti za binadamu (humanoid) na roboti za maghala ziweze kufikia ustadi wa binadamu, zinahitaji kiwango cha data ambacho kwa sasa hakipo. Vineeth Velmurugan, mkuu wa mafunzo ya roboti wa Encord na mtaalamu wa zamani wa maabara ya roboti ya OpenAI, anasema mafanikio makubwa yanahitaji seti ya data ambayo ni mara tano zaidi ya jumla ya video zote za YouTube.

Maandishi ni mengi na ni rahisi kuyakusanya kutoka mtandaoni. Data za kifizikia lazima zitengenezwe. Mafunzo kwa kutumia video pekee mara nyingi hukosa usahihi unaohitajika kwa uendeshaji tata. Kwa hivyo, sekta hii imehama kutoka kwenye urekebishaji wa usanifu wa modeli (model architecture) kuelekea kutatua tatizo gumu zaidi la kutengeneza data za kifizikia zenye ubora wa juu na maelezo (annotated).

Zaidi ya Video: Kutumia Mawimbi ya Ubongo na Ishara za Misuli

Kampuni changamoto (startups) kama Encord zinajaribu njia mpya za data ili kuwapa roboti muktadha wa kina zaidi. Katika jaribio la awali na kampuni changamoto ya sayansi ya neva ya Kijerumani, Zander Labs, Encord inawapa waendeshaji vifaa vya kichwani vya kupima mawimbi ya ubongo. Kwa kupima shughuli za neva, watafiti wanatumai kubaini nia, makosa, na mshangao.

Lucas Gehrke, mwanasayansi wa neva katika Zander, anasema kufuatilia shughuli za ubongo kunawawezesha watengenezaji wa modeli kujua ni wakati gani hasa roboti inapaswa kutumia mifumo yake yenye nguvu zaidi ya kimitambo kwa ajili ya kazi ngumu.

Encord pia inachunguza:

  • Electromyography (EMG): Viungio (sensors) vilivyofungwa kwenye mkono vinakamata ishara za umeme kwenye misuli, vikitengeneza ramani ya 3-D ya mienendo ya mkono ambayo kamera za kichwani mara nyingi hukosa.
  • Leader-Follower Rigs: Mikono ya roboti iliyounganishwa ambapo mmoja unaiga mwendeshaji wa binadamu, ukikamata vitendo sahihi kama vile kumimina majimaji au kupanga chips za poker.
  • Dense Annotation: Lebo kama vile “mkono wa kulia unakaza skrubu.” Velmurugan anakadiria kuwa maelezo haya mazito ni mara 100 zaidi ya thamani kuliko video ghafi za mtu binafsi (ego video) kwa ajili ya mafunzo ya kazi maalum.

Ukweli wa Kiuchumi wa Physical AI

Kuhama kutoka AI inayozingatia kidijitali kuelekea physical AI kunabadilisha uchumi wa kujifunza kwa mashine (machine learning). Maabara za LLM zilijenga modeli kwa gharama ndogo sana kwa kuvuta data kutoka mtandaoni. Uzalishaji wa data za mafunzo ya roboti unahitaji vifaa (hardware), waendeshaji wa binadamu, na uwekaji wa maelezo (annotation) wa kina. Encord inalenga kufanya data yenye ubora wa juu iwe na ufanisi wa gharama mara 20 zaidi kuliko thamani inayotolewa, lakini hata hivyo, hiyo inatafsiriwa kuwa miradi ya mamilioni ya dola kwa ajili ya makundi makubwa ya roboti.

Makampuni yatakayozalisha seti kubwa za data zenye maelezo mengi kwanza yatatawala uendeshaji wa kiotomatiki (autonomous manipulation)—kuanzia kuchomeka nyaya za Ethernet hadi kuchagua na kufunga bidhaa. Wale wanaoshikilia njia za video pekee wako hatarini kubaki nyuma wakati washindani wakikusanya ishara tajiri zaidi kutoka kwenye mwili na ubongo wa binadamu.

