Google DeepMind បានបង្ហាញបច្ចេកទេសបណ្តុះបណ្តាលមនុស្សយន្តដែលម៉ូដែល Gemini 4 Argon របស់ខ្លួនរៀនកិច្ចការរាងកាយដោយការមើលវីដេអូធម្មតា បន្ទាប់មកផ្ទេរអាកប្បកិរិយាដែលបានរៀនទៅជាមនុស្សយន្តពិតប្រាកដ។ នៅក្នុងការសាកល្បងដែលត្រូវបានបោះពុម្ពផ្សាយទន្ទឹមនឹងការចេញលក់របស់ម៉ូដែលនេះ យាន Apollo humanoid ដែលផលិតដោយ Apptronik បានមើលវីដេអូរបស់មនុស្សដែលកំពុងលេង cornhole — ហើយបន្ទាប់មកបានបាញ់ចំនួនប្រាំពីរជាប់ៗគ្នានៅក្នុងការសាកល្បងក្នុងពិភពពិត នេះបើយោងតាម ​​Robotics & Automation News ។

ពីវីដេអូឆៅទៅជាមនុស្សយន្តពិត For more context on this story, see our ongoing artificial intelligence updates.

បាតុកម្មនេះផ្តោតលើការធ្វើតេស្តផ្ទៃក្នុងតែមួយ។ Argon ត្រូវ​បាន​គេ​បង្ហាញ​វីដេអូ​ឆៅ​នៃ​មនុស្ស​កំពុង​លេង​រន្ធ​ពោត​ដែល​ជា​ហ្គេម​បោះ​ចោល​នៅ​តាម​ផ្ទះ។ បន្ទាប់មក គំរូនេះបានវិភាគបរិស្ថាន គូសផែនទីកូអរដោនេនៃលំហរបស់វា និងគណនាចលនារួមគ្នានៃរាងកាយទាំងមូលដែលត្រូវការដើម្បីបង្កើតឡើងវិញនូវកិច្ចការនៅលើវេទិកាមនុស្ស។

ជំហានគួរឱ្យកត់សម្គាល់គឺជាអ្វីដែលបានកើតឡើងបន្ទាប់: ជាជាងពឹងផ្អែកលើវិស្វករដើម្បីបង្កើតការក្លែងធ្វើរូបវិទ្យាដោយដៃ Argon បានបង្កើតកូដក្លែងធ្វើដោយស្វ័យភាពដោយខ្លួនឯង។ ឥរិយាបទដែលបានរៀនត្រូវបានផ្ទេរពីការក្លែងធ្វើដែលបង្កើតដោយខ្លួនឯងនោះទៅកាន់ Apollo humanoid របស់ Apptronik ដែលបានប្រតិបត្តិវានៅក្នុងពិភពរូបវន្ត។

យោងតាម ​​Google DeepMind ក្រោយមក Apollo បានធ្វើការបាញ់ប្រហារចំនួន 7 លើកជាប់ៗគ្នាក្នុងអំឡុងពេលសាកល្បងក្នុងពិភពពិត ដែលជាការរត់ស្អាតសម្រាប់កិច្ចការដែលតម្រូវឱ្យមនុស្សយន្តសម្របសម្រួលតុល្យភាព ចលនាដៃ និងពេលវេលាបញ្ចេញ។

សប្តាហ៍នៃការងារក្លែងធ្វើត្រូវបានបង្ហាប់ជាម៉ោង

Google DeepMind ពិពណ៌នាអំពីវិធីសាស្រ្តនេះថាជា "Video-to-Sim-to-Real" pipeline ហើយទីលានគឺច្រើនអំពីពេលវេលាវិស្វកម្មព្រោះវានិយាយអំពីសមត្ថភាព។

យោងតាមក្រុមហ៊ុន Robotics & Automation News បានឱ្យដឹងថា "បំពង់ 'វីដេអូទៅស៊ីម-ទៅ-ពិត' នេះបង្រួមគំរូនៃការក្លែងធ្វើដោយដៃជាច្រើនសប្តាហ៍ទៅជាពីរបីម៉ោង ដោយបំប្លែងវីដេអូធម្មតាទៅជាកន្លែងហ្វឹកហាត់ដែលអាចធ្វើមាត្រដ្ឋាន និងគ្មានដែនកំណត់សម្រាប់មនុស្សយន្ត" ។

ជាប្រពៃណី ការបង្រៀនមនុស្សយន្តនូវជំនាញរូបវន្តថ្មីតាមរយៈការក្លែងធ្វើបានតម្រូវឱ្យអ្នកឯកទេសធ្វើគំរូបរិស្ថាន រូបវិទ្យាវត្ថុ និងរាងកាយរបស់មនុស្សយន្តដោយដៃ ដែលជាដំណើរការវាស់វែងជាសប្តាហ៍សម្រាប់កិច្ចការថ្មីនីមួយៗ។ ប្រសិនបើវីដេអូអាចជំនួសគំរូដោយដៃនោះ ឧបសគ្គសម្រាប់ការបង្រៀនមនុស្សយន្តជំនាញថ្មីបានផ្លាស់ប្តូរពីការងារផ្នែកវិស្វកម្មទៅជាការបង្ហាញវីដេអូដែលមានប្រសិទ្ធភាពគ្មានដែនកំណត់នៅលើអ៊ីនធឺណិត។

