Skild AI, MIT i Open Source Week

Skild AI wprowadza uniwersalny model sztucznej inteligencji dla robotyki

Skild AI, startup wspierany przez Amazon i japońską grupę SoftBank, przedstawił przełomowy model sztucznej inteligencji nazywany “Skild Brain”, który może działać na niemal każdym typie robota — od maszyn przemysłowych po humanoidy. Technologia ta reprezentuje znaczący krok w kierunku stworzenia robotów o uniwersalnych możliwościach, w przeciwieństwie do obecnie stosowanych systemów zaprojektowanych do jednej konkretnej funkcji.

Architektura i możliwości techniczne

Model Skild Brain wykorzystuje hierarchiczną architekturę składającą się z dwóch poziomów: wysokopoziomowej polityki działania odpowiedzialnej za manipulację i nawigację oraz niskopoziomowej polityki kontrolującej precyzyjne ruchy stawów i momenty obrotowe silników. System ten może kontrolować różne morfologie robotów, w tym czworonogi, humanoidy, manipulatory stołowe i mobilne systemy manipulacyjne.

Kluczową cechą technologii jest wykorzystanie danych symulacyjnych i filmów działań ludzkich z internetu do wstępnego trenowania modelu na dużą skalę. Model jest następnie doskonalony za pomocą ukierunkowanych danych z rzeczywistego świata, które są zbierane od każdego robota działającego w systemie. Takie podejście pozwala na tworzenie “wspólnego mózgu”, gdzie doświadczenia jednego robota przyczyniają się do poprawy umiejętności całej floty.

Rozwiązanie problemu danych robotycznych

Jednym z największych wyzwań w budowie modeli fundamentalnych dla robotyki był brak dostępu do wielkoskalowych danych robotycznych, w przeciwieństwie do modeli językowych, które mogą korzystać z ogromnych zasobów tekstowych dostępnych w internecie. Skild AI rozwiązuje ten problem poprzez trenowanie modeli na zbiorze danych co najmniej 1000 razy większym niż konkurencyjne rozwiązania.

Firma wykorzystuje różnorodne dane treningowe, włączając w to dane pochodzące od ludzi, co znacznie rozszerza dostępny zbiór treningowy. Podejście to umożliwia budowę rzeczywie fizycznego modelu fundamentalnego, który może działać na różnych platformach robotycznych.

Praktyczne zastosowania i wdrożenia

Skild AI ma już klientów komercyjnych, w tym LG CNS – dział rozwiązań IT grupy LG, oraz nienazwane firmy z sektora logistycznego i przemysłowego. Roboty wykorzystujące Skild Brain wykazują zdolność do wykonywania zadań wymagających rozumowania przestrzennego i adaptacji w czasie rzeczywistym, takich jak wspinanie się po schodach, utrzymywanie równowagi po uderzeniu czy manipulowanie obiektami w zagraconych przestrzeniach.

Technologia jest szczególnie bezpieczna w interakcji z ludźmi, ponieważ model jest trenowany do wywierania niskich sił i wykazuje wysoką adaptacyjność do zakłóceń i interakcji z człowiekiem — cecha często ograniczona lub nieobecna w innych modelach AI.

System może być wykorzystywany w różnorodnych zastosowaniach: od zadań domowych jak ładowanie zmywarki, po fizycznie wymagające wyzwania jak wspinanie się po śliskich powierzchniach. Model może również wykonywać wieloetapowe zadania wymagające długiego kontekstu i kombinacji ogólnych umiejętności.

Inwestycje i rozwój rynku

Skild AI, założone w 2023 roku, pozyskało 300 milionów dolarów w rundzie finansowania Series A w lipcu 2024 roku, osiągając wycenę 1,5 miliarda dolarów. Inwestorami byli m.in. Lightspeed Venture Partners, Coatue, SoftBank Group oraz Jeff Bezos przez Bezos Expeditions. Najnowsze doniesienia wskazują na negocjacje kolejnej rundy finansowania wartej 500 milionów dolarów, która może podnieść wycenę firmy do 4 miliardów dolarów.

Zainteresowanie inwestorów robotyką napędzaną AI znacznie wzrosło w ostatnich latach. Skild AI konkuruje z innymi firmami w tej przestrzeni, w tym z Physical Intelligence oraz projektami NVIDIA takich jak Isaac GR00T. Goldman Sachs prognozuje, że roboty humanoidalne staną się niezbędne do wypełnienia niedoboru siły roboczej i automatyzacji niebezpiecznych prac.

Nowy algorytm MIT zwiększa efektywność uczenia maszynowego w zastosowaniach symetrycznych

Naukowcy z MIT zaprezentowali przełomowe rozwiązanie problemu, który od lat nurtował społeczność uczenia maszynowego. Opracowali pierwszą metodę, która w sposób obliczeniowo efektywny gwarantuje respektowanie symetrii przez modele uczenia maszynowego. Badanie rozwiązuje fundamentalne pytanie dotyczące równowagi między dokładnością a kosztami obliczeniowymi w przypadku danych o charakterze symetrycznym.

Problem symetrii w uczeniu maszynowym

Dane symetryczne występują powszechnie w naukach przyrodniczych i fizyce. Model, który rozpoznaje symetrie, potrafi identyfikować obiekt niezależnie od jego transformacji – na przykład molekuła pozostaje tą samą molekułą po obróceniu. Tradycyjne podejścia do obsługi symetrii obejmowały augmentację danych lub kodowanie symetrii w architekturze modelu, jednak każde z tych rozwiązań miało znaczące ograniczenia.

