Beyin dalgalarıyla robot eğitimi!

Yapay zeka son yıllarda inanılmaz bir ivme kazandı. Bir yandan hayranlık uyandıran başarılara imza atarken, diğer yandan yarattığı potansiyel ve belirsizliklerle korkutucu bir boyuta ulaştı. Dil modelleri insan gibi iletişim kurup karmaşık sorunları çözerken, robotlar hâlâ en basit fiziksel görevlerde bile zorlanıyor. İşte bu kritik noktada AI’nin muazzam gücü ile ürkütücü yanı bir araya geliyor! Makineler artık yalnızca görüntü ve videoyla değil, insan beyninin doğrudan sinyalleriyle eğitilmeye başlandı. TechCrunch’ın haberine göre, San Leandro’daki bir depoda beyin dalgaları okunarak robotlara Jenga oynatılmaya başlandı. Bu gelişme, yapay zekanın fiziksel bedenlere kavuşma yolculuğunda yeni ve tartışmalı bir kapı aralıyor.

Encord, robotik şirketlerin en büyük sorunu olan kaliteli fiziksel eğitim verisini üretmek için yenilikçi bir yöntem deniyor. Şirketin “pilot” olarak tanımladığı eğitmenlerden Andrew Ceja, Zander Labs tarafından geliştirilen beyin dalgası sensörlü kaskı takarak Jenga kulesinden blokları dikkatlice çıkarıyor. Sensörler, hata, niyet ve sürpriz gibi zihinsel durumları tespit ederek modellere daha zengin ve anlamlı veri sağlıyor. Zander Labs’tan nörobilimci Lucas Gehrke, beyin aktivitesindeki değişimlerin, modellerin ne zaman yüksek çaba gerektiren modlara geçmesi gerektiğini anlamada önemli ipuçları verdiğini söylüyor.

İnsansı robotlar ve depo otomasyonu için model mimarisi artık en büyük engel değil. Asıl sorun, gerçek dünya fiziksel verisinin ciddi kıtlığı. Encord’un Robot Öğrenme Direktörü Vineeth Velmurugan, “Basitçe veri yok” diyor. Eski OpenAI robot laboratuvarı ve Berkshire Grey çalışanı olan Velmurugan, birçok önde gelen robotik firmanın end-to-end öğrenme için kendi verilerini üretmek zorunda kaldığını belirtiyor.

Encord, dünya genelindeki fabrikalardan birinci şahıs bakış açısıyla (FPV) videolar topluyor ve San Leandro tesisinde yeni veri modalitelerini test ediyor. Leader-follower sistemleriyle kahve dökme, poker fişi istifleme gibi hassas görevler için veri üretiliyor. Ayrıca ön kola takılan sensörlerle kas elektriksel sinyalleri ölçülüyor. Bu sayede videoda tam olarak görünmeyen ellerin 3D pozisyonları daha doğru tahmin edilebiliyor. Tesiste sahte çiçekler, plastik sebzeler, kedi kumu ve ethernet kabloları gibi gerçek hayattaki görevler için özel malzemeler bulunuyor.

Toplanan videolar “sağ el cıvatayı sıkıştırıyor” gibi detaylı fiziksel açıklamalarla etiketleniyor. Bu yoğun anotasyon, sıradan egosantrik veriye göre yaklaşık 100 kat daha değerli kabul ediliyor. Maliyeti 20 kat artırsa da, eğitim kalitesi açısından mantıklı bir yatırım olarak görülüyor. Ancak metin verilerinin internetten neredeyse bedavaya toplanabildiği LLM modellerinden farklı olarak, fiziksel AI verisi üretilmek zorunda. Bu durum, robotik AI’nin ekonomik dinamiklerini tamamen değiştiriyor.

Encord, birçok robotik şirketle aynı anda çalıştığı için hangi veri tekniklerinin gerçekten işe yaradığını endüstri genelinde görebiliyor. Bu bakış açısı, şirketin en önemli rekabet avantajlarından biri. Eski Scale AI çalışanları olan pilotlar Andrew Ceja ve Sofia Infante gibi isimler, her gün yeni görevlerle robotların sinir ağlarını beslemeye devam ediyor.