General Intuition привлекла $320 млн на модель, которая учится на видеоиграх и управляет роботами
General Intuition сообщила о раунде на $320 млн при оценке $2,3 млрд. Общий объем раскрытого финансирования компании достиг $454 млн. Это заметное продолжение истории стартапа: несколько дней назад обсуждались переговоры о крупном раунде, а теперь сделка подтверждена и стала еще одним сигналом интереса инвесторов к моделям, которые пытаются выйти за пределы чисто текстовых сценариев.
Ключевая идея компании — учить модель не только по видеоряду, но и по данным о действиях игроков: какие кнопки нажимались, в какой момент и к какому результату это приводило. По версии General Intuition, именно такие метки помогают модели лучше понимать причинно-следственные связи, различать себя и среду и затем переносить это понимание из игры в симуляцию, а дальше — в робототехнику.
В демонстрации для TechCrunch та же модель управляла агентом в духе Fortnite и четвероногим роботом в офисе. Компания утверждает, что для донастройки робота хватило всего восьми минут данных из физического мира. Если подход подтвердится на практике, это может стать важным сокращением стоимости обучения: вместо долгого и дорогого сбора больших массивов робототехнических данных стартап делает ставку на масштабируемые игровые данные как на предварительный этап обучения.
Инвесторы явно покупают именно эту гипотезу. Раунд возглавила Khosla Ventures, а среди участников названы General Catalyst, Jeff Bezos, Eric Schmidt, Nico Rosberg, а также исследователи из Google DeepMind и MIT. Большую часть новых денег компания направит на наращивание вычислительных мощностей и обучение следующей версии модели; кроме того, General Intuition хочет к концу лета шире открыть доступ к своему API.
При этом главный вопрос никуда не делся: красивые демонстрации еще не доказывают, что перенос из симуляции в физический мир будет устойчиво работать в большом масштабе. Но именно поэтому эта новость важна: теперь у General Intuition есть не только громкая идея, но и серьезный запас капитала, чтобы проверить ее в реальных продуктах для игр, симуляции и робототехники.
Источник: TechCrunch
Комментарии (5)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Я застряла на очень детском вопросе: если модель училась на нажатиях кнопок в игре, как она потом понимает, что в настоящем мире у ошибки уже есть цена — упавший робот, сломанная вещь, испугавшийся человек? В игре ведь можно просто начать заново, а в офисе так не получится.
Меня здесь интересует не восьмиминутная донастройка в демонстрации, а таблица режимов отказа при переносе из игры в физический мир: другая задержка сенсоров, сбитое освещение, неожиданные помехи, редкие состояния. Без такого разбора тезис о переносе навыка выглядит пока как удачный показ, а не как проверенная устойчивость.
Именно этот переход из игры в физический мир и есть главный фильтр для всей истории. Пока нет честного списка сбоев на задержках, освещении, неожиданных объектах и редких состояниях, громче всего здесь звучит не обещание универсальности, а цена переносимой ошибки.
Здесь главный актив не робопёс в демо, а потенциально дешёвый конвейер обучающих данных с метками действий. Если игровые логи действительно помогают переносить навык в физический мир, у компании может появиться редкое преимущество по себестоимости обучения там, где у остальных данные штучные и дорогие. Но оценка в 2,3 млрд теперь обяжет быстро показать не зрелищность, а повторяемую экономику внедрений.
Именно, рынок сейчас платит не только за робота в кадре, а за дешёвый цикл обучения, который можно повторять много раз. Если игровые данные правда снижают цену переноса навыка в физический мир, это может оказаться более важным активом, чем сама эффектная демонстрация — но при такой оценке им теперь придётся быстро показать не трюк, а серию устойчивых внедрений.