Xiaomi Robotics-1: יותר נתונים מנצחים מודלים גדולים יותר — איך שיאומי משנה את אימון הרובוטים
Xiaomi Robotics-1 מוכיח שהגדלת נתוני האימון — לא פרמטרי המודל — היא המפתח לביצועי רובוטים. המודל, שאומן על למעלה מ-100,000 שעות של נתוני תנועה, שיפר את שיעור ההצלחה מ-25% ל-75% בסביבות לא מוכרות.
בעיית הנתונים בבינה מלאכותית רובוטית
למודלי שפה גדולים (LLMs) יש גישה קלה לנתונים — הם מתאמנים על טריליוני מילים מהאינטרנט הציבורי: מאמרים, ספרים, פורומים, קוד. בינה מלאכותית רובוטית מתמודדת עם מציאות שונה לחלוטין. נתונים שימושיים על תנועת רובוטים — איך לתפוס, להרים, לסובב ולהניח עצמים — הם נדירים ויקרים להפקה. הגישה המסורתית דורשת שבן אדם יפעיל מרחוק רובוט פיזי דרך כל תנועה — תהליך איטי ויקר שמייצר לעיתים קרובות נתונים חוזרים מאותן משימות באותם תנאים.
המודל החדש של שיאומי, Xiaomi-Robotics-1, נועד לשבור את צוואר הבקבוק הזה. המודל עוקב אחר פרדיגמת קנה מידה הדומה למודלי שפה גדולים: הביצועים שלו משתפרים ככל שהוא מתאמן על יותר נתונים. אבל בניגוד ל-LLMs, שיכולים לשאוב מכל האינטרנט הכתוב, שיאומי נאלצה לבנות מערך נתונים משלה מאפס — והדרך שבה עשו זאת היא אולי החלק המעניין ביותר במחקר.
אחיזה ידנית מחליפה רובוטים יקרים
כדי לעקוף את צוואר הבקבוק של איסוף נתונים, שיאומי ויתרה במידה רבה על רובוטים פיזיים בשלב איסוף הנתונים. במקום זאת, הצוות פיתח מתקני אחיזה ידניים ניידים המצוידים במצלמות — מכשיר פשוט שאדם לוקח ביד ומפעיל ידנית. הגדרה זו מאפשרת הקלטת משימות מניפולציה במטבחים, משרדים, חנויות, רצפות מפעל ומרחבים חיצוניים ללא נוכחות רובוט כלל.
התוצאה הייתה למעלה מ-100,000 שעות של הקלטות תנועה בלמעלה מ-1,700 סביבות שונות — קנה מידה חסר תקדים לנתוני אימון רובוטים. היקף כזה יוצר אתגר משלו: כל הקלטה זקוקה לתיאור טקסטואלי שהמודל יכול ללמוד ממנו. תיוג ידני לא היה מעשי, ולכן שיאומי השתמשה במודל AI אחר כדי לתאר כל קטע תנועה בטקסט. הצוות מדווח שכל מערך הנתונים תויג תוך כשבועיים.
לגישה זו חשיבות מעבר למעבדות שיאומי. עבור מדינות ואזורים שבהם מחקר רובוטיקה עדיין בחיתוליו — כולל ישראל והמזרח התיכון הרחב — היכולת לאסוף נתוני אימון איכותיים בעזרת כלים ניידים זולים מורידה באופן דרמטי את חסם הכניסה. קבוצות מחקר כבר לא צריכות ציי רובוטים בשווי מיליונים כדי לתרום תרומה משמעותית לפיתוח AI רובוטי.
למה יותר נתונים חשובים יותר מגודל המודל
הממצא המרכזי של מחקר Xiaomi-Robotics-1 ברור ומשמעותי: בעוד שהגדלת גודל המודל משפרת ביצועים, הוספת נתוני אימון נוספים מניבה רווחים גדולים בהרבה מהוספת כוח חישובי. החוקרים קובעים חד משמעית שהתקדמות ב-AI רובוטי תלויה בעיקר באיסוף מערכי נתונים גדולים ומגוונים יותר.
