Каждый парк автономных машин должен учиться на собственном опыте.

Представьте автомобиль, приближающийся к участку дорожных работ, который изменился за ночь. Его модель с трудом распознаёт новую схему движения. Запись должна стать чем-то большим, чем файл журнала или материал для разового расследования. С нужным контекстом она может помочь команде понять причину сбоя, подготовить лучшие обучающие данные и проверить, справляется ли следующая модель с этой ситуацией надёжнее.

Именно такого будущего мы хотим для автономных машин: опыта, который раз за разом становится полезным обучением. Робот-доставщик, машина для сбора урожая и промышленный манипулятор решают разные задачи. Но их создателям одинаково нужна связь между событиями в реальном мире и изменениями в модели. Мы хотим превратить эту связь в надёжную инфраструктуру.

В Tesla Autopilot я работал над системами, которые превращали редкие ситуации из опыта автопарка в улучшения моделей. Эта работа научила меня смотреть дальше самой модели: как команда находит полезные примеры, сохраняет контекст сенсоров, определяет, что произошло, и превращает эти решения в следующий обучающий датасет. Способность повторять этот процесс важна не меньше любого отдельного прорыва.

Я основал Avala, потому что другие команды Physical AI не должны создавать всю эту основу с нуля. Они должны иметь возможность направлять лучшие инженерные силы на машины и модели, которые их отличают. Avala должна давать им надёжный способ учиться у реального мира — от первого рабочего процесса в эксплуатации до парков машин, которыми они будут управлять в будущем.

Наша работа начинается с данных реальной эксплуатации: мультимодальных сенсорных записей, разметки и проверки качества. Записи MCAP и ROS, изображения камер, LiDAR и траектории роботов должны сохранять связь с контекстом, который делает их полезными. Мы объединяем программное обеспечение и работу экспертов, чтобы подготовить данные, отвечающие требованиям клиента к обучению.

Начните с повторяющейся проблемы: несогласованной разметки, недостающих примеров или обучающего датасета, которому снова требуется исправление. Определите критерии приёмки. Измерьте время выполнения, качество и общие трудозатраты. Затем упростите подготовку следующего релиза. Так отдельный проект по работе с данными может стать системой, на которую клиент полагается, а не очередной изолированной поставкой.

К 2036 году наша цель — сделать Avala инфраструктурой обучения по умолчанию для команд, создающих автономные машины: системой, с помощью которой они превращают опыт эксплуатации в обучающие релизы, связывают эти релизы с оценкой и повторяют успешные подходы во всех своих парках машин. Мы намерены заслужить это место, пройдя четыре связанных этапа.

1. 01

   Доказать ценность одного рабочего процесса в эксплуатации.

   Решить проблему, которую клиенту нужно решить сейчас. Выполнить чёткие критерии приёмки и измерить результат по сравнению с прежним процессом. Сделать следующий цикл надёжнее, а не просто впечатлить первой поставкой.

2. 02

   Стать общей основой для моделей и команд.

   Перенести единую идентификацию датасетов, историю проверок и политики качества в большее число рабочих процессов. Каждое расширение должно повторно использовать уже созданную инфраструктуру. Критерий успеха — сможет ли другая команда или модель получить пользу без очередного отдельного инженерного проекта.

3. 03

   Автоматизировать работу между обнаружением проблемы и улучшением.

   Двигаться к созданию агентов, которые превращают цель обучения в исполнимый план: находят существующие данные, организуют сбор недостающих примеров, координируют экспертную проверку, готовят релиз и связывают результаты оценки со следующим решением. Автоматизировать рутинную работу, сохраняя действия с существенными последствиями в заданных рамках, доступными для проверки и под контролем клиента.

4. 04

   Обеспечить переносимость процесса обучения во всей экосистеме.

   Связать стеки робототехники, модели и инфраструктуру через открытые интерфейсы. Команды должны иметь возможность внедрять лучшие инструменты, сохраняя свою историю. Общие датасеты и модели могут расширять эту основу там, где их владельцы решают ими поделиться и повторное использование разрешено. Совместимость должна расширять доступ, не требуя отказа от контроля.

Клиенты должны сохранять конкурентное преимущество, которое дают их собственные технологии и данные. Обучение на опыте парка машин не должно означать негласное объединение его данных с данными конкурента. Мы поддерживаем переносимость данных, ясные права и развёртывание под контролем клиента. Avala должна заслуживать своё место ценностью системы, а не сложностью отказа от неё.

Люди, которые обучают и оценивают машины, — часть этого будущего. Их экспертное суждение заслуживает хороших инструментов, справедливого вознаграждения и возможностей переходить к более квалифицированной работе. Мы хотим, чтобы автоматизация избавляла от повторяющихся задач, повышая ценность экспертизы: более качественные решения, сохранённые в процессе, лучшее программное обеспечение для следующей задачи и меньше повторяющихся ошибок.

Более широкая цель — безопасный и продуктивный физический труд и полезные услуги, доступные большему числу людей. Мы хотим, чтобы небольшая команда робототехники могла опереться на возможности, для которых иначе потребовалось бы крупное внутреннее подразделение. Более совершенные машины — средство. Цель — больше людей, способных создавать, зарабатывать и получать пользу с их помощью.