Physicl تجمع 10 ملايين دولار وتتيح للروبوتات 10 آلاف بيئة افتراضية

تعلّم الروبوت التقاط فنجان من طاولة فارغة. ضعوا بجانبه أطباقًا، أو اخفضوا الإضاءة، أو غطّوا المقبض جزئيًا بمنشفة، وقد تفشل عملية الإمساك. ولتصحيح هذا الخطأ، يضطر الفريق إلى جمع تسجيلات جديدة من الكاميرات وأجهزة الليدار، وتشغيل الروبوت يدويًا، ووسم البيانات، ثم إعادة التدريب. وهذا مكلف وبطيء ويصعب توسيعه ليشمل آلاف المواقف النادرة.

تقترح الشركة الناشئة Physicl جمع هذه الحالات لا في المختبر فقط، بل داخل عوالم ثلاثية الأبعاد خاضعة للتحكم. جمعت الشركة 10 ملايين دولار في جولة تمويل أولية بقيادة Inovia Capital، وقدّمت Studio: مكتبة تضم 10 آلاف بيئة افتراضية و100 ألف جسم لتوليد بيانات تدريب اصطناعية.

من واجهات المتاجر الإلكترونية إلى الروبوتات

كان مؤسس Physicl، أليكس دي فيغان، يدير سابقًا nfinite، وهي منصة لإنشاء نماذج ثلاثية الأبعاد للمنتجات وصور إعلانية. بدأت النماذج التوليدية تزاحم جزءًا من هذا النشاط، لكن التقنية المتراكمة لبناء مشاهد ثلاثية الأبعاد دقيقة وجدت استخدامًا آخر.

لا تكفي الصورة الجميلة للروبوت. فهو يحتاج إلى فهم حجم الجسم والمسافة إليه وخامة سطحه والإضاءة والتصادمات وكيف سيتصرف الجسم عند الإمساك به. تعتزم Physicl تحويل الصور المتفرقة وتسجيلات الليدار إلى مشاهد ذات هندسة ومواد وخصائص فيزيائية محددة. ثم يمكن تعديل المشهد الواحد مرارًا: تحريك الفنجان، وإضافة الفوضى، وتحريك مصدر الضوء، أو حجب جزء من الجسم.

وهكذا لا يحصل المطوّر على مجموعة بيانات عامة أخرى، بل على أداة للتعامل مع خطأ محدد. فإذا كان النموذج لا يلاحظ فنجانًا داكنًا على سطح مزدحم، ينشئ الفريق مئات النسخ من هذا الموقف بالتحديد ويستخدمها في التدريب الإضافي.

توليد البيانات بناءً على طلب النموذج

الفكرة الأكثر إثارة لدى Physicl هي دمج مولّد المشاهد مباشرة في حلقة التدريب. يكتشف النموذج أو وكيل التقييم نقطة ضعف، ويحدد الأمثلة الناقصة، ثم تنشئ المنصة دفعة جديدة من البيانات. وقد استخدم أحد العملاء الأوائل لـPhysicl، وهو SpAItial المطوّرة للنماذج المكانية، هذه المواد الاصطناعية لرفع دقة أنظمتها ثلاثية الأبعاد.

عمليًا يشبه ذلك الاختبارات الآلية للعالم المادي. فالخطأ لا يعود حادثة منفردة: إذ يبني النظام حوله مجموعة من الفحوص بإضاءة ومواضع كاميرا وبيئات مختلفة. وبالنسبة لفرق الروبوتات، قد يقصّر هذا الطريق من العطل المكتشف إلى الإصدار التالي من النموذج.

لكن النطاق المعلن لا يزال خطة حتى الآن. تتحدث Physicl عن معالجة تريليونات الصور وملايين الساعات من تسجيلات الليدار ومليارات متغيرات المشاهد، دون الكشف عن كلفة هذه المعالجة أو سرعة التوليد أو نتائج مقارنات مستقلة. ومن غير الواضح أيضًا مدى دقة الفيزياء الافتراضية في محاكاة الاحتكاك والتشوه والمواد الشفافة وغيرها من خصائص الأجسام الحقيقية.

ما الذي يجب أن يتحقق منه المطورون

البيانات الاصطناعية مفيدة فقط إذا انتقلت المهارة من المحاكي إلى الروبوت الحقيقي. لذلك لا يكفي أن يُظهر الفريق تحسنًا في اختبار افتراضي. المطلوب مجموعة منفصلة من التجارب الفيزيائية: الأجسام نفسها، وأماكن جديدة، وكاميرات أخرى، وظروف لم تكن موجودة عند التوليد.

ينبغي النظر إلى Physicl بوصفها بنية تحتية لجمع البيانات الموجّه، لا بديلًا عن التجارب الحقيقية. والسيناريو العملي هو: تثبيت خطأ متكرر للروبوت، وبناء عائلة من المشاهد الاصطناعية حوله، وتدريب النموذج إضافيًا، ثم مقارنة النتيجة على مجموعة ثابتة من التجارب الحقيقية. فإذا استمر التحسن، يمكن أتمتة الحلقة. وإن لم يستمر، فالمشكلة على الأرجح في جودة المحاكاة أو المستشعرات أو بنية النموذج نفسها.

أما بالنسبة لفرق المنتجات، فالإشارة الأهم أوسع من شركة ناشئة واحدة: سوق الروبوتات يتحول من شراء مجموعات بيانات ثابتة إلى أنظمة تنشئ أمثلة بحسب نقاط ضعف النموذج الحالية. جمعت Physicl 10 ملايين دولار لتحجز مكانًا في هذه الحلقة. وسيتعين عليها إثبات قيمتها لا بحجم مكتبتها، بل بمدى سرعة تصحيح عملائها لأخطاء الروبوتات الحقيقية.