特斯拉機(jī)器人大轉(zhuǎn)向：訓(xùn)練需求至少是汽車的10倍

本文來自微信公眾號： 鳳凰網(wǎng)科技 （ID：ifeng_tech） ，綜合整理：簫雨，題圖來自：AI生成

北京時(shí)間8月26日，據(jù)《商業(yè)內(nèi)幕》報(bào)道，特斯拉在自動(dòng)駕駛技術(shù)上堅(jiān)持使用純視覺方案，現(xiàn)在它又把這一套成熟策略用在了人形機(jī)器人Optimus的訓(xùn)練上。

知情內(nèi)部人士告訴《商業(yè)內(nèi)幕》，特斯拉已在6月底告知員工， 公司未來將更加專注于通過純視覺方案來推進(jìn)Optimus人形機(jī)器人的訓(xùn)練。

此前，特斯拉使用動(dòng)作捕捉服和虛擬現(xiàn)實(shí) （VR） 頭顯來記錄人類操作員的數(shù)據(jù)，并遠(yuǎn)程操控機(jī)器人。現(xiàn)在，特斯拉將主要通過錄制員工執(zhí)行任務(wù)的視頻來訓(xùn)練機(jī)器人，讓其學(xué)習(xí)如何完成例如拾取物體或折疊T恤等動(dòng)作。

內(nèi)部人士稱，特斯拉表示，放棄動(dòng)作捕捉服和遠(yuǎn)程操作將使團(tuán)隊(duì)能夠更快速地?cái)U(kuò)大數(shù)據(jù)收集規(guī)模。

這一調(diào)整標(biāo)志著特斯拉機(jī)器人戰(zhàn)略的重大轉(zhuǎn)變，將讓Optimus的訓(xùn)練方式與埃隆·馬斯克 （Elon Musk） 長期堅(jiān)持的理念保持一致： AI可以通過攝像頭掌握復(fù)雜任務(wù) 。 長期以來，特斯拉也采用類似的方法來訓(xùn)練其自動(dòng)駕駛系統(tǒng)。

一、打破常規(guī)

遠(yuǎn)程操作和動(dòng)作捕捉是行業(yè)訓(xùn)練機(jī)器人時(shí)的標(biāo)準(zhǔn)做法。例如，知名機(jī)器人公司波士頓動(dòng)力就曾使用遠(yuǎn)程操作來訓(xùn)練其Atlas機(jī)器人。在訓(xùn)練過程中，員工會(huì)穿上動(dòng)作捕捉服執(zhí)行各種任務(wù)。這些數(shù)據(jù)隨后會(huì)被傳輸給機(jī)器人。動(dòng)作捕捉服也可用于遠(yuǎn)程控制機(jī)器人。

目前尚不清楚特斯拉未來是否會(huì)再次優(yōu)先使用動(dòng)作捕捉服和遠(yuǎn)程操作，或者是否利用視頻數(shù)據(jù)在此前收集的信息基礎(chǔ)上進(jìn)行進(jìn)一步訓(xùn)練。

人類與機(jī)器認(rèn)知研究所的高級研究科學(xué)家羅伯特·格里芬 （Robert Griffin） 對《商業(yè)內(nèi)幕》表示，大量遠(yuǎn)程操作數(shù)據(jù)使機(jī)器人能夠通過與環(huán)境的實(shí)際互動(dòng)來學(xué)習(xí)。他表示，要教會(huì)機(jī)器人將視頻數(shù)據(jù)轉(zhuǎn)化為現(xiàn)實(shí)世界的動(dòng)作并非易事。

“如果你只是使用視頻數(shù)據(jù)，就沒有這種直接交互體驗(yàn)?！彼f道。

今年5月，特斯拉發(fā)布了一段視頻，似乎顯示Optimus機(jī)器人正在根據(jù)視頻錄像完成各種任務(wù)。

特斯拉負(fù)責(zé)Optimus硬件研發(fā)的總監(jiān)康斯坦蒂諾斯·拉斯卡里斯 （Konstantinos Laskaris） 似乎已經(jīng)承認(rèn)了這一新策略。今年5月，他在領(lǐng)英上發(fā)文稱：“這聽起來令人難以置信，但我們的機(jī)器人正在通過人類視頻直接學(xué)習(xí)新任務(wù)！”

馬斯克也在5月表示， Optimus最終將能夠通過觀看YouTube視頻學(xué)習(xí)執(zhí)行任務(wù) 。

知情內(nèi)部人士稱，在技術(shù)轉(zhuǎn)型期間，特斯拉曾短暫停止Optimus團(tuán)隊(duì)的招聘。截至8月底，特斯拉的招聘頁面仍列出了50多個(gè)與Optimus相關(guān)的職位。

