Ang kompetisyon sa industriya ng embodied intelligence ay nakatuon sa bottleneck ng data, at ang Qiongche Intelligence ay nagtatrabaho kasama ang Alibaba Cloud upang lumikha ng automated data processing line sa cloud. Ginagamit ang UMI scheme upang makalap ang data ng operasyon ng robot, ngunit matapos ang paglalapit, kailangan itong dumaan sa mga kumplikadong proseso tulad ng pose recovery, fish-eye calibration, action segmentation, at multimodal annotation. Binigyan ng Alibaba Cloud ng distributed computing capability ang proseso upang ma-automate ang buong chain, na nagdulot ng pagtaas ng data throughput ng higit sa 10 beses, at ang cloud computing power ay maaaring i-scale nang弹性 hanggang 100,000+ CU, na nagpapataas ng efficiency ng model training ng halos 50%. Nagpatunay ang kolaborasyong ito na ang data ng robot ay maaaring magtatayo ng scalable at standardized production system, na nagbibigay-tuwid na suporta sa pag-iikot ng model, at naging bahagi ng bagong base infrastructure para sa mga kumpanya ng embodied intelligence.

May-akda ng artikulo, pinagkunan: GeekPark

Kung ang taong 2025 ay ang taon ng pag-usbong ng embodied intelligence, kaya ngayon, ang kompetisyon sa industriya ay nagsimula na sa bagong yugto.

Mula sa patuloy na paglalabas ng mga bagong produkto ng mga kompanya ng robot mula sa loob at labas ng bansa, hanggang sa patuloy na pagpapalakas ng kapital, ang embodied intelligence ay naging isa sa pinakamalaking pansin sa larangan ng AI. Ngunit habang mabilis na umuunlad ang industriya, umuusbong ang isang bagong pagkakasunduan: ang hindi na lamang ang modelo ang nagiging limitasyon sa bilis ng pag-unlad ng mga robot, kundi ang data.

Sa pagkakaiba sa malalaking modelo ng wika na maaaring gamitin ang malaking halaga ng teksto sa internet, ang mga robot ay kailangang matutunan ang kakayahan sa pagpapatakbo sa tunay na mundo. Isang paghawak, isang paghahatid, isang gawain sa pag-ayos—lahat ng ito ay kailangang mangyari sa totoo at i-synchronize ang mga multimodal na impormasyon tulad ng paningin, galaw, at trahektorya. Paano magpatuloy na makakuha ng mataas na kalidad na data at isalin agad ang mga ito sa mga dataset na maaaring matutunan ng modelo, ay naging bagong hamon para sa maraming negosyo sa embodied intelligence.

Bilang isang lokal na kompanya sa embodied AI, ang Qiongche AI ay patuloy na nagbuo ng isang robot infrastructure na nakabatay sa "data—pagtatrain—pag-deploy". Sa nakaraang panahon, nagtulungan ang Qiongche AI sa Alibaba Cloud upang lumikha ng isang automated cloud-based data processing production line, na may layuning i-upgrade ang pagproseso ng robot data mula sa isang modelo na nakadepende sa tao at single-machine operation patungo sa isang工业化 na proseso na maaaring mag-scale, upang magbigay ng patuloy na suporta sa data para sa pag-iterate ng model.

01

Sa panahon ng mga robot, ang tunay na kakulangan ay ang data

Para sa embodied intelligence, ang problema sa data ay hindi lamang sa "hindi makakuha," kundi mas sa "hindi kayang prosesuhan."

Ginagamit ng Qiongche Intelligence ang UMI (Universal Manipulation Interface) para sa pagkuha ng data. Kailangan lang ng operator na hawakan ang device at gawin ang mga natural na galaw tulad ng paghawak, pagbukas ng pinto, at paghahatid, at sasamantala ng device ang unang pananaw, posisyon ng grip, at trahektorya ng galaw para sa paggawa ng mataas na kalidad na data para sa pagtuturo sa robot.

Ngunit ang totoong hamon, karaniwang nangyayari pagkatapos ng pagkuha.

