Pi kondigt de lancering van de Pi API-beta aan, een platform dat ontwikkelaars in staat stelt om geavanceerde robotische foundation-modellen (zoals $\pi0$ en $\pi{0.5}$) te trainen en te gebruiken via een API. De API neemt de complexiteit van ML-infrastructuur en rekenkracht weg, waardoor de drempel voor het creëren van fysieke intelligentie wordt verlaagd.
Belangrijkste aspecten van de API:
- Workflow: De API faciliteert een iteratieve loop waarbij gebruikers data uploaden, modellen fine-tunen en deze via hosted inferentie op robots uitvoeren.
- Praktische toepassingen: In het artikel worden voorbeelden genoemd zoals Actor, dat autonome zware machines (wielladers) inzet, en Almond, met de Axol-robot die zichzelf kan assembleren.
- Cloud-integratie: De huidige implementaties maken gebruik van cloud-hosted inferentie, hoewel netwerkconnectiviteit in sommige omgevingen nog een uitdaging vormt.
Het doel van deze openstelling is om een ecosysteem te bouwen waarin feedback uit de echte wereld helpt bij het ontwikkelen van algemene fysieke intelligentie, waardoor complexe taken zoals robotchirurgie of magazijnautomatisering sneller haalbaar worden.
Frontier-modellen voor elke robot: Aankondiging van onze API-beta
We stellen onze nieuwste modellen beschikbaar voor training en inferentie via de Pi API-beta.
Het uitrollen van robots is een uitdaging. Naast het identificeren van de juiste use-case en het bouwen van de juiste hardware, hebben ontwikkelaars modellen nodig die intelligent genoeg zijn om de taak in kwestie uit te voeren. Algemene robotische foundation-modellen, zoals $\pi0$ en $\pi{0.5}$, bieden een veelbelovende manier om deze uitdaging aan te pakken. Ze vormen een sterke basis van fysieke kennis en capaciteiten, waardoor de benodigde data en inspanning om ze aan te passen aan nieuwe taken, omgevingen of robots aanzienlijk worden verminderd.
Het aanpassen van deze modellen vereist echter nog steeds ML-infrastructuur, rekenkracht en complexe datapijplijnen, wat op zichzelf al moeilijk is. Wat als de nieuwste en krachtigste robotische foundation-modellen via een eenvoudige, kant-en-klare API konden worden aangepast aan elke applicatie?
De Pi API doet dit voor u. U uploadt data, start de fine-tuning op rekenkracht en infrastructuur die wij beheren, en krijgt via een hosted gateway toegang tot de gefine-tunde modellen voor inferentie. Het nieuwste model dat via de API beschikbaar is, biedt onze partners al een efficiëntere fine-tuning met minder data en verbeterde mogelijkheden. Omdat Pi de onderliggende modellen van de API snel kan bijwerken, zijn we van plan om voortdurend toegang te bieden tot onze nieuwste en meest capabele modellen. De lancering van de beta is onze eerste stap in het bieden van een basis voor fysieke intelligentie waar de gemeenschap op kan voortbouwen om end-to-end autonomie mogelijk te maken.
Om ervoor te zorgen dat de API diverse toepassingen ondersteunt, hebben we gezocht naar antwoorden op twee kernvragen:
- Ondersteunen onze modellen een breed scala aan toepassingen en robotische hardware in diverse industrieën?
- Hoe gemakkelijk stelt de API ontwikkelaars in staat om te itereren richting nuttige, praktische autonomie?
Ondersteuning voor een breed scala aan toepassingen in diverse industrieën
Om te ontdekken hoe breed onze modellen kunnen worden aangepast, werken we nauw samen met bedrijven die robots inzetten voor het bouwen van autonomiesystemen voor hun specifieke applicaties. Deze samenwerkingen stellen ons in staat om te valideren hoe goed onze modellen presteren over verschillende taken, hardware en operationele omgevingen.
Voorbeeld: Actor
Actor zet autonome zware machines in. Hun autonome wiellader schept materiaal en laadt dit in een dumptruck tijdens een echte commerciële inzet, zonder dat er een operator in de machine aanwezig is.
Onafhankelijke iteratie naar praktische autonomie
Tijdens deze eerste samenwerkingen ontstond een gemeenschappelijk patroon. De uitdagingen verschillen per taak: een kledingstuk dat binnenstebuiten zit, een ingrediënt dat niet in een schep blijft liggen, of een fabricageonderdeel dat in de verkeerde positie landt. Maar het proces voor het verbeteren van de prestaties is grotendeels hetzelfde:
- Demonstraties verzamelen.
- Een model trainen.
