האם גלי מוח הם המפתח הבא ל-AI פיזי?
Encord ואחרים מהמרים שהגבול הבא באימון רובוטים אינו מודלים טובים יותר — אלא נתונים טובים יותר. ממשקי מוח-מחשב יכולים לספק ל-AI פיזי אותות אימון עצביים.
צוואר הבקבוק של הנתונים ב-AI פיזי
AI פיזי — הטכנולוגיה שמניעה רובוטים הומנואידים, מערכות אוטונומיות במחסנים ורכבים ללא נהג — מתמודד עם אתגר שונה מהותית מזה שמודלי שפה גדולים (LLM) פתרו לפני שנים. מודלי LLM יכלו להתאמן על המרחב העצום של האינטרנט: טריליוני מילים מספרים, מאמרים, מאגרי קוד ורשתות חברתיות. ל-AI פיזי אין מאגר כזה. הוא זקוק לנתוני אינטראקציה אמיתיים, מגולמים ורב-מודאליים — כאלה שיקרים, גוזלים זמן וקשים פיזית לאיסוף.
רובוט הלומד לקפל כביסה, לנווט במחסן עמוס או לסייע למנתח דורש אלפי שעות של נתוני הדגמה שצולמו מזוויות מרובות, עם הערות צפופות לאורך זמן ומרחב. זו אינה בעיה שניתן לפתור בעזרת כוח חישוב רב יותר או ארכיטקטורה טובה יותר בלבד. צוואר הבקבוק הוא נתונים — נתונים פיזיים, מושרשים במציאות, הלוכדים כיצד בני אדם מתקשרים עם הסביבה שלהם.
Encord: בונים את מפעל הנתונים ל-AI פיזי
Encord, סטארטאפ לונדוני, בנה את העסק שלו בדיוק סביב אתגר זה. החברה מספקת פלטפורמה להערות ולניהול מערכי הנתונים הרב-מודאליים המורכבים שמודלי AI פיזי דורשים. בניגוד לכלי תיוג נתונים מסורתיים המיועדים לתמונות סטטיות או טקסט של משפט בודד, הפלטפורמה של Encord מטפלת בזרמי וידאו מזוויות מצלמה מרובות, ענני נקודות תלת-ממדיים, נת�י מיזוג חיישנים והערות צפופות בזמן העוקבות אחר אובייקטים ופעולות לאורך זמן.
החברה מיצבה את עצמה כעמוד השדרה הנתוני של מהפכת ה-AI הפיזי. הלקוחות של Encord כוללים חברות רובוטיקה המפתחות רובוטים הומנואידים, צוותי רכב אוטונומי, סטארטאפים לרובוטיקה רפואית וחברות אוטומציה תעשייתית. הצעת הערך ברורה: במקום שכל חברה תבנה תשתית נתונים משלה מאפס, Encord מספקת את הכלים המיוחדים הדרושים לייצור נתוני האימון ש-AI פיזי משתוקק להם.
ממשקי מוח-מחשב: מקור נתונים חדש
הפיתוח המסקרן ביותר במפת הדרכים של Encord — ובמערכת האקולוגית הרחבה יותר של נתוני AI פיזי — הוא שילוב נתונים מממשקי מוח-מחשב (BCI). הרעיון פשוט להטעיה: אם נוכל להקליט את האותות העצביים שנוצרים על ידי אדם המבצע משימה פיזית, ולתרגם את האותות האלה לנתוני אימון לרובוט, נוכל להאיץ דרמטית את תהליך הלמידה של AI פיזי.
כאשר אדם מקפל חולצה, המוח שלו מייצר זרם עשיר של אותות תכנון מוטורי, נתוני מודעות מרחבית, עיבוד משוב מישוש והתאמות מתקנות. האותות העצביים האלה מכילים את תמצית האינטליגנציה הפיזית — הידע הסמוי של כיצד לתמרן אובייקטים, לשמור על שיווי משקל, להפעיל כוח ולהסתגל לתנאים בלתי צפויים. אם BCI יוכלו ללכוד פעילות עצבית זו ולהמיר אותה לאותות אימון מובנים, רובוטים יוכלו ללמוד מהאינטליגנציה הטבעית של המוח במקום לדרוש מיליוני הדגמות עם הערות ידניות.