Mambo Muhimu ya Kuzingatia

  • Uzalishaji wa Data dhidi ya Ukusanyaji: Physical AI inahitaji uzalishaji wa gharama kubwa na wa kibinadamu wa seti za data zenye usahihi wa juu, tofauti na LLMs ambazo hukusanya data zilizopo mtandaoni.
  • Njia za Neurological: Kuongeza mawimbi ya ubongo na EMG kunaruhusu roboti kuelewa nia ya binadamu, makosa, na mienendo ya mkono ya 3-D kwa ufanisi zaidi kuliko video pekee.
  • Changamoto ya Kiwango: Modeli za roboti zinahitaji seti ya data kubwa zaidi ya kumbukumbu nzima ya YouTube; uzalishaji wa data sasa ndio mpaka mkuu wa biashara.

Encord imeanza jaribio la awali na kampuni changamoto ya sayansi ya neva ya Kijerumani, Zander Labs, ambayo inawapa waendeshaji vifaa vya kichwani vya kupima mawimbi ya ubongo na viungio vya EMG vya mkono ili kunasa data za mafunzo zenye usahihi wa juu kwa ajili ya physical AI. Ushirikiano huo unalenga kuzalisha seti ya data kubwa inayoweza kushindana na mara tano ya jumla ya kiasi cha video za YouTube—kiwango ambacho watafiti wanasema kinahitajika ili roboti zifikie ustadi wa kiwango cha binadamu na unaweza kubadilisha jinsi roboti inavyojifunza.

Kwa nini data ya roboti ni kikwazo

Mifumo mikubwa ya lugha ilikua kwa kukusanya data kutoka mtandaoni; malighafi ilikuwa nyingi na rahisi. Physical AI, kinyume chake, inahitaji data ambayo lazima itengenezwe. Kila mshiko, mzunguko, au umwagaji lazima irekodiwe, iwekewe maelezo, na iunganishwe na nguvu na nia zilizozalisha kitendo hicho. Video za kawaida mara nyingi hukosa ishara ndogo zinazohitajika kwa uendeshaji tata, na kuacha pengo kati ya modeli za leo na mahitaji ya viwanda, maghala, na nyumbani.

Vineeth Velmurugan, mkuu wa mafunzo ya roboti wa Encord na mtaalamu wa zamani wa maabara ya roboti ya OpenAI, anasema uwanja huu hautasonga mbele hadi seti ya data ambayo ni takriban mara tano ya ukubwa wa jumla ya video za YouTube ipatikane. Tatizo si tena usanifu wa modeli; ni jinsi ya kutengeneza data.

Kuongeza mawimbi ya ubongo na ishara za misuli

Jaribio la Encord-Zander linajaribu kuziba pengo hilo kwa kuongeza ishara za kibaolojia kwenye rekodi ya picha. Waendeshaji huvaa vifaa vya kichwani vinavyosoma electroencephalography (EEG) – shughuli ya umeme ya ubongo – huku sensa za EMG kwenye mkono zikikamata msukumo wa misuli. Lengo ni kubainisha hali za kiakili kama vile nia, mshangao au makosa, na kugeuza shughuli ghafi ya misuli kuwa ramani ya pande tatu ya mwendo wa mkono ambayo video pekee haiwezi kuikamata.

Lucas Gehrke, mwanasayansi wa neva katika Zander, anaeleza kuwa kujua lini binadamu anatarajia kazi ndogo ngumu kunaruhusu roboti kutenga mifano yake yenye nguvu zaidi ya kimitambo wakati sahihi.