- Het model testen op de robot.
- De fouten gebruiken om te bepalen welke data vervolgens verzameld moet worden.
We hebben de API gebouwd zodat ontwikkelaars deze iteratie-loop zelf kunnen doorlopen met onze nieuwste modellen.
API-workflow:
- Upload uw data.
- Fine-tune een $\pi$-model.
- Voer het model uit op uw robot via hosted inferentie.
- Gebruik evaluatiedata om de volgende iteratie te sturen.
We hebben een klein aantal bedrijven vroegtijdige toegang tot de API gegeven om te testen of ze zelfstandig de autonomie konden verbeteren. We waren onder de indruk van hoe snel ze aan de slag gingen en vooruitgang boekten.
Voorbeeld: Almond
Almond bouwt Axol, een robot met twee armen voor makers van fysieke AI. Hun doel is dat Axol zichzelf kan bouwen. In een demonstratie maakt Axol spacers braamvrij die worden gebruikt in de eigen assemblage, waarbij een model wordt gebruikt dat het team heeft verkregen na vier dagen itereren met de Pi API.
Cloud-inferentie en connectiviteit
De meeste getoonde toepassingen — van Japan en Zwitserland tot diverse inzetten in de Verenigde Staten — werkten met cloud-hosted inferentie via de API. Deze vroege implementaties besloegen een reeks omgevingen en taken, en brachten ook verbeterpunten aan het licht, waaronder uitdagingen met de netwerkconnectiviteit voor sommige gebruikers.
Verbetering door feedback
Hoe meer onze modellen worden gebruikt, hoe meer we leren over hoe we ze kunnen verbeteren. Door de potentie en beperkingen van onze huidige modellen in echte toepassingen te begrijpen, kunnen we de volgende generatie modellen breder toepasbaar maken en tastbare vooruitgang boeken richting echt algemene fysieke intelligentie.
De reeks taken in de echte wereld is echter enorm. Om te begrijpen wat robots allemaal zouden kunnen doen, moeten we onze modellen beschikbaar maken voor deze taken. Robotische toepassingen in de echte wereld zijn niet eenvoudig: het aanpakken van robotische constructie, robotchirurgie of magazijnautomatisering vereist elk een volledig bedrijf. Als elke applicatie zou betekenen dat het probleem van fysieke intelligentie vanaf nul moet worden opgelost, worden de uitdagingen onoverkomelijk. Door onze modellen beschikbaar te stellen via de API, versnellen we de groei van het robotecosysteem en verbeteren we daarmee onze eigen kennis van fysieke intelligentie.
De bovenstaande voorbeelden tonen aan dat de modellen die we ontwikkelen kunnen worden gebruikt voor echte, nuttige toepassingen, en dat onze partners in staat zijn de API te gebruiken om onafhankelijk policies te itereren en de autonomie voor hun taken te verbeteren. We staan nog aan het begin, en feedback van ontwikkelaars zal toekomstige releases vormgeven.
Frontier-modellen voor elke robot: Aankondiging van onze API-beta
We stellen onze nieuwste modellen beschikbaar voor training en inferentie via de Pi API-beta.
Het uitrollen van robots is een uitdaging. Naast het identificeren van de juiste use-case en het bouwen van de juiste hardware, hebben ontwikkelaars modellen nodig die intelligent genoeg zijn om de taak in kwestie uit te voeren. Algemene robotische foundation-modellen, zoals $\pi0$ en $\pi{0.5}$, bieden een veelbelovende manier om deze uitdaging aan te pakken. Ze vormen een sterke basis van fysieke kennis en capaciteiten, waardoor de benodigde data en inspanning om ze aan te passen aan nieuwe taken, omgevingen of robots aanzienlijk worden verminderd.
Het aanpassen van deze modellen vereist echter nog steeds ML-infrastructuur, rekenkracht en complexe datapijplijnen, wat op zichzelf al moeilijk is. Wat als de nieuwste en krachtigste robotische foundation-modellen via een eenvoudige, kant-en-klare API konden worden aangepast aan elke applicatie?
De Pi API doet dit voor u. U uploadt data, start de fine-tuning op rekenkracht en infrastructuur die wij beheren, en krijgt via een hosted gateway toegang tot de gefine-tunde modellen voor inferentie. Het nieuwste model dat via de API beschikbaar is, biedt onze partners al een efficiëntere fine-tuning met minder data en verbeterde mogelijkheden. Omdat Pi de onderliggende modellen van de API snel kan bijwerken, zijn we van plan om voortdurend toegang te bieden tot onze nieuwste en meest capabele modellen. De lancering van de beta is onze eerste stap in het bieden van een basis voor fysieke intelligentie waar de gemeenschap op kan voortbouwen om end-to-end autonomie mogelijk te maken.
