自主人工智能智能体已在数字领域取得巨大成功，如今一家名为Hedra Inc.的初创公司希望更进一步，打造能够在现实世界中自动完成任务的物理AI系统。
该公司今天宣布推出Hedra Model Factory，这是一个全新的后训练与推理平台，可实现AI模型的递归自我改进（简称RSI），专门用于驱动自主机器人及其他机器设备。
Hedra表示，物理AI需要一种截然不同且更为专业化的智能形式，使机器人和其他现实世界的硬件系统能够执行非常具体的任务，比如将形状不规则的包裹打包到托盘上。物理AI面临的主要挑战之一在于，每个机器人及其执行的每项任务都需要不同的模型。
但考虑到创建这些模型所需的庞大数据量，训练所有这些模型并不现实。这正是Hedra希望利用RSI将现有模型适配到新任务的原因。
RSI是人工智能领域相对较新的一种技术，指的是能够自主评估、训练并随后改进自身架构的系统。前沿AI实验室已对这类系统进行了大量研究，但迄今为止，尚无人能够将这种持续循环应用到物理世界中。
挑战在于，物理AI模型需要海量的多模态数据输入，这些数据来自高分辨率视频、传感器反馈和3D仿真等多种来源。鉴于在如此庞大的数据环境中运行RSI将产生惊人的算力成本，这种做法在现实中并不可行。
Hedra表示，其Model Factory改变了这一局面。这是一项以服务形式提供的自主训练流水线，专为机器人、制造业、生物学和国防等领域的工作负载而设计，将Hedra内部的研究团队与负责编排训练流程、整理数据并根据客户要求自主迭代的AI智能体相结合。
Hedra创始人兼首席执行官迈克尔·林格尔巴赫告诉SiliconANGLE，RSI已经对前沿模型的开发方式产生了重大影响。他认为，下一个重大前沿领域是物理AI，其数据主要来自视频反馈、传感器读数和仿真。他承诺："Hedra Model Factory为机器人、制造、生物和国防团队提供了对自有模型进行后训练、部署并持续改进的基础设施。"
物理AI的生产线
林格尔巴赫曾在斯坦福大学和英伟达公司从事视觉与物理系统强化学习研究，他表示，公司开发的本质上是一个端到端的物理AI模型生产平台。客户提供基础模型，上传其专有的仿真和视频数据，这些数据随后会被部署到由Hedra专有推理引擎驱动的灵活图形处理器沙盒环境中。
随后RSI流程启动，Hedra的研究人员会密切关注进展。林格尔巴赫表示，他们使用视觉语言模型对数据打分，并提供实时强化学习反馈，以持续优化模型，使其能够执行客户指定的任务。完成后，客户可以选择在自有系统中本地部署该模型，或借助Hedra的云数据中心合作伙伴进行部署。
这些模型还可以被蒸馏，以在边缘系统上运行，满足低延迟工作负载的需求。一旦投入运行，它们会将数据反馈回客户的沙盒环境，形成一个自主的飞轮效应，持续优化模型，使其随着时间推移不断改进。
Hedra在验证该系统方面下了很大功夫。例如，公司对MiniMax Group Inc.的开放权重H3视频模型进行了重新训练，以增强其物理一致性，创建出一个蒸馏版本，使其在Physics-IQ基准测试中的得分从30.3提升到34.9。在另一次训练中，这家初创公司成功将Krea 3 2K图像生成模型的采样步骤从30步蒸馏至仅14步，同时将延迟从22秒降至仅3.6秒，实现了六倍的速度提升，且仅用一周时间便达成这一成果。
林格尔巴赫表示，Hedra的最终目标是通过尽可能优化训练过程，帮助创造出迎接物理AI革命所需的数千个定制化、具有成本效益的模型。借助RSI，有时甚至可以完全绕过重新训练的过程。在一个示例中，Hedra展示了其能够在不进行任何额外训练的情况下，更换机器人的夹爪并将其任务成功率恢复到100%，仅需将新硬件的抓取范围和抓握指标映射到机器人腕部摄像头视角即可实现。
Hedra Model Factory服务现已上线，使企业能够绕过计算密集型的训练过程，快速开发出将智能引入现实世界环境所需的专业化自主系统。
图片来源：Hedra