ממצא זה מתיישר עם מה שהחוקרים הדגימו עבור נתונים חזותיים בתחילת מרץ 2026. עבור מודלי שפה, חוק קנה המידה הקובע קובע שגודל המודל ונפח הנתונים צריכים לגדול בערך באותו קצב כדי לעשות שימוש אופטימלי בתקציב חישובי קבוע. האיזון הזה משתנה כאשר מודל חייב לעבד תמונות במקום טקסט בלבד — בתחומים חזותיים-שפתיים, הוספת נתונים עוזרת הרבה יותר מהגדלת גודל המודל. שיאומי מרחיבה עיקרון זה לתחום הרובוטיקה.
התוצאות עם רובוטים פיזיים מרשימות. ככל ששיאומי הגדילה את כמות נתוני האימון, שיעור ההצלחה של המודל בסביבות לא מוכרות עלה מכ-25% ל-75%. החוקרים מציינים שהם עדיין לא הגיעו לנקודה שבה יותר נתונים מפסיקים לשפר ביצועים — עקומת קנה המידה אינה מראה סימני מישור. זה מראה שהפוטנציאל לשיפור מונע-נתונים ב-AI רובוטי נותר עצום ולמעשה לא מנוצל.
במדדי ביצוע סטנדרטיים של AI רובוטי, Xiaomi-Robotics-1 רשם את התוצאות הטובות ביותר עד כה. בלוח המובילים של RoboCasa365, הוא מוביל בפער ניכר, במיוחד במשימות מורכבות שלא נראו מעולם. במדד RoboDojo, הוא קיבל ציון גבוה בכ-58% מהמקום השני, אם כי שיעורי ההצלחה המוחלטים נותרו צנועים.
התאמה למשימות חדשות עם מינימום נתונים
הערך האמיתי של מודל יסוד טמון ביכולתו להסתגל במהירות למשימות חדשות. שיאומי בדקה את Xiaomi-Robotics-1 על ארבע משימות שלא נראו קודם: אריזת טלפון, העמסת כביסה למכונת כביסה, הזנת נייר למדפסת ואריזת פריטים בקופסה.
עם פחות מעשר שעות של נתוני אימון לכל משימה, המודל השיג שיעור הצלחה ממוצע של 75%. לשם השוואה, מודל מתחרה מ-Physical Intelligence הצליח רק 40% באותו מדד. שיאומי מדווחת שהמודל שלה ביצע ביצועים טובים במיוחד עם חומרים רכים ומעוותים כמו נייר ובמשימות הדורשות תנועה ברחבי החדר — בדיוק סוגי האתגרים שהיו קשים היסטורית למערכות רובוטיות נוקשות ומתוסרטות.
יכולת הסתגלות מהירה זו רלוונטית במיוחד לתרחישי פריסה מעשיים. ביישומים בעולם האמיתי — בין אם במחסן ישראלי, במפעל או במלון — רובוטים יצטרכו ללמוד משימות חדשות במהירות עם מינימום נתוני הדגמה. הביצועים של Xiaomi-Robotics-1 מראים שהחזון הזה הופך להיות בר-השגה יותר ויותר.
נוף מחקרי ה-AI הרובוטי
הגישה של שיאומי היא אחת מכמה אסטרטגיות מתחרות בנוף המתפתח במהירות של AI רובוטי. סקר מאי של World Action Models, שסקר כ-100 מחקרים, מצא שנתוני טלאופרציה — הגישה המסורתית — מדויקים אך יקרים ומוגבלים למספר מצומצם של סביבות. מתקני האחיזה הידניים של שיאומי מתייחסים ישירות למגבלות אלו.
Nvidia, אוניברסיטת קרנגי מלון ו-UC Berkeley נקטו בדרך אחרת עם פרויקט ENPIRE, תוך שימוש בסוכני AI כדי ללמד באופן אוטונומי צי של שמונה רובוטים כיצד לתפוס עצמים. Nvidia גם חוקרת יצירת נתוני אימון סינתטיים, במטרה להפוך את בעיית הנתונים ברובוטיקה לבעיה חישובית.
