Firebird Build-ի երեք թիմերը բաժանեցին $105 հազարի մրցանակային փաթեթը

Firebird-ի սեպտեմբերի 28-ի ամփոփմամբ՝ Երևանի AI9 Startup Campus-ում սեպտեմբերի 26–27-ին անցկացված Firebird Build-ի երեք հաղթող թիմերը բաժանեցին $105 հազարի փաթեթ՝ $80 հազար կանխիկ պարգև և $25 հազար OpenAI API վարկ։ Մրցանակները հասան ֆիզիկական փորձերը կառավարող, ռոբոտների մոդելների ուսուցմանը ծառայող և կիբեռանվտանգության խնդիրներ լուծող նախատիպերին։

«Առավոտի» հրապարակած բաշխմամբ՝ առաջին տեղը զբաղեցրած PhotonicsAI-ն ստացել է $50 հազար կանխիկ և $12 հազար API վարկ, երկրորդ տեղում հայտնված «Why isn’t there an Ollama for VLAs?» թիմը՝ $20 հազար և $8 հազար, իսկ երրորդ տեղը զբաղեցրած EXPM-ը՝ $10 հազար և $5 հազար։ Կանխիկ պարգևը կարող է ծածկել մշակման տարբեր ծախսեր, մինչդեռ API վարկը նախատեսված է OpenAI-ի ծառայություններից օգտվելու համար։ Այդ տարբերությունը կարևոր է, քանի որ հաղթող նախագծերի հետագա կարիքները նույնը չեն։

PhotonicsAI․ լաբորատոր փորձը ղեկավարող համակարգ

PhotonicsAI-ի նախատիպը միավորում է արհեստական բանականությունը և ֆիզիկական փորձարարական սարքավորումը։ Համակարգը պետք է կարողանա ստանալ չափումների արդյունքները, որոշել փորձի հաջորդ քայլը և կառավարել սարքերը՝ հետազոտողի սահմանած խնդրի շրջանակում։ Այս մոտեցման արժեքը միայն տվյալների վերլուծությունը չէ. այն վերաբերում է նաև փորձի իրական ընթացքին, որտեղ սարքերի կարգավորումն ու համաժամացումը ժամանակ են պահանջում։

ԵՊՀ-ի ներկայացմամբ՝ նախատիպը հինգ ժամում, առանց մարդու անմիջական միջամտության, կատարել է ավելի քան 300 ֆիզիկական փորձարկում, իսկ թիմի անդամ Արամ Սարգսյանն ասել է՝ «24 ժամում կարողացանք այդ գաղափարը վերածել աշխատող համակարգի»։ ԵՊՀ ֆոտոնիկայի և արհեստական բանականության լաբորատորիայի հետազոտողներ Սարգսյանը, Նիկիտա Մարինինը և Նարեկ Մելոյանը կիրառել են օպտիկական համակարգ՝ միկրոհայելային մատրիցայով, հատուկ տեսախցիկներով և օբյեկտիվներով։ Ստացված տվյալների հիման վրա համակարգը նաև գիտական հոդվածի սևագիր է պատրաստել օպտիկական Իզինգի մեքենայի օպտիմալացման վերաբերյալ։

Թիմի համար հաջորդ կարևոր հանգրվանը նույն աշխատանքը երկարատև փորձերում և այլ լաբորատոր սարքերի հետ կրկնելն է։ Կանխիկ պարգևը կարող է օգնել սարքավորումների միացմանն ու փորձարկմանը, իսկ API վարկը՝ այն հատվածներին, որտեղ կիրառվում են OpenAI-ի ծառայությունները։ ԵՊՀ-ի տեղեկությամբ՝ հետազոտությունները շարունակելու համար թիմը NVIDIA-ից նաև սարքավորում կստանա։ Եթե համակարգը հնարավոր լինի հարմարեցնել այլ լաբորատորիաների սարքերին՝ պահպանելով փորձերի վերահսկելիությունը, այն կարող է դուրս գալ առանձին ցուցադրության սահմաններից։

VLA մոդելների համար՝ ուսուցման ենթակառուցվածք

Երկրորդ տեղը զբաղեցրած թիմի արտադրանքը ռոբոտ չէ։ Այն ենթակառուցվածք է տեսողությունը, լեզուն և գործողությունը կապող՝ VLA մոդելների ուսուցման համար։ Այդպիսի մոդելի նպատակը տեսածը և տրված առաջադրանքը գործողության հետ կապելն է, ուստի ուսուցման միջավայրը պետք է օգնի պատրաստել տվյալները, վարել փորձերը և հասկանալ ստացված արդյունքը։ Մրցույթի նկարագրությունը հաստատում է ենթակառուցվածքի նախատիպը, բայց դրա կիրառումը այլ ռոբոտատեխնիկական թիմերի կողմից դեռ չի ներկայացնում։

