Humyn Labs 获 4700 万美元融资,聚焦具身智能数据
Humyn Labs raises $47M to bridge the gap between AI training and real-world robotics - SiliconANGLE
Humyn Labs 宣布完成 4700 万美元早期融资,由 Accel 领投 2600 万美元股权及 Lighthouse Canton 领投 2100 万美元风险债务。该公司致力于通过采集人类在真实环境中的运动、语音和视觉数据,解决人形机器人从演示到实际部署的差距,资金将用于在巴西、韩国和印度建立部署就绪基础设施。
正文 · AI 翻译
Humyn Labs 是一家将人类经验转化为机器人和人工智能训练数据的公司,今日宣布已筹集 4700 万美元的早期资金,以加速在巴西、韩国和印度等现实环境中智能机器人的部署准备。
Accel 领投了本轮融资中 2600 万美元的股权部分,Prosus Ventures、BeeGlobal、Finserv Intelligence(通过 Bajaj Finance)、Bajaj Alts AI Opportunities Fund、Dallas Venture Capital、Lighthouse Canton 和 Jump Trading LLC 参与投资。Lighthouse Canton 领投了剩余的 2100 万美元风险债务,Trifecta Capital 参与投资。
Humyn 成立于 2026 年初,其理念是:人形机器人的 AI 模型不应从摆拍演示中学习灵巧性,而必须通过观察人类在真实环境中的动作来学习。这提供了实际行为数据,展示双手如何在没有明确指令的情况下操作物体、伸手、触摸、处理及恢复状态。
与从海量文本、图像和视频学习的生成式 AI 模型不同,物理 AI 模型必须学习如何与周围世界互动。这意味着不仅要理解物体的外观和位置,还要知道如何操纵它们、施加多大的力,以及在出现问题时如何响应。
“结果可能会非常、非常、非常具有戏剧性和灾难性,”联合创始人兼首席执行官 Manish Agarwal 在接受 SiliconANGLE 采访时说道。
Agarwal 指出,对于聊天机器人而言可能无关紧要的错误,对于与人并肩工作的机器人来说却可能产生严重后果。因此,获取关于人类如何与环境进行物理交互的高质量多样化数据,对于训练机器人在现实世界中安全可靠地工作至关重要。
为解决这一问题,该公司构建了由参与者执行日常家务任务时佩戴的头戴式摄像头拍摄的视频语料库,包含多达 20 万小时的人类有意运动数据。该公司还发布了涵盖五个地区的 12 万张人脸数据集,用于人脸识别,其中包括对光线、姿势、表情、眼镜、发型、胡须、配饰、年龄和地域的调整。
此外,该公司还收集了超过 5 万小时的代表性语音数据,服务于服务不足的语言市场,包括孟加拉语、泰米尔语、泰卢固语、奥里亚语、阿萨姆语、韩语、他加禄语、阿拉伯语、越南语和葡萄牙语。虽然英语、普通话或西班牙语等广泛使用的语言已有大量自然语言理解的语音 AI 模型数据,但在南亚和东南亚市场的现实客户服务中,常规覆盖仍然缺乏。
Humyn 的引擎使用声音、视觉、运动和触觉作为数据输入,对其进行整理、标准化和标注,以便 AI 模型能够理解运动的运动学、力和环境因素。这些共同构成了物理 AI 模型、世界模型、通用基础模型以及音频和语音 AI 的训练模式。
为机器人数据带来多样性
地理多样性同样重要,因为机器人必须了解其运营所在的环境和文化习俗。“多样性让你进入房间,质量确保你留在房间里,”Agarwal 表示。
为了强调这一点,Agarwal 强调了在收集训练数据时地理和文化多样性的重要性。在美国训练的家用机器人在印度家庭中执行任务时可能会遇到困难,因为那里的烹饪用具、厨房电器、洗衣习惯和房间布局等方面都存在差异。这些区域差异意味着机器人需要积累与其最终服务对象的具体环境和实践相关的经验。
通过在 20 多个国家收集数据,Humyn 可以训练出更接近其预期部署场景的模型,从而有望加速现实世界工作的就绪状态。
Agarwal 补充说,公司正看到来自构建用于家务和老年护理的家庭机器人的客户,以及涉及物体操纵和在工厂、仓库和商业环境中移动的工业应用的客户的兴趣。
“部署周期的下一阶段是关于这些模型在野外表现如何,”Agarwal 说。
归根结底,数据只是开始。Humyn 希望衡量机器人在现实条件下的失败之处,并利用这些数据反馈给 AI 飞轮,以构建更好的模型。这意味着使用虚拟模拟、物理复制品,并与企业和研究人员合作建立现场部署实验室,以识别预期性能与实际行为之间的差异。
该公司表示,打算利用新筹集的资金在巴西、韩国和印度建立部署就绪基础设施,开发其硬件和增强引擎,并扩大其在旧金山、伦敦和首尔的实地存在。Agarwal 表示,这还将涉及在现实环境中测试机器人,以识别其预期性能与实际行为之间的差距,并将这些结果反馈到模型开发中。
图片:SiliconANGLE/Microsoft Designer
AI 热点