General Intuition గేమ్‌ప్లే డేటాతో రోబోట్లను శిక్షించేందుకు $320 మిలియన్లు సమీకరించింది

General Intuition యాక్షన్-లేబుల్ చేసిన వీడియోపై పెద్ద పందెం వేస్తోంది

General Intuition Series A నిధుల్లో $320 మిలియన్లు సమీకరించింది. ఈ రౌండ్ వర్చువల్ మరియు భౌతిక వాతావరణాల్లో గ్రహించగల, అంచనా వేయగల, మరియు చర్య తీసుకోగల AI వ్యవస్థలను నిర్మించడంలో కంపెనీకి సహాయపడుతుందని అది చెబుతోంది. ఈ ఫైనాన్సింగ్ న్యూయార్క్-ఆధారిత కంపెనీ విలువను $2.3 బిలియన్లుగా నిర్ణయించింది మరియు అక్టోబర్‌లో సమీకరించిన $134 మిలియన్ల తరువాత, మొత్తం నిధులను $454 మిలియన్లకు పెంచింది.

ఆ హెడ్‌లైన్ సంఖ్య తనంతట తానే గమనించదగినదే, కానీ కంపెనీ పిచ్‌లో మరింత ఆసక్తికరమైన భాగం దాని వెనుక ఉన్న డేటా వ్యూహం. General Intuition తన మోడళ్లను ప్రధానంగా రాసిన పాఠ్యంపై, సాంప్రదాయ రోబోటిక్స్ డేటాసెట్‌లపై, లేదా సింథటిక్ సిమ్యులేషన్ అవుట్‌పుట్‌పై కాకుండా, CEO Pim de Witte సహ-స్థాపించిన గేమింగ్ ప్లాట్‌ఫారమ్ Medal‌కు అప్‌లోడ్ అయ్యే బిలియన్ల గేమ్‌ప్లే క్లిప్‌లపై శిక్షిస్తున్నట్లు చెబుతోంది.

ఆ క్లిప్‌లు స్క్రీన్‌పై ఏమి జరిగిందో చూపడమే కాకుండా మరింత చేస్తాయి. కంపెనీ ప్రకారం, వాటిలో ఒక ఆటగాడు ఏ బటన్ నొక్కాడో, ఎప్పుడు నొక్కాడో నమోదు చేసే ఎంబెడెడ్ యాక్షన్ లేబుళ్లు ఉంటాయి. అంటే ఆ డేటాసెట్ దృశ్య సందర్భాన్ని కాలక్రమంలో నిర్దిష్ట మానవ చర్యలతో అనుసంధానిస్తుంది. పరిసరాలను అర్థం చేసుకుని తర్వాత ఏమి చేయాలో ఎంచుకోవాల్సిన వ్యవస్థలను శిక్షించాలనుకునే కంపెనీకి, ఆ జతచేయడం కేంద్రభాగం.

ఈ డేటాసెట్ ఎందుకు ప్రత్యేకంగా కనిపిస్తోంది

ప్రస్తుత AI పరిశ్రమలో ఎక్కువ భాగం ఇంకా భాష చుట్టూ నిర్మితమై ఉంది. భారీ ఫౌండేషన్ మోడళ్లను విస్తారమైన రాసిన పదాల కార్పస్‌లపై నిర్మించారు, మరియు అనేక వ్యవస్థలు ఆ విధానాన్ని చిత్రాలు, ఆడియో, లేదా కోడ్ వరకు విస్తరిస్తున్నాయి. General Intuition ఈ పారడైమ్ తాను physical AI అని పిలిచే దానికి సరిపోదని వాదిస్తోంది.

కేవలం పాఠ్య వివరణలు మాత్రమే ప్రపంచంతో పరస్పర చర్య చేసే యంత్రాలకు అవసరమైన grounded, action-oriented learning‌ను అందించలేవని కంపెనీ భావన. దాని దృష్టిలో, intelligence అంటే కేవలం వాస్తవాన్ని వివరించడం కాదు, ఒక పరిస్థితిని గ్రహించడం, ఒక చర్యను నిర్ణయించడం, మరియు దాని పరిణామాలను అనుభవించడం. ప్రత్యేకంగా యాక్షన్ మెటాడేటాతో జతచేసిన గేమ్‌ప్లే ఫుటేజ్, అనేక సెట్టింగ్‌ల్లో ఆ చక్రానికి పునరావృత ఉదాహరణలను అందిస్తుంది.

ఈ వాదన ముఖ్యమైనది, ఎందుకంటే అది రోబోటిక్స్ మరియు embodied AIలో కొనసాగుతున్న ఒక ఖాళీని గుర్తిస్తోంది. నిజ ప్రపంచ రోబోట్ శిక్షణ డేటాను సేకరించడం ఖరీదైనదీ, నెమ్మదిగానూ ఉంటుంది. అధిక-నాణ్యత సిమ్యులేషన్ సహాయపడగలదు, కానీ ఉపయోగకరమైన వైవిధ్యంతో సింథటిక్ వాతావరణాలను నిర్మించడం కూడా ఒక పెద్ద కార్యమే. మానవులు మారుతూ ఉండే లక్ష్యాల కింద సంక్లిష్ట వాతావరణాలను ఎలా నావిగేట్ చేస్తారో ఇప్పటికే పట్టుకున్న డేటాసెట్‌ను వినియోగించి ఆ bottleneck‌ను దాటాలని General Intuition ప్రయత్నిస్తోంది.

