Virtuelle robotter kan skære prisen på fysisk AI for danske teams

Ai2 peger på en mere jordnær vej til at træne robotter billigt: Lav store mængder data i simulation i stedet for at samle det hele ind med rigtige robotter. For danske producenter og robotteams er det interessant, fordi træning og test af fysiske AI-systemer hurtigt bliver dyrt i både timer, udstyr og bemanding.

Problemet er tydeligt, når man ser på de datasæt, branchen allerede bruger. DROID-datasættet består af 76.000 teleopererede trajectories på tværs af 13 institutioner og cirka 350 timers menneskeligt arbejde. Google DeepMinds RT-1 nævnes med 130.000 episoder indsamlet over 17 måneder. Den slags giver stærke resultater, men det er også en tung proces, hvis man sidder i en dansk virksomhed og vil udvikle robotter uden et kæmpe budget.

💡 > Ai2s MolmoBot-Data består af 1,8 millioner ekspert-trajectories, genereret syntetisk i MolmoSpaces med MuJoCo og domain randomization. Med 100 Nvidia A100-GPUer skabte pipelinen omkring 1.024 episoder per GPU-time og mere end 130 timers roboterfaring per times vægtid. Det er næsten fire gange højere throughput end indsamling i virkeligheden.

Det centrale her er ikke kun mængden af data, men tempoet og prisen. Hvis en dansk producent arbejder med pick-and-place, intern logistik eller simple montageopgaver, kan simulation være en måde at teste mange variationer uden at blokere rigtige robotceller i produktionen. Det gør det lettere at afprøve fejltilfælde, ændringer i objekter og forskellige arbejdsgange, før man bruger tid på fysisk validering.

Ai2 viser også, at metoden ikke kun handler om at producere flotte tal. I tabletop pick-and-place nåede MolmoBot 79,2 procents succes mod 39,2 procent for pi0.5. Det peger på, at syntetiske ekspert-trajectories kan give et markant løft i praktiske robotopgaver.

For danske teams betyder det især tre ting. For det første kan man reducere behovet for lange dataindsamlinger med mennesker ved joystick eller fjernstyring. For det andet kan man teste hurtigere, fordi simulation kan køre parallelt på GPUer. For det tredje kan man bruge de fysiske robotter mere målrettet til de sidste kritiske tests i stedet for til hele træningsforløbet.

Det er ikke en genvej, hvor simulation fjerner behovet for virkelige forsøg. Men Ai2s arbejde viser, at en stor del af regningen kan flyttes væk fra laboratoriet og over i den virtuelle træningspipeline. For danske producenter, der vil bygge fysisk AI uden at brænde budgettet af på dataindsamling, er det en meget konkret udvikling at holde øje med.