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 — от первых демонстраций, которые записывает команда, до парков машин, которыми она со временем будет управлять. 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 был первым инженером, занявшимся fleet learning: системами, которые превращали пограничные случаи флота в улучшения модели. Эта работа научила меня смотреть дальше самой модели: как команда находит полезные примеры, сохраняет контекст сенсоров, решает, что произошло, и превращает эти решения в следующий обучающий набор. Способность повторять этот процесс значит 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.

У стека ИИ пять уровней — от машины за работой до электричества, которое её питает. Данные — не отдельный уровень. Они живут на уровне моделей, как актив клиента, потому что именно на них учится модель. Инфраструктура — это то, на чём модель строится, улучшается и работает: всё, что связано с данными, которые её создают, и лежащие ниже вычислительные мощности.

1. Приложения

   То, что машина делает для кого-то: робот, автомобиль, дрон за работой.

2. Модели

   Мозг и то, что его учит: модель клиента и данные клиента. Оценка и пост-обучение происходят здесь, на собственных вычислительных мощностях клиента.

3. Инфраструктура

   То, на чём модели строятся, улучшаются и работают: всё, что связано с данными, которые их создают, от сбора до проверенного выпуска, а также лежащие ниже инструменты, вычислительные мощности и облако.

   Avala здесь

4. Чипы

   Кремний.

5. Энергия

   Электричество, которое ограничивает всё это.

Avala — на уровне инфраструктуры, прямо под моделью клиента. Мы не строим роботов, не владеем моделью клиента, не продаём вычислительные мощности и не делаем чипы. Мы строим инфраструктуру данных и обучения, с помощью которой собственная модель клиента учится у собственного парка машин.

Машина может дать сбой, потому что не сталкивалась с такой ситуацией, потому что её обучающий сигнал несогласован или потому что проблема лежит вовсе не в обучающих данных. Первая задача — понять, в чём пробел.

Наше видение — система, которая связывает цель обучения с явным планом по данным: какой существующий опыт использовать, какой новый опыт получить, как подтвердить его пригодность и какой эксперимент установит, помог ли он. Широкое покрытие и целевое обучение неразделимы. Цель — не просто датасет побольше. Это лучше обоснованное решение о том, что делать дальше.

Эта дисциплина работает в обе стороны. Иногда правильное вмешательство — исправить калибровку, изменить неоднозначную политику разметки или перебалансировать данные, которые у команды уже есть. Заслуживающий доверия партнёр по данным должен иногда говорить клиенту не покупать больше данных.

Датасет — это свидетельство, а не цель. Для каждой цели обучения мы сохраняем проверяемую способность, ситуации, которые её задействуют, свидетельства, на которых её обучали, стандарт, по которому её оценивали, и результат.

Благодаря этому программа обучения воспроизводима. Ту же способность можно проверить на новом релизе данных, новой модели или новой среде выполнения, не восстанавливая заново рассуждения, которые к ней привели. Со временем эти версионированные способности становятся операционной историей того, как училась машина.

Полезный пример из физического мира — это больше, чем изображение объекта. Задача может зависеть от того, что произошло до, что пыталась сделать машина или человек и что произошло после. Мы связываем наблюдения сенсоров с контекстом, доступным для задачи: временем, геометрией, траекториями, действиями там, где они были записаны, результатами и человеческой интерпретацией.

Этот контекст остаётся доступным для изучения на всех этапах: сбора, проверки, подготовки датасета и оценки. Недостающая или неопределённая информация видна, а не скрыта за завершённой меткой. Реконструированная 4D-сцена сохраняет физический контекст, чтобы его можно было изучить; она не заменяет измеренные действия, контакт или валидацию там, где задача их требует.

