Üretim hatları ve depolar sabit durmuyor. İşler değişiyor, yerleşim kayıyor, yeni ürün geliyor; çoğu robot bu değişime ciddi bir yeniden programlama olmadan ayak uyduramıyor.
Skild AI'ın yeni S1 robot temel modeli tam bu soruna oynuyor. Model, daha önce hiç görmediği uzun soluklu işleri tek bir video gösteriminden öğrenecek şekilde tasarlandı.
Yeniden eğitim yok
Yöntem, ağırlıkları güncellemeye ya da göreve özgü ek eğitime dayanmıyor. Operatör istediği işin videosunu çekip modele istem olarak veriyor; model gösterilen niyeti, nesneleri ve sırayı yorumlayıp karşısındaki robot için eyleme çeviriyor. Buna bağlam içi öğrenme deniyor.
S1'in on dakikaya kadar süren, tanımadığı işleri yapabildiği belirtiliyor: saksıya bitki dikmek, krep yapmak, filtre kahve demlemek, parça seti montajı. Bu işler onlarca elle yapılan adım içeriyor ve robotun daha önce hiç kurmadığı sıralarda beceri birleştirmesini gerektiriyor.
Bu yaklaşımın alışıldık yöntemden farkı burada ortaya çıkıyor. Endüstriyel robotların çoğu sabit işler için kuruluyor; her yeni ürün, süreç ya da yerleşim daha fazla veri, yeniden eğitim ve doğrulama gerektiriyor. S1 bu döngüyü tamamen atlamayı hedefliyor.
Rakamlar
Şirketin paylaştığı ölçümler, yöntemin ne kadar fark yarattığını somutlaştırıyor.
| Ölçüm | Değer |
|---|---|
| Yeni çok adımlı işte adım başına başarı | yaklaşık %66 |
| Benzer bir yapay zeka sisteminde aynı ölçüm | %9 |
| Bir kısa videonun karşılığı | yaklaşık 380 uygulamalı örnek |
| Gösterimden robotun bağımsız çalışmasına | bir testte 11 dakika |
Son satır belki en çarpıcı olanı. Bir bitki dikme testinde ekip, gösterimi kaydetmekten donanım üzerinde bağımsız çalıştırmaya kadar geçen süreyi 11 dakikada tamamlamış.
Model ayrıca nesneler yer değiştirdiğinde uyum sağlayabiliyor, hatadan dönebiliyor ve açıkça programlanmamış sıralarda beceri birleştirebiliyor. Sahada asıl işe yarayan yetenek de bu; laboratuvarda her şey yerli yerindeyken çalışmak yeterli olmuyor.
NVIDIA'nın rolü
Skild, S1'i ve arkasındaki araştırmayı NVIDIA yapay zeka altyapısı üzerinde kurdu. İş birliği sentetik veri üretimi, model eğitimi, simülasyon ve gerçek dünyada devreye alma adımlarını kapsıyor.
Skild AI kurucu ortağı ve CEO'su Deepak Pathak'ın sözleriyle, "önceden programlamak yerine deneyimle öğrenmek, robotikte yaşanan sıçramanın kendisi." Pathak, NVIDIA Isaac Lab ve Cosmos teknolojilerinin robotların farklı senaryolarda ve farklı gövdelerde öğrenmesi için gereken çeşitlilikte deneyimi üretmeye yaradığını söylüyor.
Ticari tarafı
Lansman, şirketin ilk ticari devreye alımından on ay sonra 100 milyon dolarlık yıllık gelir hızına ulaştığı bir döneme denk geldi. Aynı sürede 60'tan fazla devreye alma ortaklığı kurulmuş.
Bu ortaklıklar üretim, lojistik, denetim, güvenlik ve yemek hazırlama gibi alanlara yayılıyor. Yani anlatılan şey bir laboratuvar gösterisi değil; modelin sahada, değişken ortamlarda çalışması hedefleniyor. Asıl soru da bu: gösterim videosunun kalitesi düştüğünde ya da ortam beklenenden farklı olduğunda başarı oranının nerede kaldığı henüz bağımsız olarak ölçülmüş değil.