Physical Intelligence a ouvert ses derniers modèles de fondation robotiques pour l'entraînement et l'inférence grâce à la bêta de Pi API. Déployer des robots reste difficile : les développeurs doivent identifier le bon cas d'usage, concevoir un matériel adapté et fournir des modèles suffisamment intelligents pour accomplir la tâche. Les modèles à usage général, comme π0 et π0.5, offrent une base solide de connaissances physiques, réduisant considérablement les données et les efforts nécessaires pour s'adapter à de nouvelles tâches, de nouveaux environnements ou de nouveaux robots. Cependant, les adapter exige encore une infrastructure de ML, des ressources de calcul et des pipelines de données complexes.
La Pi API supprime une grande partie de cette charge. Les utilisateurs téléchargent leurs données, lancent le réglage fin sur une infrastructure gérée par Physical Intelligence et accèdent aux modèles affinés via une passerelle hébergée pour l'inférence. Le dernier modèle disponible via l'API offre un réglage fin plus économe en données et des capacités améliorées pour les partenaires. Comme Pi peut mettre à jour rapidement les modèles sous-jacents, l'entreprise prévoit de continuer à donner accès à ses versions les plus récentes et les plus performantes.
Les premières collaborations ont testé les modèles dans plusieurs secteurs. Actor déploie des engins lourds autonomes ; son chargeur à roues autonome charge de la matière dans un camion-benne lors d'un déploiement commercial réel, sans opérateur à bord. Dans l'ensemble de ces partenariats, le processus d'amélioration des performances était constant : collecter des démonstrations, entraîner un modèle, le tester sur le robot, puis utiliser les échecs pour guider le cycle suivant de collecte de données. Almond, qui fabrique le robot bi-bras Axol, a utilisé l'API pour produire en quatre jours un modèle capable d'ébavurer les entretoises employées dans l'assemblage même de l'Axol.
La plupart des premiers déploiements, du Japon à la Suisse en passant par les États-Unis, ont fonctionné avec une inférence hébergée dans le cloud. Certains utilisateurs ont rencontré des problèmes de connectivité réseau, ce qui a mis en lumière des axes d'amélioration. Physical Intelligence affirme que les retours issus de l'usage réel orienteront le développement futur de ses modèles.
Source: Hacker News · Résumé par HeadlinesBriefing