వినియోగించిన మూల పదార్థం గేమ్ ఫుటేజ్ నిజ ప్రపంచ రోబోటిక్స్ డేటాకు ప్రత్యక్ష ప్రత్యామ్నాయం అని చెప్పదు, మరియు ఆ తేడా ముఖ్యం. వర్చువల్ యాక్షన్ ట్రేస్‌లు భౌతిక వ్యవస్థల్లో కాంటాక్ట్ డైనమిక్స్, సెన్సార్ నాయిస్, లేదా డిప్లాయ్‌మెంట్ విశ్వసనీయతను స్వయంచాలకంగా పరిష్కరించవు. కానీ కంపెనీ సిద్ధాంతం ఏమిటంటే, అవి perception, prediction, మరియు decision-making కోసం పెద్ద-స్థాయి priors‌ను అందించగలవు, ముఖ్యంగా pretraining సమయంలో.

పదాల నుంచి ప్రపంచాల వైపు

తన సాంకేతికతను వివరిస్తూ General Intuition ఉపయోగించే భాష అసాధారణంగా స్పష్టంగా ఉంది. నిజంగా తెలివైన యంత్రాలు “పదాల నుంచి ప్రపంచాల వైపు” కదలాలని, అంటే దానికి reality యొక్క general intuition అని అది పిలిచే దాన్ని పొందాలని కంపెనీ చెబుతోంది. ప్రాక్టికల్‌గా, అంటే కేవలం దృశ్యాలను లేబుల్ చేయడం లేదా prompt‌లకు సమాధానమివ్వడం మాత్రమే కాకుండా, చర్యలు తీసుకున్నప్పుడు పరిసరాలు ఎలా మారతాయో ముందుగానే ఊహించే మోడళ్లను అభివృద్ధి చేయడం.

ఆ ఆశయానికి మద్దతుగా, 2015లో స్థాపితమైనప్పటి నుండి రెండు ప్రధాన మోడల్ తరగతులను అభివృద్ధి చేస్తోందని కంపెనీ చెబుతోంది. మొదటిది action models, ఏ చర్య తీసుకోవాలో నిర్ణయించేవి. రెండవది world models, ఆ చర్యల ఫలితాలను అంచనా వేయేవి. ఆ తేడా, ఎంచుకునే వ్యవస్థలు మరియు పరిణామాలను సిమ్యులేట్ చేసే వ్యవస్థల మధ్య advanced AI పరిశోధనలో పెరుగుతున్న విభజనను ప్రతిబింబిస్తుంది.

agentic models‌కు శిక్షణ వాతావరణాలుగా world models‌ను కూడా పరీక్షిస్తున్నట్లు కంపెనీ చెబుతోంది. ఈ విధానం పనిచేస్తే, నేర్చుకున్న environment models నిర్ణయ-making వ్యవస్థల కోసం శిక్షణ అవకాశాలను సృష్టించే ఒక feedback loop‌ను రూపొందించవచ్చు, తద్వారా ఖరీదైన నిజ ప్రపంచ డేటా సేకరణపై ఆధారపడటం తగ్గుతుంది. అందించిన మూల పాఠ్యం benchmarks లేదా బాహ్య ధృవీకరణను ఇవ్వదు, కానీ ఈ భావన embodied AI‌ను మరింత sample-efficient‌గా చేయడానికి విస్తృత పరిశ్రమ ప్రయత్నాలకు సరిపోతుంది.

పెట్టుబడిదారులు ఈ విధానాన్ని ఆగ్రహంగా మద్దతు ఇస్తున్నారు

ఈ ఫైనాన్సింగ్ itself పెట్టుబడిదారులు కంపెనీ premise‌ను కేవలం ఒక niche experiment‌గా కాకుండా చూస్తున్నారని సూచిస్తోంది. ఈ రౌండ్‌కు General Catalyst నాయకత్వం వహించింది, Jeff Bezos మరియు మాజీ Google CEO Eric Schmidt పాల్గొన్నారు. ఈ రైజ్ పరిమాణం, ప్రత్యేకమైన డేటా మూలాన్ని విస్తృత platform కథనంతో కలిపినప్పుడు, ముఖ్యంగా embodied-AI bets‌కు, capital markets ఇంకా నిధులు అందించడానికి సిద్ధంగా ఉన్నాయని సూచిస్తుంది.