Om ervoor te zorgen dat de API diverse toepassingen ondersteunt, hebben we gezocht naar antwoorden op twee kernvragen:
- Ondersteunen onze modellen een breed scala aan toepassingen en robotische hardware in diverse industrieën?
- Hoe gemakkelijk stelt de API ontwikkelaars in staat om te itereren richting nuttige, praktische autonomie?
Ondersteuning voor een breed scala aan toepassingen in diverse industrieën
Om te ontdekken hoe breed onze modellen kunnen worden aangepast, werken we nauw samen met bedrijven die robots inzetten voor het bouwen van autonomiesystemen voor hun specifieke applicaties. Deze samenwerkingen stellen ons in staat om te valideren hoe goed onze modellen presteren over verschillende taken, hardware en operationele omgevingen.
Voorbeeld: Actor
Actor zet autonome zware machines in. Hun autonome wiellader schept materiaal en laadt dit in een dumptruck tijdens een echte commerciële inzet, zonder dat er een operator in de machine aanwezig is.
Onafhankelijke iteratie naar praktische autonomie
Tijdens deze eerste samenwerkingen ontstond een gemeenschappelijk patroon. De uitdagingen verschillen per taak: een kledingstuk dat binnenstebuiten zit, een ingrediënt dat niet in een schep blijft liggen, of een fabricageonderdeel dat in de verkeerde positie landt. Maar het proces voor het verbeteren van de prestaties is grotendeels hetzelfde:
- Demonstraties verzamelen.
- Een model trainen.
- Het model testen op de robot.
- De fouten gebruiken om te bepalen welke data vervolgens verzameld moet worden.
We hebben de API gebouwd zodat ontwikkelaars deze iteratie-loop zelf kunnen doorlopen met onze nieuwste modellen.
API-workflow:
- Upload uw data.
- Fine-tune een $\pi$-model.
- Voer het model uit op uw robot via hosted inferentie.
- Gebruik evaluatiedata om de volgende iteratie te sturen.
We hebben een klein aantal bedrijven vroegtijdige toegang tot de API gegeven om te testen of ze zelfstandig de autonomie konden verbeteren. We waren onder de indruk van hoe snel ze aan de slag gingen en vooruitgang boekten.
Voorbeeld: Almond
Almond bouwt Axol, een robot met twee armen voor makers van fysieke AI. Hun doel is dat Axol zichzelf kan bouwen. In een demonstratie maakt Axol spacers braamvrij die worden gebruikt in de eigen assemblage, waarbij een model wordt gebruikt dat het team heeft verkregen na vier dagen itereren met de Pi API.
Cloud-inferentie en connectiviteit
De meeste getoonde toepassingen — van Japan en Zwitserland tot diverse inzetten in de Verenigde Staten — werkten met cloud-hosted inferentie via de API. Deze vroege implementaties besloegen een reeks omgevingen en taken, en brachten ook verbeterpunten aan het licht, waaronder uitdagingen met de netwerkconnectiviteit voor sommige gebruikers.
Verbetering door feedback
Hoe meer onze modellen worden gebruikt, hoe meer we leren over hoe we ze kunnen verbeteren. Door de potentie en beperkingen van onze huidige modellen in echte toepassingen te begrijpen, kunnen we de volgende generatie modellen breder toepasbaar maken en tastbare vooruitgang boeken richting echt algemene fysieke intelligentie.
De reeks taken in de echte wereld is echter enorm. Om te begrijpen wat robots allemaal zouden kunnen doen, moeten we onze modellen beschikbaar maken voor deze taken. Robotische toepassingen in de echte wereld zijn niet eenvoudig: het aanpakken van robotische constructie, robotchirurgie of magazijnautomatisering vereist elk een volledig bedrijf. Als elke applicatie zou betekenen dat het probleem van fysieke intelligentie vanaf nul moet worden opgelost, worden de uitdagingen onoverkomelijk. Door onze modellen beschikbaar te stellen via de API, versnellen we de groei van het robotecosysteem en verbeteren we daarmee onze eigen kennis van fysieke intelligentie.
De bovenstaande voorbeelden tonen aan dat de modellen die we ontwikkelen kunnen worden gebruikt voor echte, nuttige toepassingen, en dat onze partners in staat zijn de API te gebruiken om onafhankelijk policies te itereren en de autonomie voor hun taken te verbeteren. We staan nog aan het begin, en feedback van ontwikkelaars zal toekomstige releases vormgeven.
Groetjes,