Fiziksel yapay zekanın vaadi, mühendislerin fiziksel ajanları dijital ajanlar gibi programlayabilmesidir.
Henüz orada değiliz. Robotikteki verim, fiziksel alanlardan elde edilen verilerin kısıtlılığından dolayı sınırlıdır. Şirketlerin makinelerini eğitmek için, deneme yapacakları taklit depo alanları inşa etmeleri gerekmektedir. Aynı zamanda, derin öğrenme modellerini eğitmek amacıyla fabrika hatlarını ve gig işçileri izlemek etrafında gelişen bir endüstri ortaya çıkmaktadır.
Diğer bir seçenek ise simülasyondur; gerçek dünya ortamlarının detaylı sanal kopyaları, robot mühendislerinin bu çalışmaları ölçeklenebilir bir şekilde gerçekleştirmesi için gerekli veri ve çalışma alanlarını sağlayabilir.
Robot geliştiricileri için simülasyon araçları inşa eden Antioch, endüstrinin “simülasyondan gerçeğe geçiş” olarak adlandırdığı boşluğu kapatmak istiyor — yani sanal ortamların yeterince gerçekçi hale getirilmesi ki bu sayede içinde eğitilen robotlar fiziksel dünyada güvenle çalışabilsin.
Antioch CEO’su ve kurucu ortağı Harry Mellsop, “Simülasyonu, otonom sisteminizin bakış açısından gerçek dünya gibi hissettirecek şekilde en iyi şekilde nasıl yapabiliriz?” dedi.
Bunu yapmak için, şirket bugün TechCrunch’a yaptığı açıklamada 8.5 milyon dolarlık bir başlangıç yatırımı topladığını ve bu yatırımın değerini 60 milyon dolar olarak belirlediklerini belirtti. Yatırımcılar arasında A* ve Category Ventures yer alırken, MaC Venture Capital, Abstract, Box Group ve Icehouse Ventures da katılım gösterdi.
Mellsop, geçen yıl Mayıs ayında dört kurucu ortakla birlikte, New York merkezli şirketi kurdu. Diğer iki kurucu olan Alex Langshur ve Michael Calvey, ona Transpose adında bir güvenlik ve istihbarat girişimini kurmasında yardımcı oldu ve sonrasında bunu Chainalysis’e satmayı başardılar. Diğer iki kurucu olan Collin Schlager ve Colton Swingle ise sırasıyla Google DeepMind ve Meta Reality Labs’ta çalışmıştı.
Daha iyi simülasyona olan ihtiyaç, birçok büyük otonom şirketin yaptığı işin kalbinde yer alıyor. Örneğin, otonom araç alanında Waymo, sürüş modelini test ve değerlendirmek için Google DeepMind’ın dünya modelini kullanıyor. Teoride bu teknik, Waymo araçlarını yeni alanlarda dağıtmak için gereken veri toplama süresini azaltacak ve otonom araç teknolojisinin ölçeklenmesinde anahtar bir maliyet faktörü olacak.
Bu modelleri inşa etmek ve robotları test etmek, otonom bir araba yaratmaktan farklı beceriler gerektiriyor ve Antioch, küçük şirketlerin bunu kendi başlarına yapacak sermayeleri olmadığı için bu sorunu çözen bir platform inşa etmek istiyor. Bu daha küçük firmalar, fiziksel test alanları inşa etmek veya birkaç milyon mil boyunca sensörlerle dolu araçlar sürmek için de yeterli sermayeye sahip değiller.
Mellsop, “Endüstrinin büyük çoğunluğu simülasyonu kullanmıyor ve şimdi bunu daha hızlı hareket etmemiz gerektiğini açıkça anlıyoruz,” dedi.
Antioch yöneticileri, ürünlerini popüler AI tabanlı yazılım geliştirme aracı Cursor ile karşılaştırıyor. Antioch, robot üreticilerinin donanımlarının çoklu dijital örneklerini hızla oluşturmasını ve bunları gerçek dünyada robotun yazılımının alacağı verilere benzer verileri taklit eden simüle edilmiş sensörlerle bağlamasını sağlıyor. Bu ortamlar, geliştiricilerin kenar durumlarını test etmesine, güçlendirme öğrenimi yapmasına veya yeni eğitim verileri oluşturmasına olanak tanıyor.