కొత్త నిధులను compute capacity విస్తరించడానికి మరియు తన మోడల్ యొక్క తదుపరి వెర్షన్‌ను pretrain చేయడానికి ఉపయోగిస్తామని General Intuition చెబుతోంది. ఇవి ఖరీదైన అడుగులైనా, frontier AI అభివృద్ధి ప్రస్తుత ఆర్థిక నమూనాలకు సరిపోతాయి. ప్రత్యేకమైన డేటా ప్రారంభ ఆధిక్యతను అందించవచ్చు, కానీ ఆ ఆధిక్యాన్ని ఉపయోగకరమైన మోడళ్లుగా మార్చడానికి గణనీయమైన infrastructure, engineering, మరియు iteration ఇంకా అవసరం.

సమర్పించిన మూల పాఠ్యం ప్రకారం, ఈ వేసవిలో తన APIని మరింత విస్తృతంగా అందుబాటులోకి తేవాలని కూడా కంపెనీ ప్రణాళిక వేస్తోంది. ఈ వివరము ముఖ్యం, ఎందుకంటే General Intuition తనను కేవలం research narrative‌కే పరిమితం చేయడం లేదని ఇది సూచిస్తోంది. రోబోటిక్స్, సిమ్యులేట్ చేసిన వాతావరణాల్లో agents, లేదా రెండింటినీ అనుసంధానించే వ్యవస్థల కోసం ఇతరులు నిర్మించగల infrastructure layer‌గా మారేందుకు ప్రయత్నిస్తోంది.

రోబోటిక్స్ మరియు embodied AIకి దీని అర్థం ఏమిటి

ఈ ప్రకటన యొక్క పెద్ద ప్రాముఖ్యత వ్యూహాత్మకమైనది. నిజ ప్రపంచ ప్రవర్తన సంక్లిష్టత మరియు scalable training data scarcity మధ్య ఉన్న అసమతుల్యతతో రోబోటిక్స్ డెవలపర్లు చాలా కాలంగా పోరాడుతున్నారు. General Intuition ఇచ్చే సమాధానం human gameplay‌ను ఒక వంతెనగా ఉపయోగించడం: రోబోటిక్స్ పరిశ్రమ వెలుపల సేకరించినా, దానికి ఉపయోగపడే perception-action ఉదాహరణల విస్తారమైన ఆర్కైవ్.

అది పనిచేస్తే, embodied-AI కంపెనీలకు అందుబాటులో ఉన్న data pipeline‌ల శ్రేణిని విస్తరించవచ్చు. ఖరీదైన నిజ ప్రపంచ సేకరణ మరియు పూర్తిగా సింథటిక్ వాతావరణాల మధ్య మాత్రమే ఎంచుకోవాల్సిన బదులు, డెవలపర్లు వర్చువల్ సెట్టింగ్‌లలో సహజంగా ఏర్పడే మానవ పరస్పర చర్య డేటాను వినియోగించే hybrid approaches‌పై మరింతగా ఆధారపడవచ్చు.

సమర్పించిన పదార్థంలో ఇంకా సమాధానం లేని ప్రశ్నలు ఉన్నాయి, వాటిలో gameplay-ఆధారిత మోడళ్లు physical robots‌కు ఎంతవరకు బదిలీ అవుతాయి, ఏ డొమైన్‌లు ఎక్కువ ప్రయోజనం పొందుతాయి, మరియు సాంప్రదాయ విధానాలతో పోల్చితే పనితీరు ఎలా మదింపు చేయబడుతుంది అనే అంశాలు ఉన్నాయి. కానీ మార్కెట్‌పై ప్రభావం చూపడానికి ఈ ప్రశ్నలన్నింటినీ వెంటనే పరిష్కరించాల్సిన అవసరం కంపెనీకి లేదు. $320 మిలియన్ Series A itself, AI పోటీలో వచ్చే దశ ఎక్కువ పాఠ్యాన్ని ఎవరు కలిగి ఉన్నారనే దానికంటే, అత్యంత సంపన్నమైన action-grounded data ఎవరి వద్ద ఉందనే దాని ద్వారా నిర్వచించబడవచ్చని పెట్టుబడిదారులు నమ్ముతున్నారనే సంకేతం.

ఇప్పటివరకు, General Intuition మూడు స్పష్టమైన విషయాలను స్థాపించింది. అది గణనీయమైన కొత్త రౌండ్‌ను సమీకరించింది, ఎంబెడెడ్ యాక్షన్ లేబుళ్లతో కూడిన బిలియన్ల గేమ్‌ప్లే క్లిప్‌లపై శిక్షణ ఇస్తోంది, మరియు వర్చువల్ మరియు భౌతిక వాతావరణాల్లో గ్రహించగల, అంచనా వేయగల, మరియు చర్య తీసుకోగల మోడళ్లను అభివృద్ధి చేయడానికి ఆ డేటాను ఉపయోగిస్తోంది. మరింత సామర్థ్యవంతమైన యంత్రాలను శిక్షించడానికి స్కేలబుల్ మార్గాలను వెతుకుతున్న రంగంలో, ఇది ప్రస్తుతం అత్యంత దగ్గరగా గమనించబడుతున్న embodied-AI ఆటగాళ్లలో కంపెనీని ఒకటిగా మారుస్తుంది.

ఈ వ్యాసం The Robot Report నివేదిక ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.