二、技術(shù)轉(zhuǎn)型

知情人士表示，在6月底之前，特斯拉仍在遠(yuǎn)程操作Optimus，并通過動(dòng)作捕捉服訓(xùn)練機(jī)器人。員工們需要花時(shí)間排查動(dòng)作捕捉服和Optimus的問題，這限制了團(tuán)隊(duì)能夠收集的數(shù)據(jù)量。

自訓(xùn)練方式轉(zhuǎn)變以來，員工們開始專注于使用5個(gè)內(nèi)部自制攝像頭記錄自身動(dòng)作。這些攝像頭安裝在員工佩戴的頭盔和沉重背包上。攝像頭向各個(gè)方向拍攝，為AI模型提供精確的環(huán)境定位數(shù)據(jù)。

佛羅里達(dá)州立大學(xué)FAMU-FSU工程學(xué)院機(jī)器人實(shí)驗(yàn)室主任克里斯蒂安·胡比茨基 （Christian Hubicki） 表示，多角度拍攝可能幫助特斯拉采集更精細(xì)的細(xì)節(jié)，“比如關(guān)節(jié)和手指的位置”，并實(shí)現(xiàn)機(jī)器人的空間精準(zhǔn)定位。他指出這些視頻也可用于增強(qiáng)此前通過遠(yuǎn)程操作收集的數(shù)據(jù)集。

執(zhí)行訓(xùn)練任務(wù)的工作人員會(huì)收到具體指令，特別是在手部動(dòng)作方面需要確保動(dòng)作盡可能接近人類形態(tài)。一名人士稱，有些員工可能需花費(fèi)數(shù)月時(shí)間重復(fù)執(zhí)行同一個(gè)簡單動(dòng)作。

謝菲爾德大學(xué)機(jī)器人專家喬納森·艾特肯 （Jonathan Aitken） 告訴《商業(yè)內(nèi)幕》， 特斯拉很可能需要想辦法教會(huì)Optimus使用可應(yīng)用于多種任務(wù)的動(dòng)作。

“在這種規(guī)模的操作中，他們必須建立通用動(dòng)作庫，否則逐個(gè)訓(xùn)練所有動(dòng)作將耗費(fèi)無窮的時(shí)間?！卑乜媳硎?。

他補(bǔ)充說，特斯拉可能會(huì)采用與Physical Intelligence公司類似的策略，后者向機(jī)器人輸入海量示范數(shù)據(jù)，使其能夠?qū)W習(xí)可轉(zhuǎn)移技能并靈活應(yīng)用，而非僅僅機(jī)械記憶單項(xiàng)任務(wù)的執(zhí)行方式。

三、比自動(dòng)駕駛更難

這一新策略與特斯拉訓(xùn)練其自動(dòng)駕駛系統(tǒng)的方案一致。盡管其他自動(dòng)駕駛公司使用激光雷達(dá)和雷達(dá)傳感器來訓(xùn)練軟件，特斯拉主要依賴多個(gè)攝像頭。

特斯拉使用從數(shù)百萬特斯拉車主收集的數(shù)據(jù)，這些車輛配備了八到九個(gè)攝像頭。馬斯克表示， 特斯拉之所以能在中國發(fā)布其輔助駕駛系統(tǒng)，得益于該公司利用公開亞洲街道視頻訓(xùn)練其AI系統(tǒng)。

不過，馬斯克在1月份的財(cái)報(bào)電話會(huì)議上承認(rèn)， “Optimus人形機(jī)器人的訓(xùn)練需求，可能最終至少是汽車所需的10倍。”

艾特肯表示：“這是非常符合特斯拉風(fēng)格的機(jī)器人開發(fā)方式。沒有其他公司在同等規(guī)模上嘗試這樣做。他們需要的數(shù)據(jù)量將與訓(xùn)練汽車所用的數(shù)據(jù)量相當(dāng)?！?/p>

俄勒岡州立大學(xué)AI與機(jī)器人專家艾倫·費(fèi)恩 （Alan Fern） 表示，對于特斯拉來說，訓(xùn)練Optimus將比開發(fā)自動(dòng)駕駛汽車更加艱巨。

“駕駛只是單一任務(wù)。”費(fèi)恩稱。他表示，主要靠視頻學(xué)習(xí)要求機(jī)器人理解視頻中發(fā)生的情況，然后具備完成任務(wù)的技能，“有些技能可以通過觀察學(xué)習(xí)，有些則需在模擬器或現(xiàn)實(shí)中進(jìn)行物理實(shí)踐”。

截至發(fā)稿，特斯拉尚未就此置評。