כיצד פועלים אותות אימון עצביים
הצינור הטכני לאותות אימון עצביים כולל מספר שלבים. ראשית, BCI לא-פולשניים או פולשניים מזערית מקליטים פעילות מוחית מקליפת המוח המוטורית, קליפת המוח הסומטוסנסורית ואזורים אחרים המעורבים בביצוע משימות פיזיות. נתונים עצביים אלה מעובדים לאחר מכן כדי לחלץ דפוסים משמעותיים — זיהוי אילו רצפי ירי עצביים תואמים לתנועות ספציפיות, להפעלות כוח או להתאמות.
הדפוסים שחולצו ממופים לאחר מכן לאותות שליטה רובוטיים באמצעות גשר למידת מכונה. הרובוט לומד לשייך דפוסי הפעלה עצביים ספציפיים לפעולות תואמות. לאורך זמן, המערכת מכלילה מעבר להדגמות הספציפיות: רובוט שלמד מנתונים עצביים כיצד לאחוז בספל יכול ליישם ידע זה לאחיזה בכלים, באובייקטים בצורות שונות או בפריטים בתנאי תאורה משתנים.
ניסויים מוקדמים הראו תוצאות מבטיחות. חוקרים הדגימו שאותות עצביים שהוקלטו במהלך משימות מניפולציה פשוטות — הרמת חפצים, סיבוב ידיות, פתיחת דלתות — יכולים לשמש לאימון זרועות רובוטיות לבצע את אותן פעולות בנאמנות מדהימה. האתגר כעת הוא הרחבה של גישה זו למשימות פיזיות מורכבות ורבות-שלבים בסביבות לא מובנות.
למה זה חשוב לתעשיית הרובוטיקה
ההשלכות של נתוני אימון שנוצרו על ידי BCI עבור AI פיזי הן עמוקות. כיום, אימון רובוט הומנואידי יחיד למשימה מורכבת יכול לדרוש שבועות של איסוף נתונים עם מערכי מצלמה מרובים ומעירי נתונים אנושיים. אם נתוני BCI יוכלו לצמצם זאת לימים או שעות, הכלכלה של אימון רובוטים תשתנה לחלוטין.
עבור חברות מחסנים ולוגיסטיקה הפורסות מערכות אוטונומיות, מחזורי אימון מהירים יותר משמעם פריסה מהירה יותר, עלויות נמוכות יותר ויכולת להתאים רובוטים למשימות חדשות ללא המתנה של חודשים למערכי נתונים חדשים. עבור יצרני רובוטים הומנואידים, משמעות הדבר היא אפשרות לאימון רובוטים לשימוש כללי שיכולים ללמוד מיומנויות חדשות כמעט באותה מהירות שבה בני אדם לומדים.
סטארטאפים כמו Encord מהמרים שחברות שישלטו בצינור נתוני ה-AI הפיזי ילכדו ערך משמעותי במהפכת הרובוטיקה — בדיוק כפי שחברות ששלטו בנתוני האימון עבור LLM לכדו ערך בבום ה-AI הגנרטיבי. ממשקי מוח-מחשב עשויים להיות המפתח שפותח את גבול הנתונים החדש הזה.
אתגרים ושאלות פתוחות
למרות ההבטחה, נותרו אתגרים משמעותיים. טכנולוגיית BCI עצמה עדיין מתפתחת: אוזניות לא-פולשניות מציעות איכות אות נמוכה יותר, בעוד שתלים פולשניים מעוררים חששות רפואיים ואתיים. תרגום אותות עצביים לנתוני אימון רובוטיים דורש גם פתרון בעיות מורכבות של עיבוד אותות ולמידת מכונה. הקוד העצבי לפעולות פיזיות אינו מובן במלואו, ואנשים שונים מייצרים דפוסים עצביים שונים לאותה משימה.
ישנן גם שאלות לגבי יכולת הרחבה. האם נתוני BCI שנאספו מאדם אחד יכולים להיות מוכללים לרובוטים מתוצרת יצרנים שונים? כיצד נבטיח שנתוני האימון העצביים עמידים בפני רעש, חפצים ושונות אינדיבידואלית? ומהן ההשלכות הפרטיות של הקלטה ואחסון נתוני פעילות עצבית, אפילו למטרות אימון?
אלה הם תחומי מחקר פעילים, אבל הכיוון ברור. AI פיזי זקוק לנתונים ששיטות מסורתיות אינן יכולות לספק בקלות. גלי מוח — הסימפוניה החשמלית של האינטליגנציה הפיזית האנושית — עשויים להציע דרך קדימה שתשנה את האופן שבו רובוטים לומדים.