Այս նախագծի կանխիկ պարգևը կարող է ուղղվել մշակմանը, ուսուցման տվյալների պատրաստմանը և ռոբոտատեխնիկական փորձարկումների կազմակերպմանը։ API վարկը կարող է ծածկել OpenAI-ի ծառայությունների օգտագործումը համապատասխան փորձերում։ Այն, սակայն, սարքավորումների կամ այլ հաշվողական ռեսուրսների ձեռքբերման համար կանխիկ գումար չէ։ Դրա համար նախագծի տեխնիկական արժեքը գնահատելիս կարևոր կլինի տեսնել ամբողջ ուսուցման գործընթացը՝ ինչ տվյալներ են մուտքագրվում, ինչ մոդել է ստացվում և ինչպես է չափվում դրա աշխատանքը։

Առևտրային հեռանկարի որոշիչ հարցը կրկնելիությունն է։ Եթե մեկ այլ մշակող կարողանա նույն միջավայրում պատրաստել իր տվյալները, ուսուցանել մոդելը և գնահատել արդյունքը, նախատիպը կարող է դառնալ կիրառելի գործիք կամ ծառայություն։ Այդ ճանապարհին թիմը պետք է հստակեցնի նաև, թե իր լուծման որ մասը կարելի է օգտագործել տարբեր ռոբոտների ու առաջադրանքների համար։ Հաղթանակը ցույց է տալիս, որ գաղափարը հասել է աշխատող նախատիպի փուլին. արտաքին կիրառման արդյունքները կլինեն հաջորդ, ավելի ծանրակշիռ փաստը։

EXPM․ հայտնաբերումից մինչև շտկման փորձարկում

EXPM-ը ներկայացրել է ԱԲ գործակալների վրա հիմնված ինքնավար անվտանգության հարթակ։ Նկարագրված գործառույթները հաջորդական են՝ համակարգը հայտնաբերում է խոցելիությունը, առաջարկում շտկում և փորձարկում այն։ Հենց վերջին փուլն է նախագիծը տարբերում միայն խնդիրների ցանկ կազմող գործիքից. առաջարկված փոփոխությունը պետք է գնահատել, որպեսզի պարզ դառնա՝ այն վերացնում է խոցելիությունը և ինչ ազդեցություն ունի ծրագրի աշխատանքի վրա։

Թիմի կանխիկ պարգևը կարող է ծառայել վերահսկվող փորձարկման միջավայրի ստեղծմանը և գնահատման մեթոդների մշակմանը։ API վարկը վերաբերում է այն գործողություններին, որոնց համար հարթակն օգտագործում է OpenAI-ի ծառայությունները։ Անվտանգության ոլորտում նախատիպի ցուցադրությունից հետո հարկավոր է չափել նաև սխալ ահազանգերը, առաջարկվող ուղղումների որակը և դրանց կիրառման հետևանքները։ Մրցանակի ստացումը ինքնին այդ ցուցանիշների մասին եզրակացություն անել չի տալիս։

EXPM-ի հաջորդ հնարավոր առևտրային հանգրվանը թույլատրված միջավայրում փորձարկումն է՝ հստակ սահմանված համակարգերով և մարդու կողմից հաստատվող փոփոխություններով։ Այդ պայմաններում կազմակերպությունը կկարողանա գնահատել, թե հարթակն ինչ աշխատանք է խնայում իր անվտանգության մասնագետներից և որքան վստահելի են դրա առաջարկները։ Սա նախագծի զարգացման հնարավոր ուղի է. հաղթողների մասին հրապարակումներում հաճախորդի հետ այդպիսի փորձարկում չի հայտարարվել։

Ինչ կարող է ֆինանսավորել մրցանակը

Մրցանակային փաթեթի մասերը տարբեր նշանակություն ունեն նախագծերի համար։ PhotonicsAI-ի հիմնական ծախսատար խնդիրը ֆիզիկական սարքերի հետ կայուն աշխատանքն է, VLA թիմինը՝ կրկնելի ուսուցման միջավայր ստեղծելը, EXPM-ինը՝ անվտանգության արդյունքները վերահսկվող պայմաններում չափելը։ Բոլորն էլ կարող են օգտվել API վարկերից, եթե իրենց հետագա աշխատանքում օգտագործեն OpenAI-ի ծառայությունները, բայց դրանցով չեն վճարվում սարքավորման, այլ ենթակառուցվածքի կամ մարդկանց աշխատանքի բոլոր ծախսերը։

Հեքաթոնի ընթացքում թիմերը ներկայացրել են աշխատող նախատիպեր, իսկ մրցանակները հնարավորություն են տալիս շարունակել դրանց մշակումը։ Ընկերություն ձևավորելու համար յուրաքանչյուրին պետք է նաև արտաքին կիրառման արդյունք. լաբորատոր համակարգի աշխատանք՝ այլ սարքավորումներով, ուսուցման գործիքի կիրառում՝ այլ մշակողների կողմից, կամ անվտանգության հարթակի չափելի փորձարկում՝ թույլատրված միջավայրում։ Այդ արդյունքները ցույց կտան՝ որ նախագիծն է մրցութային ցուցադրությունից անցնում կանոնավոր օգտագործման։

Կարդացեք նաև:

• Firebird-ի երկրորդ փուլը թանկացել է մինչև $8 մլրդ․ խոստումը՝ 100 հազար GPU