General Intuitionというスタートアップは、汎用ロボット工学への近道を発見したと確信している。それは、コントローラーの入力と組み合わせた何百万時間ものビデオゲーム映像である。
同社は6月に23億ドルの評価額で3億2000万ドルを調達した。ロボット工学業界はGPT-3のような変曲点に近づいており、単一のファウンデーションモデルがすべてのロボット、環境、シナリオに対するタスク固有のトレーニングを不要にすると主張している。
仮説
現在のロボット開発者は「個々の embodiments、環境、ロボットに焦点を当てた専門的な作業を大量に行っている」とGeneral IntuitionのCEOであるPim de Witte氏はTechCrunchに語った。彼は、GPT-3が専門的なNLPモデルを時代遅れにしたのと同じように、このアプローチはまもなく冗長になると主張する。
洞察は、ビデオゲームがすでに膨大な量のアクションデータを含んでいることだ。視覚情報だけでなく、どのボタンがどの順序でどのタイミングで押されたかのログも含まれている。General Intuitionによれば、このアクションデータこそが、物理世界に関する人間のような空間的時間的直感を備えたAIシステムを構築する鍵である。
主な投資家であるVinod Khosla氏もこの見解を共有し、アクションデータが大規模な実世界のデータ収集を必要とせずにAIモデルに物理世界の仕組みを教えられるという仮説を支持している。
実証した内容
General Intuitionは、何百万時間ものビデオゲームデータでファウンデーションモデルをトレーニングした。わずか8分の実世界ロボットデータで微調整した後、モデルは正面カメラのみを使用してゼロショットナビゲーションを実行する四足ロボットを動かした。他のセンサーもなく、テスト環境への事前の露出もなかった。
「ロボットが実際に正面カメラだけで、他のセンサーなしで、動的オブジェクトが導入され人が歩き回るオフィスでゼロショットを達成できたことは、私たちにとって非常に大きな驚きでした」とde Witte氏は述べた。「これは将来への兆しだと思います。」
ビジネスモデル
General Intuitionはロボットを製造しない。物理AI向けのファウンデーションモデルプロバイダーになることを目指している。自動運転車、倉庫ロボット、人型プラットフォームを問わず、ロボット工学企業が自社のマシン向けに微調整するベースレイヤーである。
「私たちは自動運転車会社を立ち上げるつもりはありません」とde Witte氏は述べた。「次の人が自動運転車会社を立ち上げるのを10倍容易にするつもりです。」
このアプローチは、2022年から2023年にかけてAIを再形成したシフトを反映している。特定のタスクごとにトレーニングされた何千もの狭いモデルの代わりに、単一の汎用モデルがすべての下流アプリケーションの出発点として機能する。General Intuitionは、同じパターンが物理世界でも繰り返されると賭けている。
雅子 訳
出典：TechCrunch（7月8日）