Não bộ con người cung cấp dữ liệu huấn luyện mới cho robot

Công ty Encord kết hợp sóng não và cảm biến sinh học để sản xuất dữ liệu huấn luyện AI vật lý. Dữ liệu này giúp robot hiểu rõ trạng thái tinh thần và hành động vật lý phức tạp hơn so với video thông thường.

Sản xuất dữ liệu vật lý cho AI: Thách thức chưa từng có

Encord, công ty xây dựng công cụ dữ liệu huấn luyện AI, đang thử nghiệm phương pháp thu thập dữ liệu mới bằng cách ghi lại sóng não của con người khi thực hiện các nhiệm vụ vật lý. Andrew Ceja, nhân viên huấn luyện robot (pilot) của Encord, vừa gỡ từng khối gỗ khỏi tòa tháp Jenga vừa đeo mũ bảo hiểm tích hợp camera và cảm biến đo sóng não do Zander Labs phát triển. Dữ liệu sóng não này giúp xác định trạng thái tinh thần như lỗi, ý định hay sự ngạc nhiên, từ đó hỗ trợ các mô hình AI hiểu rõ hơn về hành động vật lý.

Vineeth Velmurugan, Trưởng phòng Học máy Robot tại Encord, cho biết ngành robotics đang đối mặt với sự thiếu hụt dữ liệu thực tế để huấn luyện AI. Các phương pháp truyền thống như thu thập video thiếu độ chính xác và chi tiết cần thiết. Ông ước tính cần một bộ dữ liệu có kích thước gấp 5 lần kho video YouTube để vượt qua giới hạn hiện tại. Đây là lý do Encord chuyển từ quản lý dữ liệu sang sản xuất dữ liệu vật lý cho robot.

Cảm biến sinh học và góc nhìn cá nhân: Cầu nối giữa não bộ và robot

Bên cạnh sóng não, Encord còn kết hợp dữ liệu từ camera góc nhìn cá nhân (egocentric video) do công nhân đeo, dữ liệu từ cánh tay robot điều khiển từ xa, và cảm biến cơ bắp (forearm sensors). Sofia Infante, một pilot khác của Encord, điều khiển cánh tay robot cắm và rút cáp ethernet vào máy chủ, mô phỏng nhiệm vụ tự động hóa trong trung tâm dữ liệu. Những nhiệm vụ như rót cà phê vào cốc hay xếp chip poker được ghi lại bằng hệ thống leader-follower, trong đó cánh tay robot bắt chước chuyển động của cánh tay người điều khiển.

Cảm biến cơ bắp ghi lại tín hiệu điện trong cơ bắp, giúp xây dựng mô hình 3D về chuyển động bàn tay. Velmurugan cho biết dữ liệu được gắn nhãn chi tiết như “tay phải siết chặt bu lông” có giá trị gấp 100 lần so với dữ liệu video thông thường, nhưng chi phí sản xuất chỉ gấp 20 lần. Mặc dù vậy, chi phí này vẫn cao hơn nhiều so với việc thu thập dữ liệu văn bản từ internet, vốn là phương pháp chủ yếu để huấn luyện các mô hình ngôn ngữ lớn (LLM).

Hợp tác với các công ty robotics hàng đầu

Encord hợp tác với nhiều công ty robotics hàng đầu (không tiết lộ tên) để cung cấp dữ liệu huấn luyện. Velmurugan cho biết công ty có thể quan sát xu hướng cải tiến mô hình AI vật lý trên toàn ngành nhờ vị trí trung gian giữa nhiều doanh nghiệp. Điều này giúp Encord xác định những kỹ thuật dữ liệu nào đang phát triển nhanh chóng trước khi bất kỳ khách hàng đơn lẻ nào nhận ra.

Ceja từng làm việc tại công ty tái chế rác thải, nơi anh phụ trách bảo trì máy phân loại rác tự động. Anh chia sẻ công việc hiện tại thú vị hơn vì mỗi ngày đều là thử thách mới. Infante cũng có kinh nghiệm tương tự khi làm việc tại Scale, một công ty chuyên chú thích dữ liệu AI, trước khi chuyển sang Encord.

Tác động tới tương lai của robotics

Velmurugan nhận định rằng việc sản xuất dữ liệu vật lý là chìa khóa để vượt qua giới hạn hiện tại của AI vật lý. Ông cho biết ngành đang tiến bộ khi các công ty khởi nghiệp và phòng thí nghiệm hàng đầu cùng nhau tìm ra những phương pháp hiệu quả. Tuy nhiên, chi phí sản xuất dữ liệu vật lý vẫn là rào cản lớn so với việc thu thập dữ liệu văn bản từ internet.

Với sự kết hợp giữa sóng não, cảm biến sinh học và dữ liệu góc nhìn cá nhân, Encord đang mở ra hướng đi mới cho ngành robotics. Những dữ liệu này không chỉ giúp robot hiểu rõ hành động vật lý phức tạp mà còn cải thiện khả năng học tập và thích nghi của chúng trong môi trường thực tế.

Thách thức kinh tế và triển vọng

Velmurugan nhấn mạnh rằng sản xuất dữ liệu vật lý đòi hỏi chi phí cao hơn nhiều so với thu thập dữ liệu văn bản. Ông ước tính chi phí sản xuất dữ liệu gắn nhãn chi tiết cao gấp 20 lần dữ liệu video thông thường, nhưng giá trị mang lại gấp 100 lần. Điều này đặt ra thách thức lớn về mặt kinh tế đối với các doanh nghiệp muốn phát triển AI vật lý.

Tuy nhiên, Velmurugan lạc quan về triển vọng tương lai khi ngành robotics ngày càng nhận ra tầm quan trọng của dữ liệu vật lý. Ông cho biết Encord đang hợp tác với nhiều công ty để sản xuất những bộ dữ liệu cần thiết, giúp đẩy nhanh tiến độ phát triển của các mô hình AI vật lý.

Với sự phát triển của các công nghệ mới như sóng não, cảm biến sinh học và hệ thống leader-follower, ngành robotics đang tiến gần hơn đến mục tiêu tự động hóa hoàn toàn các nhiệm vụ vật lý phức tạp.

Nguồn tham khảo: Link bài viết