Startup Antioch muốn trở thành "Cursor" cho AI vật lý

Lời hứa của AI vật lý (Physical AI) là cho phép các kỹ sư lập trình các tác nhân vật lý giống như cách họ làm với các tác nhân kỹ thuật số. Tuy nhiên, chúng ta vẫn chưa đạt được điều đó. Robot vẫn bị kìm hãm bởi sự thiếu hụt dữ liệu từ không gian vật lý. Để huấn luyện máy móc, các công ty cần xây dựng các nhà kho mô phỏng để kiểm thử máy móc, trong khi một ngành công nghiệp toàn cầu đang mọc lên quanh việc giám sát các dây chuyền nhà máy và công nhân gig để huấn luyện các mô hình học sâu vận hành robot.

Một giải pháp thay thế là mô phỏng; các bản sao ảo chi tiết của môi trường thực tế có thể cung cấp dữ liệu và không gian làm việc mà các nhà robot học cần theo cách có thể mở rộng. Antioch, một startup xây dựng công cụ mô phỏng cho các nhà phát triển robot, muốn thu hẹp những gì ngành công nghiệp gọi là "khoảng cách từ mô phỏng đến thực tế" (sim-to-real gap) — thách thức trong việc làm cho môi trường ảo đủ thực tế để robot được huấn luyện bên trong có thể vận hành tin cậy trong thế giới thực.

"Làm thế nào chúng ta có thể giảm thiểu khoảng cách đó một cách tốt nhất, để mô phỏng cảm giác giống như thế giới thực từ góc nhìn của hệ thống tự chủ của bạn?" Harry Mellsop, CEO và đồng sáng lập Antioch chia sẻ.

Để làm được điều đó, công ty hôm nay đã công bố vòng gọi vốn hạt giống 8,5 triệu USD với định giá 60 triệu USD. Vòng dẫn đầu bởi quỹ đầu tư mạo hiểm A* và Category Ventures, với sự tham gia của MaC Venture Capital, Abstract, Box Group và Icehouse Ventures.

Mellsop đã thành lập công ty có trụ sở tại New York cùng bốn đồng sáng lập vào tháng 5 năm ngoái. Hai người trong số đó, Alex Langshur và Michael Calvey, đã giúp ông thành lập Transpose, một startup an ninh và tình báo, và bán nó cho Chainalysis với số tiền không được tiết lộ. Hai người còn lại — Collin Schlager và Colton Swingle — trước đây từng làm việc tại Google DeepMind và Meta Reality Labs.

Nhu cầu về mô phỏng tốt hơn nằm ở trọng tâm của những gì nhiều công ty tự chủ lớn đang làm. Trong lĩnh vực xe tự lái, ví dụ, Waymo sử dụng mô hình thế giới của Google DeepMind để kiểm tra và đánh giá mô hình lái xe. Về lý thuyết, kỹ thuật đó sẽ giúp việc triển khai xe Waymo ở các khu vực mới đòi hỏi ít dữ liệu thu thập hơn, một chi phí chính trong việc mở rộng quy mô công nghệ xe tự hành.

Xây dựng và sử dụng các mô hình đó để kiểm tra robot đòi hỏi bộ kỹ năng khác so với việc tạo ra một chiếc xe tự lái, và Antioch muốn xây dựng nền tảng giải quyết vấn đề này cho các công ty mới nhỏ hơn không có vốn để tự làm mọi thứ. Những công ty nhỏ hơn đó cũng không có vốn để xây dựng các đấu trường kiểm tra vật lý hoặc lái xe gắn cảm biến trong hàng triệu dặm.

"Đại đa số ngành công nghiệp không sử dụng mô phỏng whatsoever, và tôi nghĩ chúng ta hiện nay thực sự đang hiểu rõ rằng chúng ta cần di chuyển nhanh hơn," Mellsop nói.

Các giám đốc điều hành của Antioch so sánh sản phẩm của họ với Cursor, công cụ phát triển phần mềm dựa trên AI phổ biến. Antioch cho phép các nhà xây dựng robot khởi chạy nhiều phiên bản kỹ thuật số của phần cứng và kết nối chúng với các cảm biến mô phỏng bắt chước cùng dữ liệu mà phần mềm của robot sẽ nhận được trong thế giới thực. Các môi trường này cho phép các nhà phát triển kiểm tra các trường hợp ngoại lệ, thực hiện học tập tăng cường (reinforcement learning), hoặc tạo dữ liệu huấn luyện mới.

