Yapay zeka tabanlı robotik sistemler geliştiren General Intuition, video oyunları aracılığıyla gerçek dünya için yapay zeka ajanları eğitme vizyonuyla büyük bir finansman turunu tamamladı. Şirket, 2,3 milyar dolar değerleme üzerinden 320 milyon dolar yatırım aldığını duyurdu.

Geçtiğimiz Ekim ayındaki kuruluş aşamasında topladığı 134 milyon dolarla birlikte şirketin toplam açıklanan finansman miktarı 454 milyon dolara ulaştı. New York merkezli girişimin temel amacı, oyun içi deneyimlerden elde edilen verileri fiziksel robotlara aktarabilen genel bir model oluşturmak.

Oyun Verileriyle Robot Eğitimi

Şirket, kurucu ortak Pim de Witte'nin diğer girişimi olan ve oyuncuların klip paylaşmasına olanak tanıyan Medal üzerinden elde edilen milyonlarca saatlik oyun verisini kullanıyor. Bu veri setinin en kritik noktası, sadece görüntülerin değil, oyuncuların hangi tuşlara ne zaman bastığını gösteren eylem etiketlerinin de mevcut olması.

General Intuition, bu yöntemle yapay zekanın uzamsal-zamansal akıl yürütme becerilerini geliştirmeyi hedefliyor. Geliştirilen model, Fortnite gibi oyunlardaki dijital ortamları anlamlandırabildiği gibi, bu bilgileri gerçek dünyadaki dört ayaklı robotların hareketlerine de entegre edebiliyor.

Simülasyondan Fiziksel Dünyaya Geçiş

Şirketin geliştirdiği dünya modeli, geleneksel oyun motorlarının aksine kare kare oluşturulan simülasyonlar sunuyor. Bu simülasyonlar, yapay zekanın duvarların geçilemez olduğunu veya güneşin hareketine göre gölgelerin uzadığını öğrenmesi için bir eğitim alanı görevi görüyor.

Sektördeki diğer yaklaşımların aksine, eylem etiketleri sayesinde yapay zekanın 'kendisi' ile 'çevresi' arasındaki farkı daha iyi kavradığı belirtiliyor. Şirket, gerçek dünya verileriyle yapılan ince ayarların oldukça hızlı sonuç verdiğini, örneğin dört ayaklı bir robotun optimize edilmesi için sadece sekiz dakikalık gerçek dünya verisinin yeterli olduğunu ifade ediyor.

Ne anlama geliyor?

Bu teknoloji, dijital ortamlarda öğrenilen becerilerin fiziksel cihazlara aktarılması prensibine dayanıyor. Normalde bir mekanik sistemin çevresini tanıması ve hareket etmeyi öğrenmesi için binlerce saatlik fiziksel deneme yanılma sürecine ihtiyacı vardır. Ancak sanal dünyalarda hızlandırılmış eğitimler sayesinde, sistemler çok daha kısa sürede temel fizik kurallarını ve etkileşim yöntemlerini kavrayabiliyor.

Kullanıcı açısından bu durum, çevresini daha hızlı analiz edebilen ve karmaşık alanlarda daha güvenli hareket eden yardımcı sistemlerin ortaya çıkması anlamına geliyor. Görüntü verisinin yanına komut verilerinin eklenmesi, sistemin sadece ne gördüğünü değil, hangi hareketin hangi sonucu doğurduğunu anlamasını sağlayarak nedensellik ilişkisini kurmasına yardımcı oluyor.