Google DeepMind předvedl techniku tréninku robotiky, při které se její model Gemini 4 Argon naučí fyzikální úkol sledováním běžného videa a poté naučené chování přenese na skutečného humanoidního robota. V demu, zveřejněném spolu s uvedením modelu, humanoid Apollo postavený na Apptroniku sledoval záběry člověka hrajícího kukuřičnou díru – a pak podle Robotics & Automation News vystřelil sedm po sobě jdoucích záběrů v reálném testu.
Od surového videa ke skutečnému robotovi For more context on this story, see our ongoing latest AI developments.
Demonstrace se soustředila na jediný interní test. Argonovi bylo ukázáno surové video člověka hrajícího kukuřičnou díru, házecí hru na dvorku. Model poté analyzoval prostředí, zmapoval jeho prostorové souřadnice a vypočítal pohyby kloubů celého těla potřebné k reprodukci úkolu na humanoidní platformě.
Pozoruhodným krokem je to, co přišlo potom: namísto spoléhání se na inženýry, že ručně vytvoří fyzikální simulaci, Argon autonomně vygeneroval simulační kód sám. Naučené chování bylo poté přeneseno z této samovygenerované simulace do humanoida Apptronik Apollo, který jej provedl ve fyzickém světě.
Podle Google DeepMind Apollo následně během reálného testu vystřelilo sedm přímých výstřelů – čistý běh pro úkol, který vyžaduje, aby robot koordinoval rovnováhu, trajektorii paží a načasování uvolnění.
Týdny simulační práce zkomprimované do hodin
Google DeepMind popisuje tento přístup jako kanál „Video-to-Sim-to-Real“ a rozteč je jak o času na inženýrství, tak o schopnostech.
„Tento kanál „Video-to-Sim-to-Real“ komprimuje týdny manuálního simulačního modelování do několika hodin a přeměňuje běžná videa na škálovatelné, nekonečné tréninkové hřiště pro robotiku,“ uvedla společnost podle Robotics & Automation News.
Výuka robota nové fyzické dovednosti pomocí simulace tradičně vyžaduje, aby specialisté ručně modelovali prostředí, fyziku objektů a tělo robota – což je proces měřený v týdnech pro každý nový úkol. Pokud video může nahradit toto ruční modelování, překážka pro výuku robotů novým dovednostem se posouvá od inženýrské práce k dostupnosti ukázkových záběrů, které jsou na internetu prakticky neomezené.
Čím se liší video-to-Sim-to-real
Většina kanálů učení robotů v průmyslu používá jednu ze dvou cest: teleoperaci, kdy lidé ručně předvádějí úkoly, které robot napodobuje, nebo simulační trénink, kde inženýři ručně vytvářejí virtuální prostředí, ve kterých řídicí zásady před nasazením praktikují miliony opakování. Oba fungují a oba se špatně škálují – teleoperace je pracná na úkol a simulační modelování je náročné na pracovní prostředí.
Demo cornhole je zaměřeno na druhé úzké hrdlo. V popisu testu DeepMind žádný inženýr nevytvářel prostředí cornhole: Argon spotřeboval nezpracované video, interpretoval prostorové rozvržení scény, vypracoval trajektorie kloubů celého těla, které bylo zapotřebí, a napsal samotný simulační kód. Lidská role ve smyčce byla ve skutečnosti zredukována na to, že jednou natočili někoho, kdo hru hraje.
Cornhole je záměrně dobře zvolený testovací případ. Vypadá to triviálně, ale přistání sedacího pytle na vyvýšený cíl vyžaduje přesně tu kombinaci, kterou humanoidní roboti těžko shledávají: stabilní rovnováhu celého těla při natahování, jemnou dynamiku paží, časované uvolnění a toleranci k balistice uvolněného projektilu. Sedm po sobě jdoucích úspěchů v reálném světě naznačuje, že přenesená politika byla spíše robustní než šťastná, ačkoli jediný interní test je úzkou základnou důkazů.
Ztělesněné zdůvodnění Benchmark výsledků
Vedle dema Corhole testovala společnost DeepMind Argon na benchmarku Embodied Reasoning (ERQA), který měří schopnost modelu uvažovat o fyzických a prostorových problémech ve 3D prostředích. Společnost tvrdí, že Argon dosáhl skóre 87 % v benchmarku.
Fyzické a prostorové uvažování je široce vnímáno jako jedna z mezer oddělujících hraniční jazykové modely od systémů, které mohou užitečně fungovat ve fyzickém světě, a proto robotické benchmarky jako ERQA přitahují stále větší pozornost velkých laboratoří.
Součást širšího startu Gemini 4 Argon
Robotická práce je jednou aplikací v širším startu. Google staví Gemini 4 Argon jako hraniční model kombinující vizuálně-sémantické uvažování, fyzické porozumění a autonomní generování kódu, zaměřený na komplexní inženýrské, vědecké, kódovací a obchodní úkoly. Společnost tvrdí, že tento model již interně použila na projektech od optimalizace velkých softwarových kódových základen po kvantové výpočty, jadernou fúzi a výzkum věd o živé přírodě.
Model je zpřístupňován prostřednictvím produktů AI společnosti Google a Gemini API, přičemž ukázka robotiky je prezentována jako důkaz fyzického pochopení modelu spíše než jako přepravní produkt pro operátory robotů.
Proč je to důležité pro humanoidní průmysl
Pro rostoucí sektor humanoidních robotů – kde je Apptronik jedním z nejvýznamnějších hráčů – výsledek ukazuje na konkrétní krátkodobou hodnotovou nabídku: univerzální modely umělé inteligence, které dokážou převést pasivní video na trénovatelné simulace, by mohly dramaticky snížit náklady na výuku robotů novým úkolům, což je hlavní překážka mezi dnešními působivými ukázkami a ekonomicky užitečným nasazením ve velkém měřítku.
Vlastní rámování DeepMind zdůrazňuje stejný bod. Demonstrace, říká společnost, ukazuje, jak by univerzální modely mohly snížit množství ručního inženýrství potřebného k výuce robotů novým fyzickým dovednostem.
Sedm ran do kukuřičné díry nepohne balíky ve skladu. Ale potrubí, které je vyrobilo – podívejte se na video, porozumějte fyzice, napište simulaci, přeneste na hardware – je část, kterou budou robotické společnosti a jejich investoři sledovat.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
