ఒక స్టార్టప్ రోబో శిక్షణను పారిశ్రామిక స్థాయికి తీసుకెళ్తోంది
రోబోటిక్స్ భవిష్యత్తు గురించి Tutor Intelligence అసాధారణంగా నేరుగా ఒక వాదన చేస్తోంది: అడ్డంకి కేవలం మెరుగైన మోడల్స్ కాదు, నిజ ప్రపంచంలో పనిచేస్తున్న రోబోట్ల నుంచి సేకరించిన మెరుగైన డేటా. ఆ సమస్యను ఎదుర్కొనడానికి, కంపెనీ DF1 అనే పేరుతో 100 ద్విహస్త మానిప్యులేటర్లు కలిగిన ఒక “Data Factory”ని నిర్మించింది; దీనిని అది భౌతిక AI కోసం ఒక kindergardenలా వర్ణిస్తోంది.
ఆ ఆలోచన సూత్రంలో సులభమైనది, కానీ అమలులో ఆశావహమైనది. ప్రధానంగా simulationపై ఆధారపడకుండా, Tutor తన Ti0 vision-language-action మోడల్ను శిక్షించేందుకు నిజమైన రోబోలు, మానవ teleoperators, మరియు పునరావృత పనులను ఉపయోగిస్తోంది. పెద్ద భాషా మోడల్స్కు లభించినంత డేటా సమృద్ధి రోబోటిక్స్కు ఇప్పటివరకు లేదని, ఈ ఏర్పాటుతో గ్రౌండెడ్, స్కేలబుల్ లెర్నింగ్ పైప్లైన్ను సృష్టించవచ్చని కంపెనీ అంటోంది.
Tutor యొక్క పిచ్కు ఇదే కేంద్రం. సహ వ్యవస్థాపకుడు మరియు CEO జోష్ గ్రున్స్టీన్ చెప్పినట్టు, రోబోటిక్స్కు Wikipedia లాంటి సమానమైనది లేదు. ఇంటర్నెట్లోని మానవ జ్ఞానం భాషా మోడల్స్కు నేర్చుకునేందుకు విస్తారమైన కార్పస్ను ఇచ్చింది. రోబోలు వేరేదాన్ని అవసరం పడతాయి: భౌతిక ప్రదర్శనలు, సరిదిద్దే ఫీడ్బ్యాక్, మరియు నిజ వస్తువులు మరియు వాతావరణాల గందరగోళంతో పదే పదే అనుభవం.
నిజ ప్రపంచ డేటా వ్యూహాత్మకంగా ఎందుకు ఆకర్షణీయంగా ఉంది
Tutor యొక్క DF1 ప్రయత్నం రోబోటిక్స్లో ఉన్న విస్తృత చర్చను ప్రతిబింబిస్తుంది. సిమ్యులేషన్ ఇంకా విలువైనదే, ఎందుకంటే అది చవక, వేగవంతం, మరియు సురక్షితం. కానీ సిమ్యులేషన్ నుంచి వాస్తవానికి ప్రవర్తనను బదిలీ చేయడం తరచూ నిజమైన భౌతిక పరస్పర చర్య యొక్క కఠిన సంక్లిష్టతను ఎదుర్కొంటుంది. వస్తువులు రూపం మారతాయి, జారుతాయి, కాంతిని అప్రతീക്ഷితంగా ప్రతిఫలిస్తాయి, మరియు వర్చువల్ వాతావరణాలు పూర్తిగా పట్టుకోలేని గందరగోళాల్లో కనిపిస్తాయి.
100 రోబోట్లను ఒకే శిక్షణ వాతావరణంలో ఉంచి, e-commerce మరియు kittingలో సాధారణమైన piece-picking పనులను చేయించడం ద్వారా Tutor, నిజమైన కష్టాలు చోటుచేసుకునే స్థలంలోనే డేటాను సేకరించడానికి ప్రయత్నిస్తోంది. మొదట రోబోలు అశక్తంగా ఉన్నప్పటికీ, మెక్సికో మరియు ఫిలిప్పీన్స్లోని 45 నుంచి 50 దూరంలోని “tutors” teleoperation వ్యవస్థల ద్వారా కొన్ని వారాల్లో మెరుగయ్యాయని కంపెనీ చెబుతోంది.
ఆ మెరుగుదల పునరావృతమయ్యేలా ఉంటే, దాని అర్థం గణనీయమైనదే. రోబోటిక్స్ ఆధునిక AIకి ఉన్న లోతైన ప్రయోజనాల్లో ఒకదాన్ని పొందగలదు: విస్తృత స్థాయిలో వేగవంతమైన iteration. ఇంటర్నెట్ టెక్స్ట్ ద్వారా కాదు, యంత్రాల సమూహాలపై విస్తరించిన structured human teaching ద్వారా.
వాణిజ్య deployment కూడా శిక్షణ చక్రంలో భాగమే
Tutor DF1ని ప్రయోగశాల ఆసక్తిగా చూపించడం లేదు. ఈ వ్యవస్థను “virtuous cycle”లో తొలి అడుగుగా ఫ్రేమ్ చేస్తోంది, ఇందులో వాణిజ్యంగా deployed అయిన రోబోలు భవిష్యత్ పనితీరును మెరుగుపరచడానికి అవసరమైన డేటాను కొనసాగిస్తూ ఉత్పత్తి చేస్తాయి. ఇది ముఖ్యమైన వ్యూహాత్మక తేడా. ఈ మోడల్లో, deployments కేవలం టెక్నాలజీని monetize చేయడమే కాదు. అవి దానికి ఇంధనం కూడా ఇస్తాయి.
అది పనిచేస్తే, ఆ చక్రం చాలా శక్తివంతంగా ఉంటుంది. రోబో చేసే ప్రతి నిజమైన పని edge cases, corrections, examplesకు మూలమవుతుంది, ఇవి మెరుగైన policiesలో తిరిగి ఉపయోగించుకోవచ్చు. కాలక్రమేణా, fleets software updates వల్ల మాత్రమే కాక, industrial use నుండి కూడబెట్టిన పెరుగుతున్న operational memory ద్వారా కూడా మెరుగుపడతాయి.
అయితే, ఈ విధానం గణనీయమైన మౌలిక సదుపాయాలను కోరుతుంది. hardware, teleoperation labor, cloud compute, మరియు demonstrationsను ఉపయోగకరమైన training signalsగా మార్చగల workflow అవసరం. Tutor ఈ అన్నింటిలో ఒకేసారి పెట్టుబడి పెడుతోంది. కంపెనీ 2025 డిసెంబర్లో Series A fundingలో $34 million సమీకరించింది, మరియు Physical AI Fellowship ecosystemలో భాగంగా AWS మరియు NVIDIAతో కలిసి పని చేసింది.
Data factories సాధారణ ప్రమాణంగా మారతాయా అన్నదే పెద్ద ప్రశ్న
DF1 అమెరికాలో అతిపెద్ద robotic data factory అని Tutor అంటోంది. అది ఎక్కువ కాలం అలాగే ఉంటుందో లేదో పక్కనపెడితే, ఆ భావనే మరింత ముఖ్యమై ఉండొచ్చు. general-purpose లేదా semi-general-purpose robotics చివరికి model architecture కంటే data quality వల్ల ఎక్కువగా పరిమితమైతే, mass robot teaching కోసం ప్రత్యేకంగా రూపకల్పన చేసిన సదుపాయాలు పరిశ్రమలో సాధారణ భాగమవుతాయి.
అలా జరిగితే, robotics ప్రధానంగా hardware engineering నుంచి hardwareతో కూడిన data operations businessగా మారుతుంది. ఆ ప్రపంచంలో, human instruction, fleet deployment, మరియు model improvement మధ్య feedback loopsను అత్యుత్తమంగా ఏర్పాటు చేసే కంపెనీలే గెలుస్తాయి.
piece-pickingతో మొదలుపెట్టాలన్న Tutor నిర్ణయం కూడా స్పష్టంగా అర్థమవుతుంది. ఇది వాణిజ్యపరంగా ప్రాసంగికం, చాలా ఉదాహరణలను సృష్టించడానికి సరిపడా పునరావృతమైంది, మరియు physical variety కూడా ఉండటంతో manipulationను పరీక్షించడానికి అనుకూలం. ఇవే ఒక పనిని business application గానూ training substrate గానూ ఉపయోగకరంగా 만드는 లక్షణాలు.
Physical AIకి ఇంకా నిరూపణ అవసరమే, కానీ దాని సిద్ధాంతం సుస్పష్టంగా ఉంది
Tutor Intelligence తన data-factory approach వల్ల సాధారణంగా సామర్థ్యవంతమైన robot intelligence వస్తుందని ఇంకా నిరూపించలేదు. అది warehouse-style పనుల్లో వేగంగా మెరుగుపడిందని చూపడంకన్నా చాలా పెద్ద వాదన. అయినప్పటికీ, కంపెనీ premiseని తేలిగ్గా కొట్టిపారేయడం కష్టం. రోబోలు తాము తాకని ప్రపంచం గురించి మానవ భాష ద్వారానే నేర్చుకోలేరు. ఏదో ఒక దశలో, ఎవరో వారికి physical realityలో బోధించాల్సిందే.
DF1 ఆ బోధనా ప్రక్రియను scale చేయడానికి చేసిన ప్రయత్నం. చిందర వందరగా ఉన్న deployments నుంచి రోబోలు యాదృచ్ఛికంగా నేర్చుకునే వరకు వేచి ఉండకుండా, Tutor instructionను ఒక వనరుగా ఉత్పత్తి చేసే వాతావరణాన్ని నిర్మిస్తోంది. ఆ వనరును మరింత అనుకూల ప్రవర్తనగా మార్చగలిగితే, simulation-first approaches కంటే physical AIకి మరింత ప్రాయోగిక మార్గాన్ని రూపుదిద్దడంలో ఇది సహాయపడవచ్చు.
ప్రస్తుతం Tutor యొక్క ప్రాధాన్యం ఒక పూర్తి సమాధానం ఇవ్వడంలో తక్కువ, robot data collectionను సమర్పిత మౌలిక సదుపాయాలకు అర్హమైన పారిశ్రామిక సమస్యగా చూసినందులో ఎక్కువ. impressive demos నుంచి dependable utilityకి వేగవంతమైన మార్గం కోసం వెతుకుతున్న రంగంలో ఇది ఒక తీవ్రమైన ఆలోచన.
ఈ వ్యాసం The Robot Report యొక్క వార్తా కథనంపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.
Originally published on therobotreport.com