מוחות חכמים יותר לרובוטים: הפער מול היכולות הפיזיות עדיין רחב

תעשיית ה"AI הפיזי" - יישום הכלים שהולידו את מודלי השפה הגדולים (LLM) בתחום הרובוטיקה - נחשבת לאחד הסקטורים החמים ביותר בהשקעות הון סיכון, עם גיוסי הון של מיליארדי דולרים לחברות בתחום. אבל השבוע התברר עד כמה הפער בין היכולות הפיזיות של הרובוטים לבין התוכנה שמנחה אותם עדיין רחב: יוניטרי (Unitree), יצרנית הרובוטים הסינית המובילה, איבדה כמעט מחצית משוויה בבורסה הסינית המקבילה לנאסד"ק, ימים ספורים אחרי הנפקה ששיווה לה 66 מיליארד דולר, כך דיווח TechCrunch. אנליסטים מצביעים על בעיה מוכרת בתעשייה: היכולות הפיזיות של הרובוטים משתפרות, אך הם עדיין חסרים את היכולת לבצע עבודה שיוצרת ערך כלכלי בפועל.

הפער הזה עמד במרכז כנס Actuate, מפגש מפתחים שבונים "מוחות" AI לרובוטים, שהתקיים בשבוע שעבר. הכנס שילש את גודלו מאז שהושק ב-2023 ומנה כ-1,500 משתתפים, לפי המארגנת שלו, Foxglove - חברה שמסייעת למפתחי מודלים לנהל ולהמחיש את נתוני האימון שלהם. אחד הדוכנים בכנס, של חברת Avala, הבטיח לפתור את "משבר הנתונים של הרובוטיקה" - המחסור בנתוני אימון איכותיים. ניסיונות לבנות רובוטים כלליים שמסוגלים לבצע כל משימה עדיין רחוקים, ולמידה מקצה לקצה (end-to-end) עדיין לא הניבה מוצרים עם ביצועים מסחריים אמינים. הארי מלסופ, ממייסדי אנטיוק (Antioch), סטארט-אפ שבונה כלי סימולציה, תיאר את מצב ה-AI הפיזי כ"עידן GPT-2" - בהתייחסות למודל של OpenAI שקדם להשקת ChatGPT. לדבריו, נדרשים עוד נתונים וכוח מחשוב, ובפרט מעבדי GPU המותאמים ל-ray tracing לסימולציות ברמת דיוק גבוהה.

לפי הכתבה, התחום המתקדם ביותר הוא הרכב האוטונומי - הן בזכות היכולת לאסוף נתונים מרכבים שנוהגים בני אדם, והן משום שהמשימה המרכזית שם היא הימנעות ממגע ולא מניפולציה של הסביבה הפיזית. חלק ניכר מכלי הפיתוח בתחום ה-AI הפיזי מגיע מחברות רכב אוטונומי; Foxglove עצמה הוקמה בידי עובדים לשעבר של קרוז (Cruise), מיזם הרכב האוטונומי שנטש ג'נרל מוטורס. כעת, חברות הרכב מהמרות שההשקעה שלהן בכלי למידת מכונה תאפשר להן להתחרות ביצרניות רובוטי אנוש ייעודיות: טסלה כבר עושה זאת עם רובוט האופטימוס שלה, ועתה גם וייב (Wayve), חברת רכב אוטונומי, ואובר (Uber) השיקו מעבדות רובוטיקה שמתמקדות ברובוטים הומנואידים כמאמץ מו"פ.

אלכס קנדל, מנכ"ל וייב, אמר ל-TechCrunch: "אני חושב שצריך להתחיל ברכבים... רובוטיקת מניפולציה דומה למה שהייתה הנהיגה האוטונומית לפני חמש שנים". לדבריו, תשתית הנתונים, הסימולציה ותשתית ה-MLOps צפויות להיות משותפות, אך מודל העולם הספציפי בסימולטור ידרוש אימון נוסף (post-training) שונה בהתאם לגוף הפיזי של הרובוט. קנדל טוען שמוקדם מדי להתחייב לפלטפורמת חומרה אחת, שכן חיישנים ורכיבים אחרים מתקדמים במהירות. תאופיל ז'רווה, מנכ"ל ג'נסיס איי איי (Genesis AI) - חברת רובוטיקה הומנואידית משולבת אנכית שגייסה סבב זרע של 105 מיליון דולר השנה - חלק על כך, ואמר: "אנחנו מוקדם מדי בגל הזה כדי שאסטרטגיית 'מוח' בלבד תעבוד; יש הרבה הזדמנויות לעצב יחד חומרה ובינה מלאכותית".

בינתיים, החברות שמתמקדות במשימות ספציפיות הן אלה שמצליחות להוציא רובוטים לשטח בפועל: גריט (Gritt) בונה חוות סולאריות, אג'יליטי (Agility) פורסת רובוטים בסביבות תעשייתיות, ובדרוק (Bedrock) מפעילה מחפרים באופן אוטונומי - בעוד רובוטים הומנואידים כלליים עדיין מתקשים לצאת מסביבת המעבדה. ככל הנראה, המשמעות היא שההצלחה המסחרית הקרובה בתחום תגיע דווקא מפתרונות ממוקדי-משימה, ולא מהחזון הרחוק יותר של רובוט כללי שיודע לעשות הכול.