Simülasyonların yeterince yüksek kalitede olması şartıyla. Buradaki zorluk, simülasyondaki fiziğin gerçeği yansıtmasını sağlamak; böylece model gerçek bir makinenin kontrolünü aldığında hiçbir sorun yaşanmaması hedefleniyor. Şirket, Nvidia, World Labs ve diğerleri tarafından oluşturulan modelleri temel alarak belirli alanlara yönelik kütüphaneler hazırlıyor ve bunları kullanımını kolaylaştırıyor. Birden fazla müşteriyle çalışmanın, Antioch’a kendi başına bir fiziksel AI şirketinin ulaşamayacağı simülasyonları geliştirme konusunda derin bir bağlam sağladığını belirtiyorlar.
Category Ventures’dan Çağla Kaymaz, “Yazılım mühendisliği ve LLM’lerle ne olduysa, fiziksel AI konusunda da yeni yeni olmaya başlıyor,” diyor. “Geliştirici araçlarıyla çok iş yapıyoruz, bu dikeyden de hoşlanıyoruz, ama zorluklar farklı. Yazılımda kötü kodlama araçlarına sahip olabilirsiniz ve risk genellikle dijital dünyada sınırlıdır. Fiziksel dünyada ise risk çok daha yüksektir.”
Antioch’ın şu anki önceliği, otomatik araçlar ve kamyonlar, tarım ve inşaat makineleri veya hava drone’ları için büyük ihtiyaç duyan sensör ve algılama sistemleridir. Fiziksel AI’nın genel robotları insan görevlerini kopyalamak için güçlendirmesi ise daha uzak bir hedef. Antioch’ın sunduğu hizmetler, başlangıç şirketlerini hedef alırken, ilk müşterileri arasında robotik alanına ağır yatırımlar yapan büyük çok uluslu şirketler de yer alıyor.
Adrian Macneil, bu alan hakkında sağlam bir anlayışa sahiptir. Otonom araç girişimi Cruise’de, şirketin veri altyapısını inşa etti ve 2021’de fiziksel AI girişimlerine aynı tür veri hatları sunan Foxglove’u kurdu. Macneil, Antioch’ı bir melek yatırımcı olarak destekliyor.
“Yüksek güvenlik gerektiren veya oldukça hassas görevler üzerinde çalışırken simülasyon gerçekten önemlidir,” dedi. “Gerçek dünyada yeterince mil sürmek mümkün değil.”
Macneil, fiziksel AI’yi desteklemek için SaaS devrimini yönlendiren aynı tür araçların — Github, Stripe ve Twilio gibi platformların — ortaya çıkmasını görmek istiyor. “Tüm araç zincirinin rafta daha fazla mevcut olması gerekiyor,” dedi.
Mellsop, “Gerçek dünyaya yönelik otonom sistemler inşa eden herkesin, önümüzdeki 2-3 yıl içinde bunu öncelikle yazılım üzerinde gerçekleştireceğine inanıyoruz,” dedi. “Otonom ajanların fiziksel bir otonomi sisteminde iterasyon yapabileceği ve gerçekten geri bildirim döngüsünü kapatabileceği ilk kez bu oluyor.”
Bu yönde zaten deneyler yapılıyor. MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı’ndan David Mayo, Antioch platformunu kullanarak LLM’leri değerlendiriyor. Bir deneyde, Mayo yapay zeka modellerinin robotlar tasarlamasını sağlıyor ve ardından bunları Antioch’ın simülatöründe test ediyor. Hatta bu modelleri birbirine karşı simüle edilmiş yarışmalarda, bir rakip robotu platformdan itme gibi mücadelelere sokabiliyor. LLM’lere gerçekçi bir kum havuzu sağlamak, onları ölçme konusunda yeni bir paradigma sunabilir.
Ancak, AI mühendislerinin geldiği bir dünya öncesinde, dijital modeller ile gerçek dünya arasındaki boşluğu kapatmak için daha fazla çalışma gerekiyor. Bunu gerçekleştirebilirsek, geliştiriciler, Macneil’in başarılı kategori liderlerinin anahtarı olduğunu düşündüğü veri döngüsünü oluşturabilecekler. Örneğin, mühendisler giderek daha fazla, gelecek ayki modelin sonuncusundan daha yetenekli olacağını düşünüyor.
Diğer şirketler bu başarıyı tekrar etmek istiyorlarsa, bu araçları onlar kendileri inşa etmeli veya satın almalıdır.