Augmentacja danych, choć skuteczna, może być obliczeniowo kosztowna, gdy chcemy zagwarantować respektowanie symetrii. Z kolei sieci neuronowe grafowe (GNN), które naturalnie obsługują dane symetryczne, działają efektywnie, ale ich mechanizm działania pozostaje słabo zrozumiały.

Innowacyjne rozwiązanie łączące algebrę z geometrią

Zespół badawczy pod kierownictwem Behrooza Tahmasebi zastosował nowatorskie podejście, łącząc koncepcje algebraiczne z geometrycznymi. Algorytm wykorzystuje idee z algebry do zmniejszenia i uproszczenia problemu, następnie przekształca go przy użyciu geometrii, która skutecznie ujmuje symetrie.

Kluczowym osiągnięciem jest sformułowanie problemu jako zadania optymalizacyjnego, które można rozwiązać w sposób efektywny. Jak wyjaśnia Tahmasebi: “Większość teorii i zastosowań koncentrowała się na algebrze lub geometrii. My po prostu je połączyliśmy”.

Praktyczne korzyści nowego podejścia

Opracowany algorytm wymaga mniejszej ilości danych treningowych niż klasyczne metody, co poprawia dokładność modelu i jego zdolność adaptacji do nowych zastosowań. Badanie wykazuje, że można opracowywać efektywne algorytmy dla uczenia maszynowego z symetrią oraz demonstruje, jak to można osiągnąć w praktyce.

Zastosowania w nauce i przemyśle

Nowa metodologia znajdzie zastosowanie w wielu dziedzinach wymagających precyzyjnego modelowania symetrii. W odkrywaniu leków modele mogą dokładniej przewidywać właściwości molekularne, uwzględniając ich niezmienniczość rotacyjną. W astronomii algorytm może pomóc w identyfikacji anomalii w danych, które wykazują naturalne symetrie.

Szczególnie obiecujące są zastosowania w modelowaniu wzorców klimatycznych i odkrywaniu nowych materiałów. Badania nad symetrią w uczeniu maszynowym wskazują również na możliwości w analizie danych molekularnych i spektroskopii.

Perspektywy rozwoju

Rezultaty badań mogą przyczynić się do rozwoju nowych architektur sieciami neuronowych, które będą bardziej dokładne i mniej zasobożerne niż obecne modele. Naukowcy mogą wykorzystać tę analizę jako punkt wyjścia do badania wewnętrznego działania GNN i porównania ich działania z algorytmem opracowanym przez zespół MIT.

Jak dodaje współautor Ashkan Soleymani: “Gdy będziemy to lepiej rozumieć, będziemy mogli projektować bardziej interpretowalną, solidne i efektywne architektury sieci neuronowych”. Badanie, przedstawione na International Conference on Machine Learning, otwiera nowy rozdział w efektywnym uczeniu maszynowym z danymi symetrycznymi.

Open Source AI Week 2025: Tydzień Innowacji w Dolinie Krzemowej

W październiku 2025 roku San Francisco będzie centrum najważniejszych wydarzeń związanych z open source i sztuczną inteligencją. Open Source AI Week, zaplanowany na 18-26 października, to inicjatywa Linux Foundation, która skupia pod jednym dachem różnorodne konferencje, hackathony i spotkania branżowe. Wydarzenie to stanowi unikalną platformę dla developerów, badaczy i przedsiębiorców pracujących nad otwartymi rozwiązaniami AI.

Flagowe wydarzenia tygodnia AI

Serce całego tygodnia stanowi PyTorch Conference (22-23 października), która przyciąga czołowych specjalistów od machine learningu i deep learningu z całego świata. Konferencja oferuje dogłębne sesje techniczne, panele dyskusyjne oraz warsztaty obejmujące całe spektrum zastosowań AI – od sprzętu po aplikacje i systemy agentowe.

Szczególną uwagę zwraca Measuring Intelligence Summit (21 października), dedykowany kluczowemu zagadnieniu oceny inteligencji w modelach AI. Summit ten skupia ekspertów zajmujących się oceną zdolności rozumowania, superinteligencji oraz ewolucji benchmarków AI. To odpowiedź na rosnące potrzeby przemysłu dotyczące standaryzacji miar inteligencji sztucznej.

Infrastruktura i ekosystem technologiczny

AI Infra Summit stanowi kolejny kluczowy element programu, koncentrujący się na infrastrukturze stojącej za najnowszymi innowacjami AI. Obejmuje zagadnienia dotyczące pre- i post-trainingu, fine-tuningu, skalowania w czasie wnioskowania oraz kompresji modeli. Wydarzenia te odzwierciedlają rosnące znaczenie wydajnej infrastruktury dla rozwoju AI.

Równolegle odbywa się Startup Showcase, gdzie start-upy AI prezentują swoje rozwiązania przed czołowymi inwestorami venture capital. To okazja dla przedsiębiorców do zaprezentowania przełomowych technologii i nawiązania kontaktów z kluczowymi graczami branży.

Decentralizacja i przyszłość AI

Szczególnie interesującym elementem jest dAGI Summit (24 października), które koncentruje się na zdecentralizowanej sztucznej inteligencji ogólnej. Wydarzenie to skupia architektów zdecentralizowanego AI, którzy pracują nad otwartymi systemami, nieograniczoną koordynacją i AGI należącym do wszystkich. Program obejmuje otwarte modele, rozproszone systemy obliczeniowe, systemy multi-agentowe oraz governance i mechanizmy rynkowe.