Questa startup di simulazione vuole essere il cursore per l’intelligenza artificiale fisica

La promessa dell’intelligenza artificiale fisica è che gli ingegneri saranno in grado di programmare gli agenti fisici nello stesso modo in cui programmano quelli digitali.

Non siamo ancora arrivati. La robotica è ancora frenata dalla scarsità di dati provenienti dagli spazi fisici. Per addestrare le loro macchine, le aziende devono costruire magazzini modello per testare le loro macchine, mentre un intero settore sta nascendo attorno alla sorveglianza delle linee di fabbrica e degli addetti ai lavori per addestrare modelli di deep learning per far funzionare i robot.

Un’altra opzione è la simulazione; repliche virtuali dettagliate di ambienti del mondo reale potrebbero fornire i dati e gli spazi di lavoro di cui gli esperti di robotica hanno bisogno per svolgere questo lavoro in modo scalabile.

Antioch, una startup che costruisce strumenti di simulazione per sviluppatori di robot, vuole colmare quello che l’industria chiama il divario tra simulazione e realtà: la sfida di rendere gli ambienti virtuali abbastanza realistici da consentire ai robot addestrati al loro interno di operare in modo affidabile nel mondo fisico.

“Come possiamo fare il miglior lavoro possibile riducendo questo divario, per far sì che la simulazione sembri proprio come il mondo reale dal punto di vista del tuo sistema autonomo?” Lo ha detto il CEO e cofondatore di Antioch, Harry Mellsop.

Per fare ciò, la società ha dichiarato oggi a TechCrunch di aver raccolto un round iniziale di 8,5 milioni di dollari per un valore di 60 milioni di dollari, guidato dalla società di venture capital A* e Category Ventures, con la partecipazione aggiuntiva di MaC Venture Capital, Abstract, Box Group e Icehouse Ventures.

Mellsop ha avviato la società con sede a New York con quattro cofondatori nel maggio dello scorso anno. Due degli altri fondatori, Alex Langshur e Michael Calvey, lo hanno aiutato a fondare Transpose, una startup di sicurezza e intelligence, e venderlo a Chainalysis per una cifra non rivelata. Gli altri due – Collin Schlager e Colton Swingle – hanno lavorato in precedenza rispettivamente presso Google DeepMind e Meta Reality Labs.

La necessità di una migliore simulazione è al centro di ciò che stanno facendo molte delle principali aziende di autonomia. Nello spazio delle auto a guida autonoma, ad esempio, Waymo utilizza il modello mondiale di Google DeepMind per testare e valutare il suo modello di guida. In teoria, questa tecnica farà sì che l’implementazione dei veicoli Waymo in nuove aree richieda una minore raccolta di dati, un costo fondamentale per ampliare la tecnologia dei veicoli autonomi.

Costruire e utilizzare questi modelli per testare i robot è probabilmente un insieme di competenze diverso rispetto alla creazione di un’auto a guida autonoma, e Antioch vuole costruire la piattaforma che risolve questo problema per le nuove aziende senza il capitale per fare tutto da sole. Queste aziende più piccole inoltre non hanno il capitale per costruire arene di test fisici o guidare auto tempestate di sensori per qualche milione di miglia.

“La stragrande maggioranza del settore non utilizza alcun tipo di simulazione e penso che ora stiamo davvero capendo chiaramente che dobbiamo muoverci più velocemente”, ha affermato Mellsop.

I dirigenti di Antioch confrontano il loro prodotto con Cursor, il popolare strumento di sviluppo software basato sull’intelligenza artificiale. Antioch consente ai costruttori di robot di creare più istanze digitali del proprio hardware e collegarle a sensori simulati che imitano gli stessi dati che il software del robot riceverebbe nel mondo reale. Questi ambienti consentono agli sviluppatori di testare casi limite, eseguire l’apprendimento per rinforzo o generare nuovi dati di addestramento.

