General Intuition、アクションラベル付き動画に大きく賭ける
General IntuitionはシリーズAで3億2000万ドルを調達した。同社によると、この資金は、仮想環境と物理環境の両方で知覚し、予測し、行動できるAIシステムの構築に役立つという。今回の資金調達により、ニューヨーク拠点の同社の評価額は23億ドルとなり、10月に調達した1億3400万ドルを含めた総調達額は4億5400万ドルに達した。
この見出しの数字自体も注目に値するが、同社の提案でより興味深いのは、その背後にあるデータ戦略だ。General Intuitionは、モデルを主に書かれたテキスト、従来型のロボティクスデータセット、あるいは合成シミュレーション出力で訓練しているのではなく、CEOのPim de Witteが共同創業したゲームプラットフォームMedalにアップロードされた数十億本のゲームプレイ映像で訓練していると述べている。
これらの映像は、画面上で何が起きたかを示すだけではない。同社によれば、プレイヤーがどのボタンをいつ押したかを記録する埋め込みアクションラベルが含まれている。つまり、このデータセットは、視覚的な文脈と特定の人間の行動を時間軸で結び付けている。環境を解釈し、次に何をするべきかを選ぶ必要があるシステムを訓練しようとする企業にとって、この組み合わせは中核的だ。
このデータセットが際立つ理由
現在のAI業界の多くは、いまだに言語を中心に組織されている。大規模基盤モデルは膨大な書き言葉のコーパスで構築されてきており、多くのシステムはその手法を画像、音声、コードへと拡張している。General Intuitionは、このパラダイムでは同社が「physical AI」と呼ぶものには不十分だと主張している。
同社の見解では、テキストによる説明だけでは、世界と相互作用する機械に必要な、現実に根ざした行動志向の学習は提供できない。彼らの枠組みでは、知能とは単に現実を記述することではなく、状況を知覚し、行動を決め、その結果を体験することだ。ゲームプレイ映像は、特にアクションのメタデータと組み合わさることで、その循環をさまざまな場面で繰り返し示す例を提供する。
この主張が重要なのは、ロボティクスと具身AIにおける長年のギャップを示しているからだ。現実世界のロボット訓練データは高価で収集に時間がかかる。高品質なシミュレーションは助けになるが、有用な多様性を持つ合成環境を作ること自体が大仕事だ。General Intuitionは、人間が変化する目標のもとで複雑な環境を進む様子をすでに捉えているデータセットを活用することで、このボトルネックを回避しようとしている。
提供された資料は、ゲーム映像が現実世界のロボティクスデータの直接的な代替であるとは主張していないし、その区別は重要だ。仮想の行動軌跡は、物理システムにおける接触力学、センサー雑音、あるいはデプロイ時の信頼性を自動的に解決するわけではない。しかし同社の仮説は、それらが、特に事前学習の段階で、知覚、予測、意思決定のための大規模な事前分布を与えられるということだ。
言葉から世界へ
General Intuitionの技術に関する説明は、異例なほど明確だ。同社は、真に知的な機械は“from words to worlds”へ移行し、現実に対する「general intuition」を獲得しなければならないと言う。実際には、これは、場面をラベル付けしたりプロンプトに答えたりするだけでなく、行動が取られたときに環境がどう変化するかを予測するモデルを開発することを意味する。
この目標を支えるために、同社は2015年の創業以来、2つの主要なモデル群を開発してきたという。1つ目は、どの行動を取るかを決めるaction models。2つ目は、その行動の結果を予測するworld modelsだ。この区別は、先端AI研究において、選択するシステムと結果をシミュレートするシステムの分化が進んでいることを反映している。
同社はまた、world modelsをagentic modelsの学習環境として試しているという。もしこのアプローチが機能すれば、学習済みの環境モデルが意思決定システムの訓練機会を生み出し、高価な現実世界データ収集への依存を減らすフィードバックループを作り出せる可能性がある。提供文にはベンチマークや外部検証は示されていないが、その概念は、具身AIをよりサンプル効率の高いものにしようとする業界全体の取り組みと一致している。
投資家はこのアプローチを積極的に支持
今回の資金調達自体が、投資家が同社の前提を単なるニッチな実験以上のものと見ていることを示している。General Catalystがラウンドを主導し、Jeff Bezosと元Google CEOのEric Schmidtが参加した。調達額の大きさは、資本市場が引き続き具身AIへの野心的な賭けに資金を提供する意思があることを示している。特に、そうした賭けが差別化されたデータソースと広いプラットフォームの物語を組み合わせている場合はなおさらだ。
General Intuitionは、新たな資金を使って計算資源を拡大し、次世代モデルの事前学習を進めるという。これらは高コストな工程だが、現在のフロンティアAI開発の経済性には合っている。独自のデータは最初の優位を生むかもしれないが、その優位を有用なモデルへ変えるには、依然として大規模なインフラ、エンジニアリング、反復が必要だ。
同社はさらに、今夏にAPIをより広く公開する計画だという。提供された原文によれば、この点は重要だ。なぜならGeneral Intuitionが研究の物語にとどまらず、他者がその上に構築できるインフラ層になろうとしていることを示しているからだ。対象はロボティクスかもしれないし、シミュレーション環境内のエージェントかもしれないし、その両方をつなぐシステムかもしれない。
ロボティクスと具身AIへの意味
この発表のより大きな意義は戦略面にある。ロボティクス開発者は長年、現実世界の振る舞いの複雑さと、拡張可能な訓練データの不足との不一致に苦しんできた。General Intuitionの答えは、人間のゲームプレイを橋渡しに使うことだ。ロボティクス産業の外で収集された、しかし潜在的には有用な、知覚と行動の膨大な例のアーカイブである。
もしこれが機能すれば、具身AI企業が利用できるデータパイプラインの選択肢を広げることになる。高価な現実世界の収集と完全に合成された環境の二択ではなく、開発者は、仮想環境で自然に発生する人間の相互作用データを活用するハイブリッドなアプローチにますます依存するようになるかもしれない。
提供材料では答えられていない未解決の問題も残る。ゲーム由来のモデルが物理ロボットへどれだけうまく転移するのか、どの分野が最も恩恵を受けるのか、従来型の手法と比べてどう性能を評価するのか、といった点だ。しかし、そうした疑問をすべてすぐに解決しなくても、市場に影響を与えることはできる。3億2000万ドルのシリーズAはそれ自体が、AI競争の次の段階は、最も多くのテキストを持つ者ではなく、最も豊かな行動基盤データを持つ者によって定義されるだろうという投資家の信念を示している。
現時点で、General Intuitionは3つの明確な事実を示している。大規模な新ラウンドを調達したこと、埋め込みアクションラベル付きの数十億本のゲームプレイ映像で訓練していること、そしてそのデータを使って、仮想環境と物理環境の両方で知覚し、予測し、行動するモデルを追求していることだ。より高性能な機械をスケーラブルに訓練する方法を探す業界において、それだけで同社を今もっとも注目される具身AI企業の一つにするには十分だ。
この記事は The Robot Report の報道に基づいています。元記事を読む。
Originally published on therobotreport.com