Reflections to "The Physical AI Deployment Gap"
Posted at
# Robotics
-
Research 进步很快，全方面开花。这包括灵巧、VLA、simulation-to-real transfer、以及不同硬件本体的迁移能力
-
但是真正要产生效益是在 deployment 端，而deployment和research的差距有着天壤之别。目前在一线服役的机器人仍然是旧时代的 pre-programmed robots - 其实他们不应该被称为 robots，更多是 automation machines
-
人形机器人目前更多是给其他的机器人公司做研发的，而不是在业界服役
-
以下这些问题是 deployment 的痛点和 gap:
- Data distribution - 真实环境的长尾数据使得 generalization 很困难，必须得 ci/cd. 在实验室里95%的可靠性，真实环境中可能就剩下80%了
- Reliability - 实验和工业界的reward function是不同的，前者注重成功的平均值，后者更注重 worse-case scenario（stability）
- 缺乏 integration layer - 机器人要真正能融入每一个垂直场景是需要打通各种数据的，比如 ERP / MES / WMS / other robots
- 延迟和能力的 trade-off - 模型越大越聪明，延迟越高，而有些场景是无法承受高延迟的
- 安全性（合规标准目前不存在，ISO 10218 & ISO/TS 15066 是针对旧时代的自动化设备而制定的）
- 维修 - 维修机器人不再只是 automation engineer 那么简单了，因为你很难通过代码去找到错误，你看到的是 model weights（所以 system integrator 的团队构造会迎来大的转变，需要 roboticist, integrators, specialists, technician, etc，但目前人才的供给不够
- 我们需要什么样的解决方案呢？
- 数据（deployment - distribution data）：需要业界真实的长尾数据集，需要收集数据的 infra，teleoperation infra
- Integration infra（像 plaid 那样的 integration middleware，或者是机器人界的自动 CI/CD 的infra 可以自动 deploy，以及 observability toolings）
- 端侧模型和高效率的架构
- Safety frameworks for learned systems
- Reliability engineering
-
我的直觉是，需要有一种新的 system integrator 物种出现，一种AI-native Robotics SI / Tech-enabled Vertical SI，商业化层极度重要，也是咽喉之地（可以做automation 产生收益，也可以卡住通往客户的路）。前沿的实验室很难有精力和人力去做 deployment 的脏活累活，而现有的 system integrator 还是很传统的流程/角色/系统，这二者很难去兼容。需要有一种能够过渡两个角色，seamlessly merge both sides 的
-
和 Evan Beard 想的很像 - Oliver 不太相信有一种 over-night change，更多是像安卓那样的 gradual evolution，这个市场也会很 fragmented
-
很难开始数据飞轮，你必须要能给客户提供真正的商业价值，才有资格谈收集数据。机器人先能在真实场景里勉强稳定和有人愿意付费，后面才跑得起来。商业化！这才是最重要的！