Se, cioè, la simulazione è sufficientemente ad alta fedeltà. La sfida qui è assicurarsi che la fisica nella simulazione corrisponda alla realtà in modo che quando il modello viene incaricato di una macchina reale, nulla va storto. L’azienda inizia con modelli realizzati da Nvidia, World Labs e altri e crea librerie specifiche del dominio per renderle facili da usare. Lavorare con più clienti, dicono i dirigenti, offre ad Antioch una profondità di contesto per perfezionare le sue simulazioni che nessuna singola azienda fisica di intelligenza artificiale potrebbe eguagliare da sola.

“Quello che è successo con l’ingegneria del software e i LLM sta appena iniziando ad accadere con l’intelligenza artificiale fisica”, ha detto a TechCrunch Çağla Kaymaz, partner di Category Ventures. “Lavoriamo molto sugli strumenti di sviluppo e amiamo questo aspetto verticale, ma le sfide sono diverse. Con il software, puoi avere questi pessimi strumenti di codifica e il rischio è generalmente piuttosto contenuto nel mondo digitale. Nel mondo fisico, la posta in gioco è molto più alta.”

L’attenzione di Antiochia ora è principalmente sui sistemi di sensori e di percezione, che rappresentano la maggior parte delle necessità in auto e camion automatizzati, macchine agricole e edili o droni aerei. Le aspirazioni che l’intelligenza artificiale fisica possa alimentare robot generalizzati per replicare i compiti umani sono più lontane. Sebbene il focus di Antioch sia rivolto alle startup, alcuni dei suoi primi impegni sono stati con enormi multinazionali che stanno già investendo massicciamente nella robotica.

Adrian Macneil ha una solida conoscenza di questo spazio. In qualità di dirigente della startup di guida autonoma Cruise, ha costruito l’infrastruttura dati dell’azienda e nel 2021 ha fondato Foxglove, una società che offre lo stesso tipo di pipeline di dati alle startup fisiche di intelligenza artificiale. Macneil sostiene Antioch come angel investor.

“La simulazione è davvero importante quando si tenta di creare un caso di sicurezza o di gestire compiti ad alta precisione”, ha affermato mercoledì alla conferenza Ride.AI a San Francisco. “Non è possibile percorrere abbastanza chilometri nel mondo reale.”

Macneil vorrebbe vedere lo stesso tipo di strumenti che hanno guidato la rivoluzione SaaS – piattaforme come Github, Stripe e Twilio – emergere per supportare l’intelligenza artificiale fisica. “Abbiamo bisogno che molto di più dell’intera catena di strumenti sia disponibile immediatamente”, ha detto a TechCrunch.

“Siamo tutti sinceramente convinti che chiunque voglia costruire un sistema autonomo per il mondo reale lo farà principalmente tramite software entro due o tre anni”, ha affermato Mellsop. “È la prima volta che puoi avere agenti autonomi che eseguono l’iterazione su un sistema di autonomia fisica e chiudono effettivamente il ciclo di feedback.”

Esistono già esperimenti in questa direzione. David Mayo, ricercatore presso il Laboratorio di informatica e intelligenza artificiale del MIT, sta utilizzando la piattaforma di Antioch per valutare gli LLM. In un esperimento, Mayo fa progettare robot a modelli di intelligenza artificiale, quindi utilizza il simulatore di Antioch per testarli. Può anche mettere i modelli uno contro l’altro in gare simulate, come spingere un robot rivale fuori da una piattaforma. Dare agli LLM un sandbox realistico potrebbe aiutare a fornire un nuovo paradigma per il loro benchmarking.

Prima che arrivi un mondo di ingegneri dell’intelligenza artificiale, tuttavia, c’è ancora molto lavoro da fare per colmare il divario tra i modelli digitali e il mondo reale. Se ciò sarà possibile, gli sviluppatori saranno in grado di creare il tipo di volano di dati che Macneil ritiene sia la chiave del successo di leader di categoria come Waymo, dove gli ingegneri sono sempre più fiduciosi che il modello del prossimo mese sarà più capace del precedente.

Se altre aziende vogliono replicare questo successo, dovranno costruire da sole questi strumenti o acquistarli.