A startup de IA incorporada sediada em Pequim, X Square Robot, tornou o HOST de código aberto. Este framework permite que um robô humanoide observe um breve vídeo de demonstração e replique com sucesso a tarefa na sua primeira tentativa. Usando apenas um clipe de 29 segundos, o HOST alcançou uma taxa de sucesso da tarefa de 62 por cento, superando significativamente o padrão da indústria, que tipicamente exige cerca de 50 demonstrações de especialistas e quatro horas de ajuste fino para atingir apenas 38 por cento de sucesso.
O método predominante em IA incorporada envolve a coleta de dados de teleoperação. Neste processo, um engenheiro usa um headset de RV para guiar manualmente um braço robótico através de uma tarefa quadro a quadro, repetindo a sequência inúmeras vezes antes de executar o ajuste fino supervisionado durante a noite. O custo associado a este método é substancial; um único robô de coleta de dados pode custar centenas de milhares de dólares, e o custo marginal para uma única demonstração pode exceder cem dólares.
Embora as fábricas de dados na Índia e os trabalhadores a tempo parcial nas cidades do condado chinesas ofereçam a fonte mais acessível de dados de movimento, a estrutura de custos geral permanece difícil de escalar.
O HOST inverte fundamentalmente este procedimento estabelecido. Em vez de instruir o robô a imitar movimentos articulares humanos, o HOST solicita ao robô que conceitue o estado final e subsequentemente derive o movimento necessário. O framework incorpora dois componentes principais: um módulo de visão, que processa a demonstração humana para renderizar a cena como o robô a percebe, e um módulo de ação, que calcula a trajetória articular necessária para produzir essa renderização específica.
Além disso, um módulo de alinhamento de distorção temporal dinâmica é integrado para mapear os quadros do vídeo humano nos passos de execução do robô, reduzindo os erros de alinhamento em aproximadamente uma ordem de magnitude. Esta metodologia inspira-se em teorias de ciência cognitiva de simulação, que postulam que os humanos adquirem novas habilidades motoras ao ensaiar mentalmente o resultado pretendido antes de executar a ação.
A equipe chinesa adaptou esta lógica cognitiva para o aprendizado robótico, substituindo o ajuste fino offline tradicional pelo aprendizado no contexto em tempo de inferência. Nesta configuração, o robô não passa por retreinamento com novos dados; em vez disso, ele trata o vídeo fornecido como um prompt. A X Square Robot foi estabelecida no final de 2023 e desde então garantiu mais de um bilhão de yuans em oito rodadas de financiamento, com investidores incluindo Meituan Strategic Investment, Alibaba Cloud, Lenovo Capital e Delian Capital.
A decisão de lançar o HOST como código aberto representa um movimento estratégico destinado a atrair a atenção dos desenvolvedores como um caminho para programas piloto empresariais. Embora o número de 62 por cento sirva como um parâmetro de pesquisa e não como um robô consumidor pronto para implantação, ele redefine efetivamente a discussão sobre a arquitetura futura dos pipelines de treinamento de IA incorporada assim que o aprendizado em tempo de inferência se tornar a prática padrão.