Tất nhiên, điều đó chỉ xảy ra nếu mô phỏng có độ trung thực cao đủ. Thách thức ở đây là đảm bảo vật lý trong mô phỏng khớp với thực tế để khi mô hình được đưa vào điều khiển một chiếc máy thực, không có gì sai sót xảy ra. Công ty bắt đầu với các mô hình được xây dựng bởi Nvidia, World Labs và những người khác, sau đó xây dựng các thư viện cụ thể theo lĩnh vực để làm cho chúng dễ sử dụng hơn.

"Điều đã xảy ra với kỹ thuật phần mềm và LLM mới chỉ bắt đầu xảy ra với AI vật lý," Çağla Kaymaz, một đối tác tại Category Ventures, chia sẻ với TechCrunch. "Chúng tôi làm rất nhiều công việc về các công cụ phát triển (dev tools) và chúng tôi thích lĩnh vực dọc đó, nhưng các thách thức thì khác. Với phần mềm, bạn có thể có những công cụ lập trình tồi, và rủi ro thường được giới hạn trong thế giới kỹ thuật số. Trong thế giới vật lý, rủi ro cao hơn nhiều."

Hiện tại, trọng tâm của Antioch chủ yếu là các hệ thống cảm biến và nhận thức, chiếm phần lớn nhu cầu trong xe ô tô và xe tải tự động, máy móc nông nghiệp và xây dựng, hoặc máy bay không người lái. Khát vọng của AI vật lý để thúc đẩy các robot tổng quát thực hiện các nhiệm vụ của con người vẫn còn ở xa hơn. Mặc dù lời chào hàng của Antioch dành cho các startup, một số khách hàng sớm nhất của họ là các tập đoàn đa quốc gia lớn đã đang đầu tư mạnh vào robot.

Adrian Macneil có sự hiểu biết vững chắc về không gian này. Với tư cách là một giám đốc điều hành tại startup tự lái Cruise, ông đã xây dựng cơ sở hạ tầng dữ liệu của công ty, và vào năm 2021, ông thành lập Foxglove, một công ty cung cấp cùng loại đường ống dữ liệu cho các startup AI vật lý. Macneil đang ủng hộ Antioch với tư cách là nhà đầu tư thiên thần.

"Mô phỏng thực sự quan trọng khi bạn đang cố gắng xây dựng một trường hợp an toàn hoặc xử lý các nhiệm vụ có độ chính xác rất cao," ông nói tại hội nghị Ride.AI ở San Francisco vào thứ Tư. "Không thể lái đủ số dặm trong thế giới thực."

Macneil muốn thấy cùng một loại công cụ đã thúc đẩy cuộc cách mạng SaaS — các nền tảng như Github, Stripe và Twilio — nổi lên để hỗ trợ AI vật lý. "Chúng tôi cần nhiều hơn nữa toàn bộ chuỗi công cụ có sẵn sẵn để sử dụng," ông nói với TechCrunch.

"Chúng tôi thực sự đều nghĩ rằng bất kỳ ai xây dựng hệ thống tự chủ cho thế giới thực sẽ làm điều đó chủ yếu thông qua phần mềm trong vòng hai đến ba năm tới," Mellsop nói. "Đây là lần đầu tiên bạn có thể có các tác nhân tự chủ lặp lại trên một hệ thống tự chủ vật lý, và thực sự đóng vòng lặp phản hồi."

Đã có những thử nghiệm theo hướng này. David Mayo, một nhà nghiên cứu tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo của MIT (CSAIL), đang sử dụng nền tảng của Antioch để đánh giá các LLM. Trong một thử nghiệm, Mayo để các mô hình AI thiết kế robot, sau đó sử dụng trình mô phỏng của Antioch để kiểm tra chúng. Nó thậm chí có thể cho các mô hình đối đầu với nhau trong các cuộc thi mô phỏng, như đẩy một robot đối thủ ra khỏi bục đứng. Cung cấp cho các LLM một hộp cát thực tế có thể giúp cung cấp một mô hình mới để đánh giá chúng.

Tuy nhiên, trước khi một thế giới của các kỹ sư AI đến, vẫn còn nhiều công việc phía trước để thu hẹp khoảng cách giữa các mô hình kỹ thuật số và thế giới thực. Nếu điều đó có thể thực hiện được, các nhà phát triển sẽ có thể tạo ra loại bánh đà dữ liệu mà Macneil tin là chìa khóa cho sự thành công của các nhà lãnh đạo danh mục như Waymo, nơi các kỹ sư ngày càng tự tin hơn rằng mô hình của tháng sau sẽ có khả năng hơn mô hình tháng trước.

Nếu các công ty khác muốn sao chép thành công đó, họ sẽ cần phải tự xây dựng các công cụ đó — hoặc mua chúng.