Helix 2.5 stuurt humanoïde robots zonder extra training aan het werk in 30 onbekende woningen
Een robot die alleen goed functioneert in een zorgvuldig voorbereide testruimte is interessant. Een robot die een woning binnenstapt die hij nog nooit heeft gezien en daar meteen zelfstandig aan het werk gaat, brengt humanoïde robotica een stuk dichter bij praktisch gebruik. Dat is precies wat Figure met Helix 2.5 probeert aan te tonen.
Voor de nieuwste generatie van zijn AI-systeem huurde Figure dertig verschillende woningen in de San Francisco Bay Area. De humanoïde robots werden naar binnen gestuurd zonder dat ze vooraf op die specifieke woningen of objecten waren getraind. Vervolgens moesten ze alledaagse huishoudelijke taken uitvoeren.
Van demonstratie naar onbekende omgeving
Het grote probleem bij humanoïde robots is niet langer alleen of ze een bepaalde taak kunnen uitvoeren. De moeilijkere vraag is of ze diezelfde vaardigheid ook kunnen toepassen wanneer alles verandert.
Een bed heeft plots andere afmetingen. Een woonkamer staat anders ingericht. Handdoeken hebben een andere vorm of liggen op een onbekende plaats. Meubels staan in de weg en de robot moet voortdurend beslissen waar hij moet staan om een object te kunnen zien, bereiken en manipuleren.
Mensen lossen dat vrijwel automatisch op. Wie weet hoe een bed moet worden opgemaakt, hoeft die vaardigheid niet opnieuw te leren wanneer hij in een hotel of bij iemand anders thuis komt. Voor robots is die overdraagbaarheid veel moeilijker. Helix 2.5 is ontwikkeld om precies dat probleem aan te pakken.
Dertig woningen, geen bijkomende training
Figure testte het systeem in dertig woningen die niet voorkwamen in de trainingsdata voor de specifieke taken. Daar kregen de robots drie opdrachten: woonkamers opruimen, handdoeken opvouwen en bedden opmaken.
Daarvoor moeten verschillende vaardigheden tegelijk samenwerken. De robot moet zijn omgeving waarnemen, door kamers lopen, objecten herkennen, zijn lichaam positioneren en vervolgens met beide armen en handen voorwerpen manipuleren. Volgens Figure gebeurde dat zonder nieuwe data uit de testwoningen te verzamelen en zonder het model ter plaatse verder af te stemmen.
Dat principe wordt zero-shot generalization genoemd: een eerder aangeleerde vaardigheid wordt toegepast in een omgeving en op objecten die tijdens de taaktraining niet werden gebruikt.
Het verschil zit in wat de robot vooraf heeft geleerd
Achter Helix 2.5 zit Index, de grootschalige dataset van Figure met voorbeelden van menselijk gedrag.
Het idee lijkt sterk op de ontwikkeling van grote taalmodellen. In plaats van een AI uitsluitend voor één specifieke opdracht te trainen, krijgt het systeem eerst een brede basiskennis mee. Daarna kan die basis worden gebruikt om veel specifiekere vaardigheden aan te leren.
Figure onderzocht hoeveel verschil die voortraining daadwerkelijk maakte.
Bij een model dat vanaf nul werd getraind, werd in de zero-shot-tests een succespercentage van 9 procent gemeten. Met de Index-voortraining steeg dat volgens het bedrijf naar 56 procent. Daarbij telde alleen een volledig afgewerkte opdracht als succes. Een gedeeltelijk opgeruimde kamer of half opgemaakt bed leverde dus geen gedeeltelijke score op.
De resultaten zijn door Figure zelf gepubliceerd en betekenen tegelijk dat er nog een aanzienlijke betrouwbaarheidskloof bestaat voordat dergelijke systemen probleemloos dagelijks in woningen kunnen functioneren.
Minder specifieke robotdata
Een ander opvallend resultaat zit in de hoeveelheid gespecialiseerde trainingsdata.
Figure stelt dat Helix 2.5 ongeveer de helft van de taakspecifieke data nodig had van een vergelijkbare Helix 02-taak, terwijl de nieuwe aanpak vervolgens over dertig onbekende woningen kon worden toegepast.
Dat is mogelijk belangrijker dan één spectaculaire robotdemonstratie.
Wanneer voor iedere woning, fabriek, winkel of werkplek opnieuw grote hoeveelheden robotdata verzameld moeten worden, wordt het bijzonder moeilijk om humanoïde robots op grote schaal uit te rollen. Een robot die brede kennis vooraf leert en die vervolgens naar nieuwe situaties kan overbrengen, verandert die economische vergelijking.
Robots moeten leren generaliseren zoals AI-modellen
Daarmee begint robotica steeds sterker het ontwikkelingspad van generatieve AI te volgen.
Eerst wordt een groot basismodel getraind op brede hoeveelheden informatie. Vervolgens worden specifieke gedragingen toegevoegd. Tijdens het daadwerkelijke gebruik moet het systeem vervolgens situaties aankunnen die niet letterlijk in zijn trainingsmateriaal voorkwamen.
Alleen speelt dat proces bij robots niet uitsluitend met woorden, afbeeldingen of software.
Een humanoïde robot moet de fysieke wereld begrijpen terwijl hij erin beweegt. Een verkeerde inschatting betekent niet alleen een fout antwoord op een scherm, maar mogelijk een gemiste handdoek, een gevallen object of een beweging die opnieuw moet worden uitgevoerd.
De woning wordt de nieuwe stresstest voor humanoïde AI
De dertig woningen maken daarom duidelijk waar de volgende grote uitdaging voor humanoïde robotica ligt.
Het gaat steeds minder om de vraag of een robot één indrukwekkende taak kan demonstreren. Het gaat om de vraag hoeveel verschillende omgevingen dezelfde intelligentie aankan zonder opnieuw geprogrammeerd of getraind te worden. Helix 2.5 laat volgens Figure zien dat brede voortraining op menselijke ervaring daarbij een belangrijke rol kan spelen.
De robot van de toekomst zal mogelijk niet voor iedere nieuwe woning opnieuw moeten leren wat een bed, handdoek of rommelige woonkamer betekent. Hij krijgt steeds meer algemene fysieke kennis mee voordat hij überhaupt door de voordeur stapt. En precies daar kan de echte schaalbaarheid van humanoïde robots beginnen.
