Google DeepMind یک تکنیک آموزش رباتیک را نشان داده است که در آن مدل Gemini 4 Argon آن با تماشای ویدیوی معمولی یک کار فیزیکی را یاد می‌گیرد، سپس رفتار آموخته‌شده را به یک ربات انسان‌نما واقعی منتقل می‌کند. به گزارش Robotics & Automation News، در این نسخه ی نمایشی که همزمان با عرضه مدل منتشر شد، انسان نما آپولو ساخته شده توسط Apptronik فیلمی از یک فرد در حال بازی کورن هول را تماشا کرد - و سپس هفت عکس متوالی را در یک آزمایش در دنیای واقعی دریافت کرد.

از ویدیوی خام تا ربات واقعی For more context on this story, see our ongoing latest AI developments.

تظاهرات بر روی یک آزمون داخلی متمرکز بود. آرگون یک ویدیوی خام از یک انسان در حال بازی کورن هول، بازی پرتاب حیاط خلوت نشان داده شد. سپس این مدل محیط را تجزیه و تحلیل کرد، مختصات فضایی آن را ترسیم کرد و حرکات مفاصل کل بدن را که برای بازتولید این کار روی یک پلت فرم انسان نما مورد نیاز بود، محاسبه کرد.

مرحله قابل توجه آن چیزی است که بعداً انجام شد: آرگون به جای تکیه بر مهندسین برای ساخت یک شبیه‌سازی فیزیک، به طور مستقل کد شبیه‌سازی را تولید کرد. سپس رفتار آموخته شده از آن شبیه‌سازی خودساخته به انسان‌نمای آپترونیک آپولو، که آن را در دنیای فیزیکی اجرا کرد، منتقل شد.

طبق گفته Google DeepMind، آپولو متعاقباً در طول آزمایشی در دنیای واقعی هفت شات مستقیم به زمین زد - یک دویدن تمیز برای کاری که به ربات نیاز دارد تا تعادل، مسیر بازو و زمان رهاسازی را هماهنگ کند.

هفته کار شبیه سازی به ساعت فشرده شده است

Google DeepMind این رویکرد را به‌عنوان خط لوله «Video-to-Sim-to-Real» توصیف می‌کند.

بر اساس گزارش Robotics & Automation News، این خط لوله «Video-to-Sim-to-Real» هفته ها مدل سازی شبیه سازی دستی را به چند ساعت فشرده می کند و ویدیوهای معمولی را به یک زمین آموزشی مقیاس پذیر و بی نهایت برای رباتیک تبدیل می کند.

به طور سنتی، آموزش یک مهارت فیزیکی جدید به یک ربات از طریق شبیه‌سازی، به متخصصان نیاز دارد تا محیط، فیزیک جسم و بدن ربات را با دست مدل‌سازی کنند - فرآیندی که برای هر کار جدید در هفته اندازه‌گیری می‌شود. اگر ویدیو بتواند جایگزین آن مدل‌سازی دستی شود، گلوگاه آموزش مهارت‌های جدید به روبات‌ها از کار مهندسی به در دسترس بودن فیلم نمایشی تغییر می‌کند که عملاً در اینترنت نامحدود است.

چه چیزی باعث می شود که ویدیو به سیم به واقعی متفاوت باشد

اکثر خطوط لوله یادگیری ربات در صنعت از یکی از دو مسیر استفاده می کنند: عملیات از راه دور، که در آن انسان به صورت دستی وظایفی را که ربات تقلید می کند نشان می دهد، یا آموزش شبیه سازی، که در آن مهندسان محیط های مجازی را به صورت دستی می سازند که در آن سیاست های کنترلی میلیون ها تکرار را قبل از استقرار انجام می دهند. هر دو کار می کنند، و هر دو مقیاس ضعیفی دارند - عملیات از راه دور برای هر کار کار فشرده است، و مدل سازی شبیه سازی برای هر محیط کار فشرده است.

نسخه ی نمایشی Cornhole در تنگنای دوم قرار دارد. در گزارش DeepMind از این آزمایش، هیچ مهندسی محیط cornhole را نساخت: آرگون ویدیوی خام را مصرف کرد، طرح فضایی صحنه را تفسیر کرد، مسیرهای مفصل کل بدن را که مورد نیاز پرتاب بود کار کرد و خود کد شبیه‌سازی را نوشت. نقش انسان در حلقه در واقع به این کاهش یافت که یک بار از شخصی که در حال بازی است فیلم گرفته شود.

