X Square Robot выпустила открытый ИИ-стек для роботов
IEEE Spectrum опубликовал материал (спонсированный самой компанией X Square Robot) о том, как китайский стартап пытается решить главную проблему embodied AI: в отличие от больших языковых моделей, у робототехники до сих пор нет единого рецепта «дал модели данные, получил общие способности». Компания собрала три уровня в один открытый стек: данные, world model и модель действий, которые используют общую кодовую базу в рамках архитектуры World Unified Model.
Для сбора данных компания построила систему QUANXTA Zero Series (часть Universal Manipulation Interface): вместо телеуправления роботом человек надевает VR-rig с двумя захватами и выполняет действия сам. Ключевое отличие, контроль качества через физическое воспроизведение: записанные траектории проигрываются на реальном роботе, и валидными считаются только те, что реально довели задачу до конца (например, захват, который закрылся на долю секунды раньше и оттолкнул предмет, бракуется, даже если внешне выглядит как успешный). Компания дополняет большой массив «безроботных» демонстраций небольшим количеством данных с реального робота-«якоря» и утверждает, что так достигает качества, сравнимого с полностью роботным датасетом, но примерно в 20 раз дешевле, в основном за счёт дешевизны носимого рига по сравнению с телеуправлением.
World model компании, WALL-WM, устроена иначе, чем у большинства конкурентов: вместо предсказания движения фиксированными по длительности кусками она оперирует смысловыми событиями (дотянуться, схватить, поставить), то, что можно назвать словом, увидеть на видео и исполнить как движение. Модель видео дообучается сетью действий, которая читает признаки видео, не перезаписывая их, что сохраняет визуальные знания исходной видеомодели. У WALL-WM два режима: «событийный», для рассуждений на длинном горизонте с переменной длиной сегментов, и «фиксированный», для управления в реальном времени. В тестах компании модель, обученная на ограниченном датасете, на её собственном бенчмарке превзошла базовые модели, дообученные на смежных данных, в задачах с длинным горизонтом в незнакомых условиях.
Модель действий Wall-OSS-0.5 (vision-language-action) должна по требованию компании работать на реальном роботе ещё до какой-либо дообученной под конкретную задачу настройки. Она одновременно обучается трём целям, дискретным токенам действий, привязке к языку и генерации непрерывного движения, не замораживая части сети, как это делают некоторые конкуренты; в тестах модель показала базовое поведение (приближение, захват, восстановление после ошибки) даже на «мягкой» задаче, специально исключённой из обучения. Токенизатор действий X-Tokenizer превращает непрерывное движение в токены так, чтобы верхнеуровневый код передавал смысл (намерение) движения, а более низкие уровни, детали, согласованные с признаками языковой модели; это делает токенизатор устойчивым к шуму и переносимым между разными роботами без переобучения.
Валюация X Square Robot превысила 20 млрд юаней (около 2,9 млрд долларов), инвесторы делают ставку на инфраструктуру данных и фундаментальные модели как долгосрочное конкурентное преимущество в embodied AI. Код world model компания уже открыла, ожидая независимой проверки результатов на других роботах и задачах, пока почти все цифры измерены на собственных роботах и бенчмарках самой компании.
Ключевые факты
- X Square Robot (Китай, оценка свыше 20 млрд юаней / ~2,9 млрд долларов) выпустила единый открытый стек для человекоподобных роботов: данные, world model и модель действий
- Данные собираются не телеуправлением, а носимым VR-rig с двумя захватами; валидность проверяется физическим воспроизведением на реальном роботе
- Комбинация дешёвых «безроботных» демонстраций с небольшим объёмом данных реального робота даёт качество как у полностью роботного датасета примерно в 20 раз дешевле
- World model WALL-WM оперирует смысловыми событиями (дотянуться/схватить/поставить), а не фиксированными по времени кусками движения
- Модель действий Wall-OSS-0.5 и токенизатор X-Tokenizer нацелены на перенос способностей между разными роботами без переобучения; большинство результатов пока измерено на собственных роботах компании
Почему это важно
У робототехники нет своего аналога рецепта больших языковых моделей, «предобучи на большом датасете, получи общие способности». X Square Robot делает явную ставку на то, что таким рецептом может стать не одна модель, а согласованный стек из данных, предсказательной world model и модели действий с общей кодовой базой, и решает открыть его код. Это одна из самых цельных попыток собрать разрозненные части embodied AI (восприятие, планирование, управление) в единую архитектуру.
Кому это важно
Разработчикам человекоподобных и манипуляционных роботов, исследователям embodied AI, которые ищут архитектуру для переноса навыков между задачами и машинами, а также инвесторам, оценивающим инфраструктуру данных и фундаментальные модели как долгосрочное преимущество в этом секторе, валюация компании (свыше 2,9 млрд долларов) показывает масштаб ставки на подход.
Как это применить
Компания уже открыла код world model WALL-WM, так что сообщество может проверить, воспроизвести и развить результаты. Метод сбора данных, носимый rig вместо телеуправления с контролем качества через физическое воспроизведение траекторий, описан как воспроизводимый способ получать качественные демонстрации примерно в 20 раз дешевле, что может быть полезно другим командам, столкнувшимся с нехваткой роботных данных.
Можно ли доверять
Материал в IEEE Spectrum помечен как оплаченный самой X Square Robot («brought to you by X Square Robot»), это фактически имиджевая публикация компании, а не независимый журналистский разбор. Почти все приведённые цифры (20-кратная экономия, превосходство над базовыми моделями, устойчивость токенизатора) измерены на собственных роботах и бенчмарках компании; независимая проверка результатов, по словам самой компании, ещё впереди.
Риски и подводные камни
Ключевые заявления пока не подтверждены сторонними тестами: нет данных о поведении стека на чужих роботах, задачах или в реальных домашних условиях за пределами лаборатории компании. Индустрия человекоподобных роботов сейчас переживает всплеск высоких оценок и громких заявлений об общих способностях, поэтому к цифрам вроде «в 20 раз дешевле» или «превзошли базовые модели» стоит относиться как к предварительным до появления независимых бенчмарков.
«Мы поняли, что для роботов общего назначения узкое место, это данные, а не размер модели: дефицитный ресурс, это разнообразные, качественные и воспроизводимые данные о взаимодействии. И моделирование мира (world modeling) стало практически применимым.»
— команда X Square Robot, в интервью IEEE Spectrum