Google DeepMind a demonstrat o tehnică de antrenament în robotică în care modelul său Gemini 4 Argon învață o sarcină fizică prin vizionarea unui videoclip obișnuit, apoi transferă comportamentul învățat unui robot umanoid real. În demonstrația, publicată odată cu lansarea modelului, umanoidul Apollo construit de Apptronik a vizionat filmări ale unei persoane jucându-se la cornhole – și apoi a obținut șapte cadre consecutive într-o încercare în lumea reală, potrivit Robotics & Automation News.
De la video brut la robot real For more context on this story, see our ongoing breaking AI news.
Demonstrația sa centrat pe un singur test intern. Argon a fost afișat un videoclip brut cu un om jucând cornhole, jocul de aruncare în curte. Modelul a analizat apoi mediul, a cartografiat coordonatele sale spațiale și a calculat mișcările articulațiilor întregului corp necesare pentru a reproduce sarcina pe o platformă umanoidă.
Pasul notabil este ceea ce a urmat: în loc să se bazeze pe ingineri pentru a construi manual o simulare de fizică, Argon a generat în mod autonom codul de simulare în sine. Comportamentul învățat a fost apoi transferat din acea simulare auto-generată la umanoidul Apollo al Apptronik, care l-a executat în lumea fizică.
Potrivit Google DeepMind, Apollo a realizat ulterior șapte lovituri consecutive în timpul testului din lumea reală - o alergare curată pentru o sarcină care necesită ca robotul să coordoneze echilibrul, traiectoria brațului și sincronizarea eliberării.
Săptămâni de muncă de simulare comprimate în ore
Google DeepMind descrie abordarea ca o conductă „Video-to-Sim-to-Real”, iar prezentarea este la fel de mult despre timpul de inginerie, cât și despre capacitate.
„Această conductă „Video-to-Sim-to-Real” comprimă săptămâni de modelare manuală de simulare în câteva ore, transformând videoclipuri obișnuite într-un teren de antrenament scalabil, infinit pentru robotică”, a spus compania, potrivit Robotics & Automation News.
În mod tradițional, predarea unui robot a unei noi abilități fizice prin simulare a cerut specialiștilor să modeleze manual mediul, fizica obiectului și corpul robotului - un proces măsurat în săptămâni pentru fiecare sarcină nouă. Dacă video-ul poate înlocui această modelare manuală, obstacolul pentru predarea noilor abilități roboților se schimbă de la munca de inginerie la disponibilitatea filmărilor demonstrative, care este efectiv nelimitată pe internet.
Ce face să fie diferit de la video la Sim la real
Cele mai multe conducte de învățare a roboților din industrie folosesc una dintre cele două rute: teleoperarea, în care oamenii demonstrează manual sarcinile pe care robotul le imită, sau formarea prin simulare, în care inginerii construiesc manual medii virtuale în care politicile de control practică milioane de repetări înainte de implementare. Ambele funcționează și ambele se scalează slab - teleoperarea necesită forță de muncă pentru fiecare sarcină, iar modelarea prin simulare necesită forță de muncă pentru fiecare mediu.
Demo-ul cornhole vizează al doilea blocaj. În relatarea testului făcută de DeepMind, niciun inginer nu a construit mediul cornhole: Argon a consumat videoclipul brut, a interpretat aspectul spațial al scenei, a elaborat traiectorii articulațiilor întregului corp pe care le-a cerut aruncarea și a scris codul de simulare în sine. Rolul uman în buclă a fost, de fapt, redus la a fi filmat odată pe cineva jucând jocul.
Cornhole este un caz de testare bine ales în mod deliberat. Pare banal, dar aterizarea unui beanbag pe o țintă ridicată necesită exact combinația pe care roboții umanoizi o găsesc greu: echilibru stabil al întregului corp în timpul înfășurării, dinamică fină a brațului, eliberare temporizată și toleranță pentru balistica unui proiectil liber. Șapte succese consecutive în lumea reală indică că politica transferată a fost mai degrabă robustă decât norocoasă, deși un singur test intern este o bază de dovezi restrânsă.
Rezultate benchmark de raționament încorporat
Alături de demonstrația cornhole, DeepMind a testat Argon pe benchmark-ul Embodied Reasoning (ERQA), care măsoară capacitatea unui model de a raționa cu privire la problemele fizice și spațiale în medii 3D. Compania spune că Argon a obținut un scor de 87% la benchmark.
Raționamentul fizic și spațial este văzut pe scară largă ca unul dintre golurile care separă modelele de limbaj de frontieră de sistemele care pot funcționa util în lumea fizică, motiv pentru care reperele robotice precum ERQA au atras atenția din ce în ce mai mult din laboratoarele majore.
O parte din lansarea mai largă a Gemini 4 Argon
Lucrarea robotică este o aplicație într-o lansare mai largă. Google poziționează Gemini 4 Argon ca un model de frontieră care combină raționamentul vizual-semantic, înțelegerea fizică și generarea autonomă de cod, care vizează sarcini complexe de inginerie, științifice, de codare și de afaceri. Compania spune că a folosit deja modelul intern în proiecte, de la optimizarea bazelor de coduri software mari până la calculul cuantic, fuziunea nucleară și cercetarea în științele vieții.
Modelul este pus la dispoziție prin produsele Google AI și API-ul Gemini, demonstrația robotică fiind prezentată ca dovadă a înțelegerii fizice a modelului, mai degrabă decât ca un produs de livrare pentru operatorii de roboți.
De ce contează pentru industria umanoizilor
Pentru sectorul robotilor umanoizi în creștere - unde Apptronik este unul dintre cei mai proeminenți jucători - rezultatul indică o propunere de valoare specifică pe termen scurt: modelele AI de uz general care pot converti videoclipuri pasive în simulări antrenabile ar putea reduce dramatic costul predării roboților noi sarcini, obstacolul principal între demonstrațiile impresionante de astăzi și implementarea la scară utilă din punct de vedere economic.
Încadrarea proprie DeepMind subliniază același punct. Demonstrația, spune compania, arată cum modelele de uz general ar putea reduce cantitatea de inginerie manuală necesară pentru a preda roboților noi abilități fizice.
Șapte lovituri de cornhole nu vor muta pachetele într-un depozit. Dar conducta care le-a produs - vizionați un videoclip, înțelegeți fizica, scrieți simularea, transferați pe hardware - este partea pe care companiile de robotică și investitorii lor o vor urmări.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