Kailangan pang lumalabas ang mga orihinal na data sa maraming kumplikadong hakbang bago ito maipapakilala sa pagtatrabaho ng modelo, kabilang ang pagbabalik ng pose, kalibrasyon ng fish-eye camera, paghahati ng galaw, at maramihang modalidad ng pag-annotation. Ang pagbuo ng visual SLAM ay nangangailangan ng malaking kapasidad ng GPU; kailangan ng pagtanggal ng distorsyon at kalibrasyon sa bawat frame ng fish-eye image; ang mga tuloy-tuloy na galaw ay kailangang hiwa-hiwalayin sa mga atomikong gawain at isama ang mga kaugnay na deskripsyon sa natural na wika; habang lumalaki ang sakop ng pagkuha, ang mga数百oras na video data ay nagdudulot ng malaking presyon sa kabuuang komputasyon.

Hindi lamang ito malaki sa pagkalkula, kundi ang buong proseso ay naglalaman ng maraming mga hakbang sa pagproseso; kung isang hakbang ay mabubulok, maaaring maapektuhan ang buong batch ng data sa pagkalkula muli. Para sa mga negosyo ng embodied intelligence, ang pagproseso ng data ay naging isang bagong kakayahan sa infrastruktura, na nangangailangan ng isang buong sistema na makakapagbigay ng elastic computing power, automatic scheduling, full-process tracking, at koordinasyon sa pag-train ng mga model.

02

Isang produksyon na linya na tumatakbo sa langit

Paano mapapabilis ang pagtrato ng robot

Upang lutasin ang mga problema na ito, inayos ng Qiongche Intelligence ang isang end-to-end na UMI Data + AI Pipeline kasama ang Alibaba Cloud, na may layuning palitan ang mga hiwa-hiwalay na proseso ng pagtrato ng data sa isang awtomatikong data production line.

Sa panahon ng proseso ng data, ang Alibaba Cloud MaxCompute MaxFrame ay nagbibigay ng distributed computing capability upang hiwalayin ang mga gawain tulad ng video distortion correction, SLAM pose recovery, at multimodal annotation sa cloud resources para sa parallel execution. Ang mga malalaking compute na dati ay nangangailangan ng single machine ay ngayon ay maaaring mag-expand nang flexibly batay sa laki ng gawain, na nagpapabuti sa kabuuang processing efficiency. Samantala, ang kakayahan ng malalaking model ay direkta na isinama sa proseso ng data processing upang ma-automatic ang semantic annotation ng mga action clips, na nagpapababa sa gastos sa manual annotation.

Ang buong proseso ng pagproseso ng data ay pinagsasama-sama ng DataWorks. Maaari mong matapos ang mga iskedyul na pang-panahon, pagrerun ng nakaraang data, at awtomatikong pagpapagaling ng mga anomaly sa iisang platform, na nagbabawas sa paggamit ng tao at nagpapatuloy sa patuloy at matatag na paggalaw ng buong data pipeline.

Matapos ma-proses ang data, ito ay papasok sa Hologres para sa pangkalahatang pamamahala, upang magbigay ng real-time na serbisyo para sa susunod na paghahanap ng sample, pagsusuri ng data, at pamamahala ng pagtuturo; pagkatapos ay papasok sa PAI platform para sa pagtatrabaho ng modelo, pagpapabuti ng performance, at pag-verify ng deployment, upang makabuo ng buong sariling siklo mula sa paggawa ng data, pagtatrabaho ng modelo, hanggang sa feedback ng epekto.

Ang kooperasyon na ito ay nagdala rin ng mga praktikal na epekto. Ang proseso ng pagtrato ng data ng Qiongche Intelligence ay naging awtomatiko sa buong proseso, tumataas ang kabuuang throughput ng higit sa 10 beses, ang maramihang modalidad ng pag-annotate ay naging scalable at awtomatiko, at ang cloud computing power ay maaaring ma-extend nang elasto sa 100,000+ CU, na tumataas ang efficiency ng pag-train ng model ng halos 50%.

Para sa industriya ng embodied intelligence, ang pagkakasundo na ito ay nagpapatotoo sa isang bagay: ang robot data ay maaari ring bumuo ng isang scaleable at automated data production system. Kapag ang pagkuha, pagproseso, at pagtratap ng data ay nagsisikap na maging standardisadong proseso, ang robot model ay makakakuha ng mas mabilis na pag-iterate. Habang ang kompetisyon sa industriya ay patuloy na lumalawak mula sa kakayahan ng model patungo sa data infrastructure, ang pag-aaral sa kakayahan sa paggawa ng data ay magiging mahalagang kompetensya sa susunod na yugto ng pag-unlad ng embodied intelligence.