អ្វីដែលធ្វើឱ្យវីដេអូពីស៊ីមទៅពិតខុសគ្នា

បំពង់សម្រាប់សិក្សាមនុស្សយន្តភាគច្រើននៅក្នុងឧស្សាហកម្មប្រើប្រាស់ផ្លូវមួយក្នុងចំណោមផ្លូវពីរ៖ ប្រតិបត្តិការទូរលេខ ដែលមនុស្សធ្វើដោយដៃបង្ហាញពីកិច្ចការដែលមនុស្សយន្តធ្វើត្រាប់តាម ឬការបណ្តុះបណ្តាលការក្លែងធ្វើ ដែលវិស្វករបង្កើតបរិយាកាសនិម្មិតដោយដៃ ដែលគោលការណ៍គ្រប់គ្រងអនុវត្តពាក្យដដែលៗរាប់លានមុនពេលដាក់ឱ្យប្រើប្រាស់។ ទាំងការងារ និងទាំងទំហំតូច - ប្រតិបត្តិការទូរគមនាគមន៍គឺពឹងផ្អែកខ្លាំងលើការងារក្នុងមួយភារកិច្ច ហើយការធ្វើគំរូនៃការក្លែងធ្វើគឺពឹងផ្អែកខ្លាំងលើកម្លាំងពលកម្មក្នុងមួយបរិស្ថាន។

ការបង្ហាញ cornhole គឺសំដៅទៅលើការរាំងស្ទះទីពីរ។ នៅក្នុងគណនីរបស់ DeepMind នៃការធ្វើតេស្តនេះ គ្មានវិស្វករណាម្នាក់បានសាងសង់បរិយាកាសនៃរន្ធជ្រុងទេ៖ Argon បានប្រើប្រាស់វីដេអូឆៅ បកស្រាយប្លង់លំហរបស់កន្លែងកើតហេតុ ធ្វើការចេញនូវគន្លងរួមនៃដងខ្លួនទាំងមូលដែលតម្រូវឱ្យបោះ និងសរសេរកូដក្លែងធ្វើដោយខ្លួនឯង។ ជា​លទ្ធផល តួនាទី​របស់​មនុស្ស​នៅ​ក្នុង​រង្វង់​ត្រូវ​បាន​កាត់​បន្ថយ​មក​ត្រឹម​ពេល​ដែល​បាន​ថត​អ្នក​លេង​ហ្គេម​ម្ដង។

Cornhole គឺជាករណីសាកល្បងដែលត្រូវបានជ្រើសរើសយ៉ាងល្អដោយចេតនា។ វាមើលទៅមិនសំខាន់ ប៉ុន្តែការចុះចតលើថង់សណ្តែកមួយនៅលើគោលដៅដែលបានលើកឡើងទាមទារយ៉ាងពិតប្រាកដនូវការរួមបញ្ចូលគ្នារវាងមនុស្សយន្តរបស់មនុស្សយន្តដែលពិបាក៖ តុល្យភាពរាងកាយទាំងមូលមានស្ថេរភាពក្នុងអំឡុងពេលខ្យល់ កម្លាំងដៃដ៏ល្អ ការដោះលែងទាន់ពេលវេលា និងការអត់ធ្មត់សម្រាប់ការបាញ់ផ្លោងនៃគ្រាប់ផ្លោង។ ជោគជ័យប្រាំពីរជាប់ៗគ្នានៅក្នុងពិភពពិតបង្ហាញថាគោលនយោបាយផ្ទេរមានភាពរឹងមាំជាជាងសំណាង ទោះបីជាការធ្វើតេស្តផ្ទៃក្នុងតែមួយគឺជាមូលដ្ឋានភស្តុតាងតូចចង្អៀតក៏ដោយ។

បញ្ចូលសមហេតុសមផលលទ្ធផលគោល

ទន្ទឹមនឹងការបង្ហាញ cornhole នេះ DeepMind បានសាកល្បង Argon លើ embodied Reasoning benchmark (ERQA) ដែលវាស់ស្ទង់សមត្ថភាពរបស់ម៉ូដែលក្នុងការវែកញែកអំពីបញ្ហារាងកាយ និងទំហំនៅក្នុងបរិស្ថាន 3D ។ ក្រុមហ៊ុននិយាយថា Argon ទទួលបានពិន្ទុ 87% នៅលើគោល។

