General Intuition ने गेमप्ले डेटासह रोबोट्स प्रशिक्षणासाठी $320 दशलक्ष उभारले

General Intuition अ‍ॅक्शन-लेबल्ड व्हिडिओवर मोठा डाव लावत आहे

General Intuition ने Series A फंडिंगमध्ये $320 दशलक्ष उभारले आहे, ज्यामुळे कंपनीला आभासी आणि भौतिक वातावरणांमध्ये जाणू, अंदाज लावू, आणि कृती करू शकणारी AI प्रणाली तयार करण्यात मदत होईल, असे कंपनी सांगते. या निधीमुळे न्यूयॉर्क-आधारित कंपनीचे मूल्यांकन $2.3 अब्ज होते आणि ऑक्टोबरमध्ये उभारलेल्या $134 दशलक्षनंतर एकूण फंडिंग $454 दशलक्षांपर्यंत वाढते.

ती मथळ्याची रक्कम स्वतःमध्ये लक्षवेधी आहे, पण कंपनीच्या मांडणीतील अधिक रंजक भाग म्हणजे त्यामागील डेटा धोरण. General Intuition सांगते की ती आपली मॉडेल्स प्रामुख्याने लिखित मजकूर, पारंपरिक रोबोटिक्स डेटासेट्स, किंवा सिंथेटिक सिम्युलेशन आउटपुटवर नव्हे, तर CEO Pim de Witte यांनी सह-स्थापित केलेल्या Medal या गेमिंग प्लॅटफॉर्मवर अपलोड होणाऱ्या अब्जावधी गेमप्ले क्लिप्सवर प्रशिक्षित करत आहे.

त्या क्लिप्स केवळ स्क्रीनवर काय घडले ते दाखवत नाहीत. कंपनीनुसार, त्यात एम्बेडेड अ‍ॅक्शन लेबल्स असतात, जे कोणत्या वेळी खेळाडूने कोणते बटण दाबले हे नोंदवतात. याचा अर्थ डेटासेट वेळोवेळी दृश्य संदर्भांना विशिष्ट मानवी कृतींशी जोडतो. वातावरणाचे अर्थ लावून पुढे काय करायचे ते निवडणाऱ्या प्रणालींना प्रशिक्षित करू इच्छिणाऱ्या कंपनीसाठी, ही जोडणी केंद्रस्थानी आहे.

डेटासेट वेगळे का ठरते

सध्याचा AI उद्योग मोठ्या प्रमाणावर अजूनही भाषेभोवती संघटित आहे. मोठे foundation models प्रचंड प्रमाणातील लिखित शब्दांवर तयार झाले आहेत, आणि अनेक प्रणाली हा दृष्टिकोन प्रतिमा, ऑडिओ किंवा कोडपर्यंत विस्तारतात. General Intuition चे म्हणणे आहे की physical AI साठी हा दृष्टिकोन अपुरा आहे.

कंपनीचे म्हणणे असे आहे की केवळ मजकूर वर्णने जगाशी संवाद साधणाऱ्या यंत्रांना आवश्यक असलेले grounded, action-oriented learning देऊ शकत नाहीत. तिच्या मांडणीनुसार, बुद्धिमत्ता म्हणजे केवळ वास्तवाचे वर्णन नाही, तर परिस्थिती जाणणे, कृती ठरवणे, आणि त्याचे परिणाम अनुभवणे. विशेषतः action metadata सोबत जोडलेले gameplay footage अनेक वातावरणांमध्ये त्या चक्राची वारंवार उदाहरणे देते.

हा युक्तिवाद महत्त्वाचा आहे, कारण तो रोबोटिक्स आणि embodied AI मधील एक कायमस्वरूपी दरी ओळखतो. प्रत्यक्ष जगातील रोबोट प्रशिक्षण डेटा गोळा करणे महाग आणि संथ असते. उच्च-गुणवत्तेची सिम्युलेशन मदत करू शकते, पण उपयुक्त विविधतेसह कृत्रिम वातावरणे तयार करणेही मोठे काम आहे. General Intuition अशा डेटासेटचा उपयोग करून हा bottleneck टाळण्याचा प्रयत्न करत आहे, ज्यात बदलत्या उद्दिष्टांखाली जटिल वातावरणांतून फिरणाऱ्या मानवांचे नोंदी आधीच आहेत.

