A Physical Intelligence abriu seus mais recentes modelos de fundação robóticos para treinamento e inferência por meio da beta da Pi API. Implantar robôs continua difícil, pois os desenvolvedores precisam identificar o caso de uso certo, construir o hardware adequado e fornecer modelos inteligentes o bastante para executar a tarefa. Modelos de propósito geral, como π0 e π0.5, oferecem uma base sólida de conhecimento físico, reduzindo substancialmente os dados e o esforço necessários para se adaptar a novas tarefas, ambientes ou robôs. Adaptá-los, porém, ainda exige infraestrutura de ML, capacidade computacional e pipelines de dados complexos.
A Pi API elimina grande parte desse peso. Os usuários enviam dados, iniciam o ajuste fino em uma infraestrutura gerenciada pela Physical Intelligence e acessam os modelos ajustados por meio de um gateway hospedado para inferência. O modelo mais recente disponível pela API oferece ajuste fino mais eficiente em dados e capacidade aprimorada para parceiros e, como a Pi pode atualizar rapidamente os modelos subjacentes, a empresa planeja continuar oferecendo acesso às suas versões mais novas e capazes.
As primeiras colaborações testaram os modelos em diversos setores. A Actor implanta máquinas pesadas autônomas, e sua carregadeira de rodas autônoma coleta material e o carrega em um caminhão basculante durante uma implantação comercial real, sem operador dentro da máquina. Em todas essas parcerias, o processo de melhoria de desempenho foi consistente: coletar demonstrações, treinar um modelo, testá-lo no robô e usar as falhas para orientar a próxima rodada de coleta de dados. A Almond, que fabrica o robô de dois braços Axol, usou a API para produzir, em quatro dias, um modelo que remove rebarbas de espaçadores usados na própria montagem do Axol.
A maioria das primeiras implantações, do Japão à Suíça e em todos os Estados Unidos, rodou com inferência hospedada na nuvem. Alguns usuários enfrentaram desafios de conectividade de rede, o que evidenciou pontos a melhorar. A Physical Intelligence afirma que o feedback do uso no mundo real orientará o desenvolvimento futuro dos modelos.
Fonte: Hacker News · Resumido por HeadlinesBriefing