Physical Intelligence hat seine neuesten robotischen Foundation-Modelle für Training und Inferenz über die Pi API Beta geöffnet. Der Einsatz von Robotern bleibt schwierig, denn Entwickler müssen den richtigen Anwendungsfall identifizieren, passende Hardware entwickeln und Modelle bereitstellen, die intelligent genug sind, um die Aufgabe zu erfüllen. Allzweckmodelle wie π0 und π0.5 bieten eine starke Grundlage an physikalischem Wissen und reduzieren den Daten- und Arbeitsaufwand für die Anpassung an neue Aufgaben, Umgebungen oder Roboter erheblich. Ihre Anpassung erfordert jedoch nach wie vor ML-Infrastruktur, Rechenleistung und komplexe Datenpipelines.
Die Pi API nimmt einen Großteil dieser Last ab. Nutzer laden Daten hoch, starten das Feintuning auf einer von Physical Intelligence verwalteten Infrastruktur und greifen über ein gehostetes Gateway für die Inferenz auf die feinabgestimmten Modelle zu. Das neueste über die API verfügbare Modell bietet effizienteres Feintuning mit weniger Daten und verbesserte Leistungsfähigkeit für Partner. Da Pi die zugrunde liegenden Modelle schnell aktualisieren kann, plant das Unternehmen, weiterhin Zugang zu seinen neuesten und leistungsfähigsten Versionen bereitzustellen.
Frühe Kooperationen testeten die Modelle in verschiedenen Branchen. Actor setzt autonome Schwermaschinen ein, und sein autonomer Radlader belädt in einem realen kommerziellen Einsatz einen Muldenkipper mit Material, ohne dass sich ein Bediener in der Maschine befindet. Über diese Partnerschaften hinweg war der Prozess zur Leistungsverbesserung einheitlich: Demonstrationen sammeln, ein Modell trainieren, es am Roboter testen und die Fehlschläge nutzen, um die nächste Runde der Datenerfassung zu steuern. Almond, das den zweiarmigen Roboter Axol entwickelt, nutzte die API, um innerhalb von vier Tagen ein Modell zu erstellen, das Distanzhalter entgratet, die in der Montage des Axol selbst verwendet werden.
Die meisten frühen Einsätze, von Japan bis in die Schweiz und in den gesamten Vereinigten Staaten, liefen über cloudbasierte Inferenz. Bei einigen Nutzern traten Herausforderungen bei der Netzwerkanbindung auf, was Verbesserungsbedarf aufzeigte. Physical Intelligence erklärt, dass Rückmeldungen aus dem realen Einsatz die künftige Modellentwicklung leiten werden.
Quelle: Hacker News · Zusammengefasst von HeadlinesBriefing