Shaip har skalert et enkeltstående pågående program for innsamling av fysisk AI-data til 5,000 gyldige timer med egosentrisk VR-bevegelsesfangst per måned. Programmet støtter en humanoid robotutvikler og kjører i en gjentakende månedlig syklus, som dekker 300 til 400 oppgaver på tvers av mer enn 50
New York City, USA, 13. august 2026 — New York, NY — 13. august 2026 — Shaip, en leverandør av datainnsamling og annoteringstjenester for AI-opplæring, har skalert et enkeltstående pågående program for datainnsamling av fysisk AI til 5,000 gyldige timer med egosentrisk VR-bevegelsesfangst per måned. Programmet støtter en humanoid robotutvikler som bygger sim-til-real-systemer, der modeller trent i simulering overføres til fysiske roboter, og kjører på en gjentakende månedlig syklus i stedet for en engangsinnsamling.
Fysisk KI refererer til kunstig intelligens som fungerer i den fysiske verden gjennom roboter og annen kroppsliggjort maskinvare, snarere enn bare i programvare. Opplæring krever innspilte menneskelige demonstrasjoner av fysiske oppgaver, fanget opp med konsekvent kalibrering og kvalitetskontroll, slik at utviklere kan segmentere og evaluere hver episode.
Hver syklus involverer 1,500 til 2,500 deltakere og dekker 300 til 400 kundedefinerte oppgaver som spenner over bevegelse, objektmanipulering, interaksjon i hjemmet og på kontoret, og fysiske arbeidsflyter i flere trinn. Capture bruker et VR-headset parret med fem kroppsmonterte bevegelsessporere, som produserer bevegelsesdata for hele kroppen i stedet for bare video.
Opptak skjer på tvers av mer enn 50 forskjellige opptaksmiljøer – individuelle steder som en monteringsbenk i en fabrikk, et konferanserom på kontoret, en farmasøytisk pakkelinje, en espressostasjon på en kafé, en plukkegang på et lager eller et hjemmekjøkken – gruppert under seks miljøtyper. Variasjon på innstillingsnivå er viktig fordi en policy som er trent på ett representativt rom, forringes når objektplassering, belysning og layout er forskjellige.
Team som utvikler visjon-språk-handling-modeller (VLA) trenger kontinuerlig datatilførsel på tvers av påfølgende treningskjøringer, og pipelines som opererer i pilotskala klarer ofte ikke å holde nøyaktighet ved gjentakende høye volum. Det månedlige tallet sendes ut på ett program, ikke grensen for tilgjengelig kapasitet.
«Fysiske AI-programmer mislykkes oftere når det gjelder driftsmessig konsistens enn volum», sa Utsav Shah, SVP og forretningssjef hos Shaip . «Oppgavebiblioteket og kalibreringsdisiplinen er det som gjør at en månedlig syklus på 5,000 timer forblir sammenlignbar på tvers av tusenvis av deltakere og mer enn 50 opptaksinnstillinger.»
Konsistens opprettholdes gjennom en standardisert prosess. Hver plassering dokumenteres med vidvinkelfotografering, konfigureres i et administrativt system, sendes inn for kundevurdering og eksporteres som en scenereferanse for objektplassering. QR-koblet kartlegging knytter hver innstilling til opptakskonteksten. Før hver økt pares og valideres alle fem trackere, og kalibrering er obligatorisk for hver deltaker, og dekker avatarjustering, gulvjustering og grenseoppsett.
Deltakerne øver på oppgaver før opptak. Moderatorer observerer gjennom nettleserbasert skjermcasting og går bare videre til liveopptak når sensoratferd og deltakerbevegelser når definerte terskler. Øktene gjennomgås for bevegelsesklarhet, oppgavekorrekthet, scenejustering og sensornøyaktighet, og ubrukelige opptak tas på nytt før de teller mot gyldige timer. Leveringsdetaljer er dokumentert i Shaip-casestudien.
Oppgaveutvalget benytter seg av et eksisterende bibliotek med mer enn 1,400 dokumenterte scenarier på tvers av industri, hotell-, detaljhandels-, kontor-, bolig-, landbruks-, bil- og byggemiljøer. Hvert scenario spesifiserer oppgavemål, retningslinjer, objekter, første oppsett, forventet resultat, varighet, vanskelighetsgrad, verktøybruk og sikkerhetsnotater, med episoder som varer 0.5 til 10 minutter. Standardiserte scenarioer gir konsistente starttilstander og sammenlignbare suksesskriterier på tvers av deltakere og sykluser – egenskaper som VLA og imitasjonslæringsrørledninger trenger for episodesegmentering. Klienter velger fra biblioteket eller bestiller nye scenarioer, som beskrevet på siden for fysisk AI-datakatalog.
Om Shaip
Shaip er en ledende leverandør av AI-dataplattformer og -tjenester som spesialiserer seg på innkjøp, opprettelse, lisensiering og transformasjon av høykvalitets, etiske og domenespesifikke data for AI- og maskinlæringsapplikasjoner. Shaip støtter brukstilfeller innen fysisk AI, helse-AI, datasyn, generativ AI og konversasjons-AI for ledende AI-laboratorier og bedriftskunder over hele verden. Finn ut mer på shaip.com
Mediekontakt
Anubhav Saraf: Direktør – Markedsføring, Shaip