दिलेल्या स्रोतामध्ये गेम फुटेज हे प्रत्यक्ष जगातील रोबोटिक्स डेटाचे थेट पर्याय असल्याचा दावा केलेला नाही, आणि तो फरक महत्त्वाचा आहे. आभासी action traces भौतिक प्रणालींमधील contact dynamics, sensor noise, किंवा deployment reliability आपोआप सोडवत नाहीत. पण कंपनीचा सिद्धांत असा आहे की ते विशेषतः pretraining दरम्यान perception, prediction, आणि decision-making साठी मोठ्या प्रमाणावर priors देऊ शकतात.

शब्दांपासून जगांकडे

General Intuition आपल्या तंत्रज्ञानाबद्दल ज्या भाषेत बोलते ती असामान्यपणे स्पष्ट आहे. खरोखर बुद्धिमान यंत्रांनी “शब्दांपासून जगांकडे” जावे, म्हणजेच वास्तवाविषयीची सामान्य intuition मिळवावी, असे कंपनी म्हणते. व्यवहारात याचा अर्थ असा की केवळ दृश्यांना लेबल करणे किंवा prompt ला उत्तर देणे एवढेच नव्हे, तर कृती केल्यावर वातावरण कसे बदलते याचा अंदाज आधीच घेणारी मॉडेल्स विकसित करणे.

त्या महत्त्वाकांक्षेला पाठिंबा देण्यासाठी, 2015 मध्ये स्थापन झाल्यापासून दोन प्रमुख मॉडेल वर्ग विकसित करत असल्याचे कंपनी सांगते. पहिला म्हणजे action models, जे कोणती कृती करायची ते ठरवतात. दुसरा म्हणजे world models, जे त्या कृतींचे परिणाम भाकीत करतात. ही विभागणी advanced AI संशोधनातील निवड करणाऱ्या प्रणाली आणि परिणाम सिम्युलेट करणाऱ्या प्रणाली यांच्यातील वाढत्या फरकाचे प्रतिबिंब आहे.

agentic models साठी training environments म्हणून world models ची चाचणीही घेत असल्याचे कंपनी सांगते. हा दृष्टिकोन यशस्वी झाला, तर शिकलेली environment models निर्णय घेणाऱ्या प्रणालींसाठी प्रशिक्षण संधी निर्माण करणारा feedback loop तयार करू शकतील, आणि त्यामुळे खर्चिक प्रत्यक्ष जगातील डेटा संकलनावरचे अवलंबित्व कमी होईल. दिलेल्या मजकुरात benchmarks किंवा बाह्य पडताळणी नाही, पण ही संकल्पना embodied AI अधिक sample-efficient बनवण्यासाठीच्या व्यापक उद्योग प्रयत्नांशी सुसंगत आहे.

गुंतवणूकदार आक्रमक पाठिंबा देत आहेत

या निधीमुळेच गुंतवणूकदार कंपनीच्या प्रस्तावाकडे केवळ niche प्रयोग म्हणून पाहत नाहीत, हे सूचित होते. General Catalyst ने या फेरीचे नेतृत्व केले, आणि Jeff Bezos तसेच माजी Google CEO Eric Schmidt यांनी सहभाग घेतला. उभारणीचा आकार दर्शवतो की capital markets अजूनही महत्त्वाकांक्षी embodied-AI bet ला निधी देण्यास तयार आहेत, विशेषतः जेव्हा ते वेगळ्या डेटा स्रोताला व्यापक platform कथेशी जोडतात.