Наша работа начинается с производственных данных флота: мультимодальные сенсорные записи реконструируются в 4D-данные, размечаются ИИ и экспертными проверяющими и выпускаются как версионированные датасеты, на которых обучается клиент. Записи MCAP и ROS, изображения камер, LiDAR и траектории роботов должны оставаться связанными с контекстом, который делает их полезными. Мы соединяем софт и экспертные операции, 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 2028 году Avala станет открытой инфраструктурой, на которой любой оператор машин в физическом мире превращает собственный опыт в собственный интеллект, сохраняя данные, модели и развёртывание под своим контролем, чтобы каждый мог быть владельцем своего интеллекта, а не арендатором чужого. Мы намерены заслужить это положение, пройдя четыре связанные фазы.

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 исследование между обнаружением проблемы и улучшением.

   Двигаться к созданию исследовательских агентов, которые могут разобрать сбой во флоте, получить свидетельства, сопоставить их с прежними случаями, предложить эксперимент, найти или заказать недостающие примеры и оценить результат. Их выводы остаются прослеживаемыми до физических свидетельств, их оценщики проверяются на скрытых стандартах, а изменения с существенными последствиями остаются доступными для проверки и обратимыми. Цель — не агент, который производит больше данных. Это система, которая всё лучше решает, какой эксперимент стоит провести следующим.

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.

Полезный опыт физического мира уже существует, но он неполон, покрыт неравномерно и по большей части оторван от решений, которые улучшили бы конкретную модель. Самый важный опыт по-прежнему появляется по одному развёртыванию за раз — у компаний, которым принадлежат машины, — и в основном это исключения: ситуации, которые никто не смоделировал. Ни одна компания не будет владеть им целиком. Поэтому инфраструктура, которая находит, проверяет, объединяет и дополняет его, должна быть независимой и должна оставлять право собственности там, откуда пришли данные.

Клиенты должны сохранять своё проприетарное преимущество. Обучение на опыте парка машин не должно означать негласное объединение его данных с данными конкурента. Записи, аннотации, результаты оценки и модели клиента никогда не становятся преимуществом другого клиента без явного согласия этого клиента. Общий датасет становится общим по соглашению, с явно оговорённым повторным использованием. «Открытость» для нас означает нечто конкретное: совместимые интерфейсы, экспортируемые данные и историю, ясные права использования и развёртывание под контролем клиента. Независимость означает, что ваш инфраструктурный партнёр не принадлежит ни лаборатории моделей, ни производителю роботов, ни гиперскейлеру. Avala должна заслуживать своё место ценностью системы, а не сложностью отказа от неё.

Люди, которые обучают и оценивают машины, дают больше, чем просто мощности для разметки. Они определяют задачи, распознают значимые ошибки, судят о результатах и задают стандарты, по которым проверяются автоматизированные системы. Их 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.

Physical AI изменит то, что такое работа, кто может позволить себе уход, и то, как перемещаются товары и продукты. Мы хотим, чтобы эти перемены были благом для людей — так, чтобы это можно было проверить, а не принимать на веру. Четыре обязательства определяют то, как мы строим.

1. 01

   Люди, которые обучают машины, получают за это оплату и подготовку.

   Коворкеры Avala получают оплату за принятую работу по ставкам выше нормы для этой работы и этого региона, а обучение встроено в процесс. Автоматизация убирает повторяющиеся действия; квалифицированное суждение остаётся за людьми.

2. 02

   Владелец машины владеет и моделью.

   Данные парка машин компании и интеллект, извлечённый из них, остаются под её контролем, в открытых форматах, с которыми она может уйти. Ни лаборатория, ни производитель роботов, ни облачный провайдер не встают между командой и её собственным опытом.

3. 03

   Сначала измерить, потом доверять.

   Каждый релиз оценивается относительно базового уровня, который задаёт клиент, включая то, что не улучшилось. Машина зарабатывает более широкое применение доказательствами — по одной оценке за раз.

4. 04

   Небольшие команды получают возможности крупных компаний.

   Команда робототехников из десяти человек должна иметь возможность учиться у мира так же, как флот из тысяч машин. Снизьте стоимость этого цикла — и больше людей смогут создавать лучшие машины, зарабатывать на них и получать от них пользу.