ការវែកញែកខាងរូបវន្ត និងលំហ ត្រូវបានគេមើលឃើញយ៉ាងទូលំទូលាយថាជាគម្លាតមួយដែលបំបែកគំរូភាសាព្រំដែនពីប្រព័ន្ធដែលអាចដំណើរការបានយ៉ាងមានសារៈប្រយោជន៍នៅក្នុងពិភពរូបវន្ត ដែលនេះជាមូលហេតុដែលស្តង់ដារមនុស្សយន្តដូចជា ERQA បានទាក់ទាញការយកចិត្តទុកដាក់កាន់តែខ្លាំងឡើងពីមន្ទីរពិសោធន៍ធំៗ។

ផ្នែកនៃការចាប់ផ្តើម Gemini 4 Argon កាន់តែទូលំទូលាយ

ការងារមនុស្សយន្តគឺជាកម្មវិធីមួយនៅក្នុងការបើកដំណើរការកាន់តែទូលំទូលាយ។ Google កំពុងដាក់ Gemini 4 Argon ជាគំរូព្រំដែនដែលរួមបញ្ចូលគ្នានូវហេតុផលដែលមើលឃើញ ការយល់ដឹងអំពីរូបវន្ត និងការបង្កើតកូដស្វ័យភាព សំដៅលើកិច្ចការវិស្វកម្ម វិទ្យាសាស្ត្រ សរសេរកូដ និងអាជីវកម្មស្មុគស្មាញ។ ក្រុមហ៊ុននិយាយថា ខ្លួនបានប្រើប្រាស់គំរូនេះរួចហើយនៅក្នុងគម្រោងនានា រាប់ចាប់ពីការបង្កើនប្រសិទ្ធភាពមូលដ្ឋានកូដកម្មវិធីធំៗ រហូតដល់កុំព្យូទ័រកង់ទិច ការលាយនុយក្លេអ៊ែរ និងការស្រាវជ្រាវវិទ្យាសាស្ត្រជីវិត។

គំរូនេះកំពុងត្រូវបានបង្កើតឡើងតាមរយៈផលិតផល AI របស់ Google និង Gemini API ជាមួយនឹងការបង្ហាញមនុស្សយន្តដែលបានបង្ហាញជាភស្តុតាងនៃការយល់ដឹងរាងកាយរបស់ម៉ូដែលជាជាងជាផលិតផលដឹកជញ្ជូនសម្រាប់ប្រតិបត្តិករមនុស្សយន្ត។

ហេតុអ្វីបានជាវាសំខាន់សម្រាប់ឧស្សាហកម្មមនុស្ស

សម្រាប់វិស័យមនុស្សយន្តដែលកំពុងរីកចម្រើន ដែល Apptronik គឺជាអ្នកលេងដ៏លេចធ្លោបំផុតមួយ - លទ្ធផលចង្អុលទៅកាន់សំណើតម្លៃរយៈពេលជិតជាក់លាក់មួយ៖ គំរូ AI គោលបំណងទូទៅដែលអាចបំប្លែងវីដេអូអកម្ម ទៅជាការក្លែងធ្វើដែលអាចហ្វឹកហាត់បានអាចកាត់បន្ថយយ៉ាងច្រើននូវការចំណាយលើការបង្រៀនមនុស្សយន្តកិច្ចការថ្មី ដែលជាឧបសគ្គស្នូលរវាងការបង្ហាញដ៏គួរឱ្យចាប់អារម្មណ៍នាពេលបច្ចុប្បន្ន និងការដាក់ពង្រាយដែលមានប្រយោជន៍ខាងសេដ្ឋកិច្ច។

ស៊ុមផ្ទាល់ខ្លួនរបស់ DeepMind សង្កត់ធ្ងន់លើចំណុចដូចគ្នា។ ក្រុមហ៊ុនបាននិយាយថា ការធ្វើបាតុកម្មនេះបង្ហាញពីរបៀបដែលម៉ូដែលគោលបំណងទូទៅអាចកាត់បន្ថយចំនួននៃវិស្វកម្មដោយដៃដែលត្រូវការដើម្បីបង្រៀនមនុស្សយន្តនូវជំនាញរាងកាយថ្មី។

ការបាញ់កាំជ្រួចចំនួនប្រាំពីរនឹងមិនផ្លាស់ទីកញ្ចប់នៅក្នុងឃ្លាំងនោះទេ។ ប៉ុន្តែបំពង់ដែលផលិតពួកគេ — មើលវីដេអូ ស្វែងយល់អំពីរូបវិទ្យា សរសេរការក្លែងធ្វើ ផ្ទេរទៅផ្នែករឹង — គឺជាផ្នែកដែលក្រុមហ៊ុនមនុស្សយន្ត និងអ្នកវិនិយោគរបស់ពួកគេនឹងមើល។

---

Stay Ahead of AI

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

Read more AI news →