नवीन निधी compute capacity वाढवण्यासाठी आणि आपल्या मॉडेलची पुढील आवृत्ती pretrain करण्यासाठी वापरणार असल्याचे General Intuition सांगते. ही पावले खर्चिक असली तरी frontier AI विकासाच्या सध्याच्या अर्थकारणाशी जुळतात. अनन्य डेटा सुरुवातीची आघाडी देऊ शकतो, पण त्या आघाडीचे उपयुक्त मॉडेल्समध्ये रूपांतर करण्यासाठी मोठ्या infrastructure, engineering, आणि iteration ची गरज असते.

दिलेल्या स्रोत मजकुरानुसार, कंपनी या उन्हाळ्यात आपला API अधिक व्यापकपणे उपलब्ध करून देण्याचाही विचार करत आहे. हा तपशील महत्त्वाचा आहे, कारण General Intuition स्वतःला केवळ संशोधन कथनापुरते मर्यादित करत नाही, हे तो सूचित करतो. ती अशी infrastructure layer बनण्याचा प्रयत्न करत आहे ज्यावर इतर जण robotics, simulated environments मधील agents, किंवा दोन्हीना जोडणाऱ्या systems साठी उभारणी करू शकतील.

रोबोटिक्स आणि embodied AI साठी याचा अर्थ

या घोषणेचे मोठे महत्त्व धोरणात्मक आहे. प्रत्यक्ष जगातील वर्तनाची गुंतागुंत आणि scalable training data च्या कमतरतेतील विसंगतीशी रोबोटिक्स विकसक अनेक वर्षांपासून झुंज देत आहेत. General Intuition चे उत्तर म्हणजे human gameplay ला एक पूल म्हणून वापरणे: रोबोटिक्स उद्योगाबाहेर गोळा केलेला परंतु त्यासाठी उपयुक्त ठरू शकणाऱ्या perception-action उदाहरणांचा प्रचंड संग्रह.

जर ते यशस्वी झाले, तर embodied-AI कंपन्यांसाठी उपलब्ध data pipelines ची व्याप्ती वाढू शकते. खर्चिक प्रत्यक्ष-जगातील संकलन आणि पूर्णपणे कृत्रिम वातावरणे यांच्यात निवड करण्याऐवजी, विकसक अधिकाधिक अशा hybrid approaches वर अवलंबून राहू शकतील, जे आभासी सेटिंग्जमधील नैसर्गिक मानवी परस्परसंवाद डेटा वापरतात.

दिलेल्या साहित्यामध्ये काही उघडे प्रश्न अद्याप अनुत्तरित आहेत, ज्यात gameplay-उत्पन्न मॉडेल्स भौतिक रोबोट्समध्ये किती चांगले हस्तांतरित होतात, कोणते domains सर्वाधिक लाभतात, आणि पारंपरिक दृष्टिकोनांशी तुलना करता performance कसे मोजले जाते हे समाविष्ट आहे. पण बाजारावर प्रभाव टाकण्यासाठी कंपनीला हे सर्व लगेच सोडवण्याची गरज नाही. $320 दशलक्ष Series A हीच एक खूण आहे की AI स्पर्धेचा पुढचा टप्पा कोणाकडे सर्वाधिक मजकूर आहे यापेक्षा कोणाकडे सर्वात समृद्ध action-grounded data आहे यावर ठरू शकतो, असे गुंतवणूकदार मानतात.

सध्या, General Intuition ने तीन स्पष्ट गोष्टी स्थापित केल्या आहेत. तिने मोठी नवीन फेरी उभारली आहे, embedded action labels असलेल्या अब्जावधी gameplay clips वर प्रशिक्षण देत आहे, आणि त्या डेटाचा वापर virtual आणि physical environments मध्ये जाणू, अंदाज लावू, आणि कृती करू शकणारी मॉडेल्स तयार करण्यासाठी करत आहे. अधिक सक्षम यंत्रे प्रशिक्षित करण्याचे स्केलेबल मार्ग शोधणाऱ्या क्षेत्रात, हे General Intuition ला सध्या सर्वाधिक लक्षवेधी embodied-AI खेळाडूंमध्ये स्थान देते.

हा लेख The Robot Report च्या अहवालावर आधारित आहे. मूळ लेख वाचा.