Esta inicialização de simulação quer ser o Cursor da IA ​​física

A promessa da IA ​​física é que os engenheiros serão capazes de programar agentes físicos da mesma forma que fazem com os digitais.

Ainda não chegamos lá. A robótica ainda é prejudicada pela escassez de dados de espaços físicos. Para treinar as suas máquinas, as empresas precisam de construir armazéns simulados para testar as suas máquinas, enquanto toda uma indústria está a surgir em torno da vigilância das linhas de fábrica e dos trabalhadores para treinar modelos de aprendizagem profunda para operar robôs.

Outra opção é a simulação; réplicas virtuais detalhadas de ambientes do mundo real podem fornecer os dados e os espaços de trabalho que os roboticistas precisam para realizar esse trabalho de forma escalonável.

A Antioch, uma startup que cria ferramentas de simulação para desenvolvedores de robôs, quer fechar o que a indústria chama de lacuna entre simulação e realidade – o desafio de tornar ambientes virtuais realistas o suficiente para que robôs treinados dentro deles possam operar de forma confiável no mundo físico.

“Como podemos fazer o melhor trabalho possível para reduzir essa lacuna, para fazer com que a simulação pareça o mundo real da perspectiva do seu sistema autônomo?” Disse o CEO e cofundador da Antioch, Harry Mellsop.

Para fazer isso, a empresa disse ao TechCrunch hoje que levantou uma rodada inicial de US$ 8,5 milhões que a avalia em US$ 60 milhões, liderada pela empresa de risco A* e Category Ventures, com participação adicional de MaC Venture Capital, Abstract, Box Group e Icehouse Ventures.

Mellsop iniciou a empresa com sede em Nova York com quatro cofundadores em maio do ano passado. Dois dos outros fundadores, Alex Langshur e Michael Calvey, o ajudaram a fundar a Transpose, uma startup de segurança e inteligência, e vendê-lo para Chainalysis por um valor não revelado. Os outros dois – Collin Schlager e Colton Swingle – trabalharam anteriormente no Google DeepMind e no Meta Reality Labs, respectivamente.

A necessidade de uma melhor simulação está no cerne do que muitas grandes empresas autônomas estão fazendo. No setor de carros autônomos, por exemplo, a Waymo usa o modelo mundial do Google DeepMind para testar e avaliar seu modelo de direção. Em teoria, essa técnica fará com que a implantação de veículos Waymo em novas áreas exija menos recolha de dados, um custo fundamental na expansão da tecnologia de veículos autónomos.

Construir e usar esses modelos para testar robôs é sem dúvida um conjunto de habilidades diferente do que criar um carro autônomo, e Antioch quer construir a plataforma que resolva esse problema para empresas mais novas sem capital para fazer tudo sozinhas. Essas empresas menores também não têm capital para construir arenas de testes físicos ou dirigir carros repletos de sensores por alguns milhões de quilômetros.

“A grande maioria da indústria não usa simulação alguma, e acho que agora estamos entendendo claramente que precisamos avançar mais rápido”, disse Mellsop.

Os executivos da Antioch comparam seu produto ao Cursor, a popular ferramenta de desenvolvimento de software baseada em IA. O Antioch permite que os construtores de robôs criem múltiplas instâncias digitais de seu hardware e as conectem a sensores simulados que imitam os mesmos dados que o software do robô receberia no mundo real. Esses ambientes permitem que os desenvolvedores testem casos extremos, realizem aprendizado por reforço ou gerem novos dados de treinamento.

Isto é, se a simulação for de fidelidade suficientemente alta. O desafio aqui é garantir que a física da simulação corresponda à realidade, para que quando o modelo for colocado no comando de uma máquina real, nada dê errado. A empresa começa com modelos desenvolvidos pela Nvidia, World Labs e outros, e constrói bibliotecas específicas de domínio para torná-los fáceis de usar. Trabalhar com vários clientes, dizem os executivos, dá à Antioch um contexto profundo para refinar suas simulações que nenhuma empresa física de IA poderia igualar sozinha.

“O que aconteceu com a engenharia de software e LLMs está apenas começando a acontecer com a IA física”, disse Çağla Kaymaz, sócio da Category Ventures, ao TechCrunch. “Trabalhamos muito em ferramentas de desenvolvimento e adoramos essa vertical, mas os desafios são diferentes. Com software, você pode ter essas ferramentas de codificação ruins, e o risco geralmente é bastante restrito ao mundo digital. No mundo físico, os riscos são muito maiores.”

O foco de Antioch agora está principalmente em sistemas de sensores e percepção, que respondem pela maior parte da necessidade em carros e caminhões automatizados, máquinas agrícolas e de construção, ou drones aéreos. As aspirações de IA física para alimentar robôs generalizados para replicar tarefas humanas estão mais distantes. Embora a proposta da Antioch seja para startups, alguns dos seus primeiros compromissos foram com grandes multinacionais que já estão investindo pesadamente em robótica.

Adrian Macneil tem um conhecimento sólido deste espaço. Como executivo da startup autônoma Cruise, ele construiu a infraestrutura de dados da empresa e, em 2021, fundou a Foxglove, uma empresa que oferece o mesmo tipo de pipeline de dados para startups físicas de IA. Macneil está apoiando Antioquia como investidor anjo.

“A simulação é realmente importante quando você está tentando construir um caso de segurança ou lidando com tarefas de altíssima precisão”, disse ele na conferência Ride.AI em São Francisco na quarta-feira. “Não é possível dirigir quilômetros suficientes no mundo real.”

Macneil gostaria de ver o mesmo tipo de ferramentas que impulsionou a revolução SaaS – plataformas como Github, Stripe e Twilio – surgindo para dar suporte à IA física. “Precisamos que muito mais de todo o conjunto de ferramentas esteja disponível na prateleira”, disse ele ao TechCrunch.

“Todos nós realmente pensamos que qualquer pessoa que construa um sistema autônomo para o mundo real o fará em software principalmente em dois ou três anos”, disse Mellsop. “É a primeira vez que agentes autônomos podem iterar em um sistema de autonomia física e realmente fechar o ciclo de feedback.”

Já existem experimentos nesse sentido. David Mayo, pesquisador do Laboratório de Ciência da Computação e Inteligência Artificial do MIT, está usando a plataforma da Antioch para avaliar LLMs. Em um experimento, Mayo fez modelos de IA projetarem robôs e, em seguida, usar o simulador de Antioch para testá-los. Pode até colocar os modelos uns contra os outros em concursos simulados, como empurrar um bot rival para fora de uma plataforma. Dar aos LLMs uma área restrita realista poderia ajudar a fornecer um novo paradigma para a sua avaliação comparativa.

Antes da chegada de um mundo de engenheiros de IA, no entanto, ainda há mais trabalho pela frente para colmatar a lacuna entre os modelos digitais e o mundo real. Se isso puder ser feito, os desenvolvedores serão capazes de criar o tipo de volante de dados que Macneil acredita ser a chave para o sucesso de líderes de categoria como Waymo, onde os engenheiros estão cada vez mais confiantes de que o modelo do próximo mês será mais capaz que o anterior.

Se outras empresas quiserem replicar esse sucesso, elas mesmas precisarão construir essas ferramentas – ou comprá-las.