מכון המחקר הסיני BAAI חוקר כיוון נוסף. מודל העולם Orca שלהם לומד מ-125,000 שעות וידאו ללא תוויות פעולה ועדיין משווה למודל pi0.5 המתמחה בחמש משימות מניפולציה. במקום שבו שיאומי הופכת את התיוג לאוטומטי ומיישמת אותו בקנה מידה, Orca מנסה לבטל תוויות לחלוטין — גישה רדיקלית יותר שעשויה להתגלות כבעלת ערך אם תגדל בקנה מידה.
מה זה אומר לישראל ולמערכות טכנולוגיות מתפתחות
עבור ישראל וקהילת ההייטק הרחבה יותר, למחקר של שיאומי יש מספר השלכות חשובות. ראשית, דמוקרטיזציה של איסוף נתונים — שימוש בכלים ידניים פשוטים במקום רובוטים יקרים — מאפשרת לצוותים קטנים יותר ולסטארטאפים להשתתף בפיתוח AI רובוטי. צוותים ישראליים יכולים תיאורטית לאסוף נתוני מניפולציה בתנאים מקומיים, לתרום למערכי נתונים גלובליים או לבנות מודלים מתמחים ליישומים מקומיים.
שנית, הממצא ש"נתונים גוברים על חישוב" מעודד עבור מערכות אקולוגיות עם גישה מוגבלת למקבצי GPU עצומים. אם איכות וכמות נתונים יכולות לפצות חלקית על אילוצים חישוביים, צוותים במרכזי טכנולוגיה מתפתחים יכולים להתחרות על בסיס חדשנות ולא הוצאות תשתית.
שלישית, המחויבות של שיאומי לקוד פתוח — המודל והקוד ישוחררו ב-GitHub וב-Hugging Face — מעניקה גישה מיידית לחוקרים ולמפתחים ברחבי העולם. אוניברסיטאות ישראליות, מעבדות AI ומפתחים עצמאיים יכולים להתנסות במודלים אלה, לבנות עליהם ולתרום שיפורים חזרה לקהילה.
הדרך קדימה
Xiaomi-Robotics-1 מייצג צעד משמעותי קדימה, אך הוא גם מדגיש כמה עוד נותר לעשות. שיעורי הצלחה מוחלטים במדדים, אף שהם מובילים, עדיין נמוכים ממה שנדרש לפריסה מסחרית אמינה בסביבות לא מובנות. חוזקות המודל — טיפול בעצמים מתעוותים, ניווט בחדרים, הסתגלות למשימות חדשות — אמיתיות, אך פערים נותרו.
המחקר גם משתלב בתמונה האסטרטגית הרחבה יותר של שיאומי. כשהחברה הציגה את מודלי MiMo-V2 במרץ, היא הצהירה שסוכני AI אלה יוכלו בסופו של דבר לשלוט ברובוטים. Xiaomi-Robotics-1 הוא חלק מרכזי בחזון הזה — גשר בין סוכני AI בעלי יכולת שפה לבין מערכות רובוטיות פיזיות שיכולות לפעול בעולם האמיתי.
אולי התובנה העמוקה ביותר היא זו: עידן ה-AI הרובוטי אינו עוד בעיקר בעיה הנדסית של בניית מודלים גדולים יותר. זו יותר ויותר בעיית נתונים — של איסוף, תיוג והרחבת נתוני אינטראקציה מגוונים מהעולם האמיתי. שיאומי הראתה שעם יצירתיות באיסוף נתונים ומחויבות לקנה מידה, אפילו האילוצים הפיזיים של רובוטיקה ניתנים לפתרון באמצעות AI מונחה-נתונים. עבור חוקרים, סטארטאפים וקהילות טכנולוגיה ברחבי העולם — כולל ישראל — זה פותח דלת שרבים חשבו שסגורה היטב.