Rhoda AI, una startup specializzata nello sviluppo di modelli di intelligenza artificiale per la robotica, è emersa dallo stealth dopo 18 mesi con l’annuncio di un round di finanziamento di Serie A da 450 milioni di dollari. La società intende applicare i suoi modelli AI a una vasta gamma di settori, tra cui automotive, manifatturiero, logistica ed e-commerce.
Jagdeep Singh, CEO di Rhoda AI, ha spiegato che l’azienda sta sviluppando modelli che utilizzano dati video per creare modelli di robotica generalizzati. “Siamo concentrati sul dispiegamento nel mondo reale, e questo significa che devi affrontare il disordine del mondo reale. Ogni esecuzione può essere diversa”, ha affermato Singh.
Il problema della scala dei dati nell’AI fisica
Secondo Singh, uno dei principali ostacoli allo sviluppo di modelli di intelligenza artificiale per la robotica è la mancanza di dataset su scala internet. Mentre modelli di linguaggio di grandi dimensioni come ChatGPT hanno beneficiato di dataset enormi, il mondo dell’AI fisica non ha avuto accesso a una quantità comparabile di dati. “Nel mondo dell'AI fisica, non avevi un dataset su scala internet”, ha dichiarato Singh.
Singh ha anche criticato i tentativi precedenti di raccogliere dati tramite la tele-operazione di robot. Sebbene questi dati abbiano prodotto dimostrazioni interessanti, secondo Singh non sono stati sufficientemente robusti per affrontare le sfide del mondo reale. “Il numero di robot capaci di manipolazione autonoma che risolvono problemi del mondo reale oggi è praticamente zero”, ha affermato.
Come funziona il modello Direct Video Action
Il modello Direct Video Action (DVA) di Rhoda analizza una storia di fotogrammi video, insieme a token di azione e token di linguaggio, e prevede la scena e le azioni future per i successivi 100 millisecondi. La previsione viene quindi convertita in azioni robotiche.
“È fondamentalmente fare un'osservazione, una previsione di ciò che dovrebbe accadere successivamente, una conversione in azione, un'esecuzione dell'azione, e poi chiudere il ciclo con una nuova osservazione e una nuova previsione”, ha spiegato Singh.
L’importanza della quantità di dati
Singh ha sottolineato che una quantità sufficiente di dati è essenziale per sviluppare modelli robusti. Ha affermato che modelli addestrati su piccoli dataset tendono a essere fragili. “Qualsiasi modello AI addestrato su un piccolo dataset sarà molto fragile”, ha detto.