Træning af fysiske AI-modeller — robotter, der skal navigere i den virkelige verden — kræver langt mere end YouTube-videoer. Ifølge en ny analyse fra TechCrunch peger udviklingen mod behovet for flere kameravinkler, tæt annotation og i sidste ende hjernebølgeaflæsninger som datakilde. Læs hele analysen hos TechCrunch.
Problemet med nuværende metoder er, at manuel annotation af robot-træningsdata er både dyr og tidskrævende. Brain-computer interfaces (BCI), der måler elektrisk aktivitet i hjernen via EEG, kan potentielt levere en mere direkte og rigere signalstrøm. I stedet for at en menneskelig annotator skal markere hvert enkelt tidspunkt, hvor robotten skal gribe eller undvige, kan hjernebølgerne i teorien give en kontinuerlig, implicit feedback.
Men teknologien er langt fra moden. EEG-signaler er berygtede for at være støjfyldte og svære at tolke i realtid, især udenfor laboratoriemiljøer. Derudover kræver det specialiseret hardware og software at opsamle og processere dataene. For virksomheder, der investerer i robotik eller fysisk AI, betyder det, at BCI-baserede løsninger næppe bliver kommercielt relevante inden for de næste 3-5 år.
Strategisk set peger tendensen på, at data-kvalitet og -diversitet bliver den afgørende konkurrenceparameter for fysisk AI. Dem, der først får styr på multi-view og tæt annotation — og i sidste ende integration af BCI — vil have en markant fordel. Dette er vigtigt, fordi det understreger, at investeringer i dataindsamling og annotationsmetoder er afgørende for at opnå konkurrencefordele i feltet.
