Nagbubukas ang Physical Intelligence ng beta service para sa mga team na gustong iangkop ang mga robot model nito sa sarili nilang makina at gawain. Ang anunsyo ng Pi API, na inilathala noong Oktubre 13, ay nagsasabing maaaring mag-upload ng datos ng robot ang isang team, mag-fine-tune ng modelo sa imprastrakturang pinamamahalaan ng Pi, at tawagin ang nagawang modelo sa pamamagitan ng hosted inference. Nagsisimula sa aplikasyon ang pag-access, at sinasabi ng Pi na tatanggap ito ng mga team nang pa-batch.

Binabago nito kung saan ginagawa ang ilang bahagi ng engineering ng modelo. Kailangan pa rin ng developer ng robot ang angkop na makina, gawaing sulit i-automate, mga demonstrasyon ng gawaing iyon, at paraan para subukan ang modelo sa makina. Iminumungkahi ng Pi na patakbuhin nito ang training at model-serving layer na nag-uugnay sa mga bahaging iyon.

Ang malaking pagbabago

  • Ano ang nagbago: Nag-aalok ang Pi ng hosted adaptation ng mga robot model nito para sa piling team. Ang pampublikong openpi repository nito ay mayroon nang mas lumang mga checkpoint at halimbawa para sa mga team na handang magpatakbo ng sarili nilang training stack; nagdaragdag ang beta ng pinamamahalaang paraan para sa fine-tuning at inference.
  • Bakit ito mahalaga: Kung ililipat sa Pi ang imprastraktura ng training, maaaring mas mapagtuunan ng robot team ang pangangalap ng kapaki-pakinabang na demonstrasyon at pagsusuri ng kilos sa sarili nitong kagamitan. Hindi ibinibigay ng serbisyo ang robot, itinatakda ang matagumpay na gawain, o pinatutunayang ligtas ang operasyon para sa customer.
  • Ano ang dapat bantayan: Nakadepende ang halaga ng beta sa mauulit na resulta ng gawain at praktikal na mga tuntunin ng integration. Naglahad ang Pi ng mga halimbawa mula sa partner, samantalang hindi tinukoy sa pampublikong materyal ng paglulunsad ang bersyon ng modelo, sinusuportahang hardware, presyo, API contract o mga tuntunin sa kaligtasan.

Ang trabahong ililipat sa Pi

Ganito ang inilalarawang sunod-sunod na hakbang ng Pi: mag-upload ng datos, simulan ang fine-tuning sa pinamamahalaang compute nito, saka gumamit ng hosted gateway para sa inference. Sa paglalarawan ng workflow , ginagabayan ng datos ng pagsusuri ang susunod na pag-ulit. Nangangalap ng demonstrasyon ang developer, nagsasanay, sumusubok sa robot at pinag-aaralan ang mga pagkabigo upang magpasya kung anong datos ang susunod na kukunin. Layunin ng API na patakbuhin ng developer ang siklong iyon nang mag-isa habang ang Pi ang nagpapatakbo ng imprastraktura ng modelo.

Ipinapakita ng openpi codebase ng kumpanya ang dating DIY na paraan. Kabilang dito ang mga checkpoint na π₀, π₀-FAST at π₀.₅, at mga halimbawa para mag-convert ng dataset, magtakda ng fine-tuning at maghatid ng policy. Ipinakikita ng nakasaad na pangangailangan sa GPU at mga hakbang sa paghahanda ng datos kung bakit maaaring maging kaakit-akit ang managed training sa team na eksperto sa robotics ngunit limitado ang imprastraktura sa machine learning. Hindi tinukoy ng anunsyo ang beta model ayon sa bersyon, kaya huwag ipagkamali ang mga open-source model sa partikular na modelong inihahatid ng API.

Sinasabi ng Pi na mas mahusay ang pinakabagong API model nito at mas matipid sa datos ang fine-tuning para sa mga partner. Walang inilathalang paghahambing na dataset, benchmark protocol o success rate ng gawain ang launch post upang sukatin ang pahayag na iyon. Sinasabi rin nitong karamihan sa itinampok na aplikasyon ay gumamit ng cloud-hosted inference at may ilan na nakaranas ng problema sa koneksiyon sa network. Mahalaga ito sa gumagalaw na makinang umaasa sa remote service ang control loop, bagaman walang tinukoy na latency o reliability requirement ang post.

Ano ang kailangang dalhin ng isang team

Itinatanong ng aplikasyon para sa beta kung sino sa team ang magsasanay ng policy, ano ang nagawa nila sa datos ng robot at pagsusuri ng policy, anong eksaktong gawain ang nais nilang maisagawa, at gaano karami ang teleoperation o simulation data nila. Itinatanong din ang bilang at uri ng robot, gustong lokasyon ng inference at pamantayan ng tagumpay ng gawain. Mga tanong ito sa aplikasyon, hindi mga inilathalang threshold ng pagiging kwalipikado o garantiya ng lokal na inference. May pagpipiliang cloud, local, pareho at hindi sigurado ang form; hosted inference ang inilalarawan sa paglulunsad.

Itinuturo ng mga tanong na iyon ang bahaging hindi kayang i-automate ng serbisyo para sa customer: pagpapasya kung ano ang tamang kilos sa isang partikular na robot at pagsukat nito sa robot na iyon. Inilalarawan ng Pi ang mga unang partner na paulit-ulit na dumaraan sa demonstrasyon, pagsubok at kabiguan. Kabilang sa mga halimbawa nito ang Axol ng Almond, isang robot na may dalawang braso na ipinakitang nag-aalis ng burr sa mga spacer para sa assembly matapos ang apat na araw ng pag-ulit gamit ang API. Inilarawan din ng Pi ang wheel loader ng Actor na nagsasandok at nagkakarga ng materyal sa komersiyal na deployment. Mga salaysay at clip ito na pinili ng Pi, hindi independiyenteng sukat ng pangkalahatang reliability, kaligtasan o performance sa iba’t ibang hardware.

Ang kasalukuyang pampublikong paraan ay mag-apply para sa beta access. Hindi inilathala ng Pi sa mga materyal na sinuri rito ang bukas na API contract, schema ng request at response, pangalan ng beta model, listahan ng compatible na hardware, presyo, tuntunin sa paghawak ng datos o kasunduan sa kaligtasan. Kailangan ng team na nagsusuri sa serbisyo ang mga tuntuning iyon at sarili nitong paulit-ulit na pagsubok sa robot bago malaman kung angkop ang hosted inference sa totoong operasyon.

Kaugnay na mga ulat

Sinuri na ng BIG CHANGE dati ang policy ng robot ng Runway na sinanay gamit ang video and pabrika ng datos para sa humanoid robot sa Japan. Kaugnay ang mga ito sa paggawa ng modelo at datos. Hiwalay na kaganapan ang pagbubukas ng serbisyo sa anunsyo ng Pi noong Oktubre 13.

Mga sanggunian at iba pang babasahin