Zaidi ya data za neva, Encord inajaribu mbinu kadhaa za ziada:

  • Electromyography (EMG): Sensa kwenye mkono hutoa matokeo ya moja kwa moja ya uanzishaji wa misuli, hali inayowezesha ujenzi sahihi wa mienendo ya vidole ambayo kamera zinazovaliwa kichwani mara nyingi hukosa.
  • Vifaa vya kiongozi-mfuatiliaji (Leader-follower rigs): Jozi ya mikono ya roboti hufanya kazi kwa pamoja, moja ikifuata mienendo ya mwendeshaji binadamu. Hii inakamata kazi nyeti—kama vile kumimina majimaji, kupanga chips—ambapo makosa ya kiwango cha milimita ni muhimu.
  • Uwekaji alama mnene (Dense annotation): Badala ya kuweka alama kwa vitendo vya kiwango cha juu tu, timu ya Velmurugan inaambatanisha maelezo ya kina kama vile “mkono wa kulia unakaza skrubu.” Anakadiria kuwa maelezo haya ni muhimu zaidi mara 100 kwa ajili ya kufundisha ujuzi maalum wa uendeshaji kuliko video ghafi ya ego-centric.

Uchumi wa utengenezaji wa data

AI ya kimwili inabadilisha hesabu za kifedha za kujifunza kwa mashine (machine learning). Maabara za LLM zilijenga mifano kwa gharama ndogo sana kwa sababu mtandao unatoa maandishi yasiyo na mwisho. Hata hivyo, kuzalisha data ya mafunzo ya roboti kunahitaji vifaa (hardware), waendeshaji binadamu na uwekaji alama wa bidii. Lengo la ndani la Encord ni kufanya data ya hali ya juu kuwa na ufanisi wa gharama mara 20 zaidi ya thamani inayowafikia wateja, lakini hata ufanisi huo mkali bado unatafsiriwa kuwa miradi ya mamilioni ya dola kwa ajili ya makundi makubwa ya roboti.

Mambo yaliyo mezani ni wazi: kampuni zitakazoweza kuzalisha seti kubwa za data zenye alama nyingi kwanza zitatawala soko linalochipuka la uendeshaji wa kiotomatiki—iwe inamaanisha kuchomeka nyaya za Ethernet kwenye sakafu ya kituo cha data au kuchagua na kufunga bidhaa katika kituo cha usambazaji. Zile zinazoendelea kutegemea mifumo ya video pekee zinahatarisha kuachwa nyuma wakati washindani wakichimba ishara tajiri zaidi kutoka kwa mwili na ubongo wa binadamu.

Hoja za upinzani na maswali ya wazi

Si kila mtu ameshawishika kwamba ishara za neva ndizo kipengele kinachokosekana. Wakosoaji wanahoji kuwa ugumu wa ziada wa vifaa unaweza kuzidi faida, hasa wakati video pamoja na sensa za nguvu-torque (force-torque sensors) tayari zinatoa utendaji mzuri kwa kazi nyingi za viwandani. Uwezo wa kutanuliwa (Scalability) ni wasiwasi mwingine: kuwapa maelfu ya waendeshaji vifaa vya EEG na EMG kunaweza kuwa gharama kubwa sana kwa watengenezaji wadogo.

Mchakato wa kuzalisha data bado unahitaji nguvu kazi kubwa. Hata kwa kutumia vifaa vya kiongozi-mfuatiliaji, kukamata upana wa kazi zinazohitajika kwa roboti ya jumla kweli kutahitaji juhudi endelevu na zilizoratibiwa katika maabara na viwanda vingi. Soko litabidi kuamua ikiwa ongezeko la utendaji litalipa uwekezaji wa awali.

Nini cha kufuatilia baadaye

  • Hatua muhimu za kiasi cha data: Dai la Encord la kuwa na seti ya data mara tano ya ukubwa wa YouTube litakuwa kipimo cha uhakika. Itakapofichuliwa, wachezaji wengine watakuwa na lengo la wazi la kufikia au kuzidi.
  • Viwango vya upokeaji wa vifaa: Kasi ambayo vifaa vya EEG na EMG vitakuwa vya kawaida katika vifaa vya ukusanyaji wa data itaonyesha ikiwa mbinu hiyo inaweza kutanuliwa zaidi ya majaribio ya awali.
  • Vipimo vya gharama: Ikiwa Encord itaweza kuonyesha uwezo wa kutoa faida ya gharama mara 20 iliyoahidiwa, inaweza kuchochea wimbi la washiriki wapya wanaolenga “utengenezaji wa data” badala ya usanifu wa mifano.
  • Mapengo ya utendaji