Živý pohled na oblast robotiky + AI

Toto je bezpochyby nejlepší startup v oblasti robotiky, jaký jsem kdy viděl 🔥 Inovace od hardwarového designu přes velké sázky na UMI až po plynulé a působivé politiky. Po 1,5 roce stealth se okamžitě umístil jako top 5 modelový tým pro roboty. Gratulace!👏

Po 8 nezapomenutelných letech jsem se rozhodl opustit Google DeepMind. Cítím nesmírnou vděčnost, že jsem měl příležitost pomoci transformovat sen o univerzálním učení robotů z kacířské okrajové myšlenky do normalizovaného technologického plánu. Byla to čest mého života pracovat na nejnáročnějších a nejdůležitějších problémech naší doby s těmi nejchytřejšími, nejlaskavějšími a nejtalentovanějšími kolegy, jaké jsem si mohl přát. Děkuji Julianovi a Vincentovi za to, že se v roce 2017 chopili příležitosti, když tým nesourodých lidí v Google Brain začal zkoumat potenciál komplexního učení na pažních farmách v reálném světě. Tým vždy snil o velkém: mým "startovacím projektem" s Coreym a Pierrem bylo pracovat na cíleně podmíněné imitační politice, která by byla schopna přejít od jakéhokoli počátečního stavu (latentního vkládání) k jakémukoli cílovému stavu. Tento tříměsíční projekt se změnil na dvouleté úsilí! Ale i když byly výzkumné ambice vysoké, kolegové a mentoři byli vždy standardně uzemnění a soucitní. Alex H, Karol, Julian a Sergey podporovali mou vizi RL se souběžným řízením ve velkém měřítku a zároveň mi poskytli prostor k tomu, abych vyrostl v kreativního výzkumníka podle svých vlastních podmínek. Technický pokrok týmu a můj vlastní výzkumný vkus se začal podstatně zrychlovat v roce 2020, kdy Kaniška a Karol inspirovali celý tým k velké sázce na jeden jediný bláznivý pokus o měsíc: obecnou politiku robotů, která by mohla plnit tisíce úkolů v domácnosti. Takové bezprecedentní skupinové úsilí bylo pro celý tým nové, ale nesmírně uspokojivé – naučit se, jak harmonicky procházet škálováním reálných systémů 0:1 (robotické flotily, teleoperátoři, škálované učební zásobníky) spolu s přísným vědeckým zkoumáním (objektivní srovnání škálovacích vlastností imitace a zpětnovazebního učení). Během této doby jsem se toho tolik naučil od všech svých spolubojovníků a dokonce i dnes mnoho mých výzkumných a inženýrských intuic čerpá z lekcí, které jsem se naučil od Erica, Yao, Alexe I., Keerthany a Jevgena. Následující období, které začalo v roce 2022, bylo naprosto kouzelné a jedinečné v šíři a hloubce imaginativních průzkumů, na kterých jsem měl tu čest se podílet a které jsem vedl. Zkoumání potenciálu základních modelů robotiky natrvalo změnilo můj výzkumný pohled a projekty jako SayCan, RT-1 a RT-2 mi připadaly jako první magicky virální okamžiky, kdy svět začal vážněji přemýšlet o tom, jak by mohl vypadat příslib obecné a výkonné ztělesněné umělé inteligence. Když první všeobecné VLA začaly spolehlivě plnit úkoly, pro které jsme předtím nesbírali data, byl to pro náš tým i v oboru obrovský okamžik rozsvícení žárovky. Během této doby jsem byl nesmírně inspirován tím, co pro výzkum dokáže vysoká svoboda jednání, maniakální kreativita a závratná rychlost iterací, a učil jsem se od extrémně laskavých a produktivních kolegů, jako jsou Fei, Brian, Andy, Pete, Quan, Harris a Danny. Tento přístup divoce kreativního výzkumu jsem aplikoval na oblasti, na kterých mi záleželo, jako je vytváření lepších reprezentací akcí, porozumění zobecnění robotů a využití VLM pro kvalitu a rozšíření dat. Jsem vděčný kolegům, kteří se ke mně připojili na těchto dobrodružných výpravách, jako jsou Chelsea, Dorsa, Jonathan, Wenhao, Tianli, Montse, Sean, Austin, Kelly a Paul. Hluboce si také vážím všech akademických spoluprací během této doby – od multiinstitucionálního cross-embodiment učení přes open-source VLA až po škálovatelné offline hodnocení až po organizování workshopů. Děkuji vám, studenti, stážisté a přátelé; zejména Soroush, Jiayuan, Laura, Xuanlin, Kyle, Karl, Oier, Dhruv, Annie, Jensen, Priya, Suneel, Ike, Homanga, Hao a Xuesu. V poslední kapitole mé kariéry v GDM, která začala v roce 2024, jsem se zamiloval do vědy a dopadu hraničních modelů a do toho, jak je správně využít v robotice. Vždycky mě zásadně štvalo, že učení robotů často vypadalo jako "klasické" strojové učení, které jen přiřazuje jednoduché distribuce malými modely, spíše než jako naleštěné škálované systémy a věda o tom, jak se hraniční modely vyvíjejí s předtréninkem, průběžným tréninkem a posttréninkem. Chtěl jsem se dozvědět něco o tomto světě a přijít na to, jak přimět AGI porozumět fyzickému světu. Jsem hrdý na pokrok, kterého jsme dosáhli, a od doby, kdy jsme s Gemini 1.0 začali, až do dneška, výzkumné inovace, které jsme odhalili, postavily Gemini i Gemini Robotics jasně do popředí jak základního porozumění světu, tak obecného řízení VLA. Moc děkuji svým kolegům z Embodied Reasoning, díky kterým je každý den jasný, zajímavý a zábavný: Fei, Jacky, Laura, Wentao, Annie, Lewis, Ksenia, Mohit, Sean a Danny. Děkuji přátelům v Gemini Multimodal, kteří mě naučili, jak modelovat hranice: Xi, Karel, Ishita a Xudong. Děkuji našeptávačům VLA, kteří mi ukázali, jak daleko vás inovace a vytrvalost mohou dovést: Coline, Giulia, Claudio, Alex L, Sumeet, Ashwin, Sudeep, Debi a Ayzaan. Děkuji mentorům, kteří v průběhu let poskytli zářné příklady toho, že rychlost, dopad a soucit nejsou nulovým součtem: Carolina, Jie, Kanishka, Nicolas, Jonathan, Pierre, Vincent, Karol, Sergey, Chelsea a Julian. Děkuji, děkuji, děkuji. Bylo to neuvěřitelné dobrodružství a já mám velké štěstí, že jsem byl součástí bláznivého týmu, který začal technologické průlomy transformující svět do světa, kde je ve společnosti všudypřítomná obecná a nápomocná AGI. Vždy budu #1 fanouškem GDM! Pokud jde o mou vlastní cestu, vydám se na nové dobrodružství, známé i velmi odlišné, a doufám, že brzy budu mít další, o které se s vámi podělím.