Cornhole یک مورد آزمایشی عمداً خوب است. بی اهمیت به نظر می رسد، اما فرود آمدن یک کیسه لوبیا روی یک هدف بلند شده دقیقاً همان ترکیبی را می طلبد که ربات های انسان نما به سختی پیدا می کنند: تعادل پایدار کل بدن در طول چرخش، دینامیک بازوی ظریف، رهاسازی به موقع، و تحمل در برابر پرتابه های بالستیک شل. هفت موفقیت متوالی در دنیای واقعی نشان می‌دهد که خط‌مشی منتقل‌شده به جای خوش شانسی قوی بوده است، اگرچه یک آزمایش داخلی تنها یک پایه شواهد محدود است.

نتایج محک استدلال تجسم یافته

در کنار دموی کورن‌هول، DeepMind آرگون را بر روی معیار استدلال تجسم یافته (ERQA) آزمایش کرد که توانایی مدل را برای استدلال در مورد مشکلات فیزیکی و فضایی در محیط‌های سه‌بعدی اندازه‌گیری می‌کند. این شرکت می گوید که آرگون به امتیاز 87 درصد در معیار دست یافته است.

استدلال فیزیکی و فضایی به طور گسترده به عنوان یکی از شکاف‌هایی دیده می‌شود که مدل‌های زبان مرزی را از سیستم‌هایی که می‌توانند به طور مفید در دنیای فیزیکی عمل کنند، جدا می‌کند، به همین دلیل است که معیارهای روباتیک مانند ERQA توجه روزافزونی را از سوی آزمایشگاه‌های اصلی به خود جلب کرده‌اند.

بخشی از راه اندازی گسترده تر Gemini 4 Argon

کار روباتیک یکی از برنامه های کاربردی در راه اندازی گسترده تر است. گوگل Gemini 4 Argon را به عنوان یک مدل مرزی با ترکیب استدلال بصری- معنایی، درک فیزیکی و تولید کد مستقل با هدف کارهای پیچیده مهندسی، علمی، کدنویسی و تجاری قرار می دهد. این شرکت می‌گوید که قبلاً از این مدل به صورت داخلی در پروژه‌هایی از بهینه‌سازی پایگاه‌های کد نرم‌افزار بزرگ گرفته تا محاسبات کوانتومی، همجوشی هسته‌ای و تحقیقات علوم حیاتی استفاده کرده است.

این مدل از طریق محصولات هوش مصنوعی گوگل و Gemini API در دسترس است، با نمایش روباتیک به‌عنوان شواهدی از درک فیزیکی مدل و نه به‌عنوان یک محصول حمل‌ونقل برای اپراتورهای ربات.

چرا برای صنعت انسان نما مهم است

برای بخش رو به رشد روبات‌های انسان‌نما - جایی که Apptronik یکی از برجسته‌ترین بازیگران است - نتیجه به یک پیشنهاد ارزش کوتاه‌مدت خاص اشاره می‌کند: مدل‌های هوش مصنوعی همه منظوره که می‌توانند ویدیوهای غیرفعال را به شبیه‌سازی‌های آموزش‌پذیر تبدیل کنند، می‌توانند به طور چشمگیری هزینه آموزش وظایف جدید به روبات‌ها را کاهش دهند، که مانع اصلی بین نمایش‌های چشمگیر امروزی و استقرار اقتصادی مفید در مقیاس است.

قاب بندی خود DeepMind نیز بر همین نکته تاکید دارد. این شرکت می‌گوید این نمایش نشان می‌دهد که چگونه مدل‌های همه منظوره می‌توانند میزان مهندسی دستی مورد نیاز برای آموزش مهارت‌های فیزیکی جدید به روبات‌ها را کاهش دهند.

هفت شات کورن هول بسته ها را در یک انبار جابه جا نمی کند. اما خط لوله ای که آنها را تولید کرد - تماشای یک ویدیو، درک فیزیک، نوشتن شبیه سازی، انتقال به سخت افزار - بخشی است که شرکت های رباتیک و سرمایه گذاران آنها تماشا خواهند کرد.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →