Obiecywano nam „moment iPhone’a” w robotyce tyle razy, że stało się to już branżowym sucharem. Czasami jednak pojawia się coś, co zmusza nawet największych cyników do wyprostowania się w fotelu i uważnego patrzenia. Tym razem głównymi bohaterami są: robot, szpatułka i naleśnik. Skild AI, startup z portfelem tak grubym, że wyceniany jest na ponad 14 miliardów dolarów, właśnie zaprezentował S1 – model bazowy (foundation model), który potrafi nauczyć się złożonego, 10-minutowego zadania po obejrzeniu zaledwie jednego filmu. Bez mozolnego douczania, bez miesięcy zbierania danych i bez armii operatorów sterujących maszyną zdalnie. Po prostu: patrz i powtarzaj.
Kiedy ich robot po raz pierwszy bezbłędnie obrócił naleśnika na patelni, zespół Skild zrobił to, co zrobiłby każdy szanujący się inżynier: uznał, że to błąd w systemie. Przez dwa dni przeczesywali swój gigantyczny zbiór danych treningowych (liczący milion godzin nagrań), przekonani, że jakimś cudem wkradły się tam dane o smażeniu śniadań. Nie znaleźli nic. Robot po prostu dokonał generalizacji – wywnioskował, jak wykonać zupełnie nowe zadanie „obracania”, bazując na pojedynczym wideo. To nie było zwykłe naśladownictwo; to był przebłysk fizycznej intuicji.
Koniec tyranii fine-tuningu
Przez lata wdrażanie robota do nowego zadania było drogą przez mękę – niekończącym się cyklem zbierania danych i dostrajania modelu (fine-tuning). Firmy potrafiły spędzać od 50 do 100 godzin na samym gromadzeniu danych, byle tylko zmusić maszynę do powtarzalnego wykonywania jednej, prostej czynności. To właśnie to kosztowne i czasochłonne wąskie gardło sprawiało, że roboty ogólnego przeznaczenia nie wychodziły poza laboratoria badawcze. S1 od Skild proponuje radykalną alternatywę opartą na tej samej zasadzie, która uczyniła z ChatGPT globalny fenomen: in-context learning, czyli uczenie się w kontekście.
Zamiast żmudnego dotrenowywania modelu, po prostu podajesz mu przykład w „oknie kontekstowym”. W przypadku LLM-ów jest to tekst. W przypadku S1 jest to nagranie wideo z perspektywy pierwszej osoby, na którym człowiek wykonuje daną czynność. Model został wstępnie wytrenowany na potężnej dawce filmów z internetu, symulacji i danych z teleoperacji, co pozwoliło mu zbudować ogólne zrozumienie interakcji fizycznych. Dzięki temu jedna demonstracja wystarczy, by odblokować nową umiejętność – czy to przesadzanie roślin, pakowanie zestawów higienicznych, czy parzenie kawy metodą przelewową.
„Ta koncepcja nazywa się in-context learning i to właśnie ona zdefiniowała skok od projektów badawczych, takich jak GPT-1 i GPT-2, do rewolucyjnych produktów pokroju ChatGPT” – stwierdziła firma w swoim filmie premierowym. „Umieszczasz demonstrację w oknie kontekstowym… a model generuje akcje robota niezbędne do wykonania zadania”.
To podejście nie tylko działa – ono miażdży stare metody. W zadaniach, które model już zna, S1 radzi sobie równie dobrze jak tradycyjne modele Vision-Language-Action (VLA). Jednak w przypadku zadań zupełnie nowych, różnica jest kolosalna.
Prawa skalowania inteligencji fizycznej
Prawdziwa magia dzieje się przy odpowiedniej skali. Skild opublikował wykres, który powinien zawisnąć na ścianie każdego laboratorium robotyki. Pokazuje on, że wraz ze wzrostem ilości danych w pre-trainingu, zdolność S1 do radzenia sobie z nowymi zadaniami poprzez in-context learning wystrzeliwuje w górę, podczas gdy tradycyjne modele VLA sterowane poleceniami tekstowymi szybko osiągają sufit.
Po 100 000 godzin treningu wstępnego, S1 osiąga 66% skuteczności w zadaniach, których nigdy wcześniej nie widział. Model VLA sterowany tekstem? Marne 9%. To nie jest drobna poprawa; to zmiana paradygmatu. Sugeruje to, że podobnie jak w przypadku dużych modeli językowych, w robotyce również istnieją przewidywalne prawa skalowania. Wlej odpowiednio dużo danych, a pojawią się zupełnie nowe możliwości. Model nie staje się po prostu lepszy – on staje się inteligentniejszy.
Co ważne, ta inteligencja nie jest „krucha”. Skild pokazał, jak S1 adaptuje się do zakłóceń, improwizuje po popełnieniu błędu, a nawet koryguje pomyłki zrobione przez człowieka na filmie demonstracyjnym. Potrafi poradzić sobie z przesuniętymi lub podmienionymi przedmiotami, co świadczy o głębokim zrozumieniu otoczenia, a nie o zwykłym odtwarzaniu zaprogramowanej ścieżki.
Z laboratorium do przemysłowej rzeczywistości
Gdyby to był kolejny projekt uniwersytecki, byłby po prostu ciekawostką. Ale Skild AI to komercyjny walec wspierany przez takich gigantów jak SoftBank, NVIDIA czy Bezos Expeditions Jeffa Bezosa. Przy wycenie na poziomie 14 miliardów dolarów i raportowanych 30 milionach dolarów przychodu wygenerowanego w zaledwie kilka miesięcy ubiegłego roku, nie mówimy o eksperymencie. To ogłoszenie produktu przez firmę, która już współpracuje z producentami sprzętu (OEM) i ma setki robotów pracujących „w terenie”.
To kolejny logiczny krok w ich misji budowy uniwersalnego Translation not available (pl) . Widzieliśmy już, jak uczą roboty Translation not available (pl) , ale S1 reprezentuje fundamentalną zmianę w sposobie wdrażania technologii. Celem jest zmiana ekonomii automatyzacji – sprawienie, by stała się ona dostępna dla małych firm, szpitali czy sklepów spożywczych. Dla organizacji, których nie stać na zatrudnienie sztabu doktorów robotyki tylko po to, by przeprogramować maszyny.
Oczywiście, trzeba zachować pewną dozę ostrożności. Wyniki pochodzą z wewnętrznych testów, a Skild nie opublikował jeszcze pełnej dokumentacji technicznej, API ani wag modelu. Jednak nagrania są niezwykle przekonujące, a dynamika biznesowa firmy – niezaprzeczalna. Era „jeden robot do jednego zadania” może wreszcie dobiegać końca. Dzięki S1, Skild udowadnia, że przyszłość robotyki to mniej programowania, a więcej pokazywania. A wszystko zaczęło się od jednego naleśnika.