Google DeepMind, Gemini 4 Argon modelinin sıradan bir videoyu izleyerek fiziksel bir görevi öğrendiği ve daha sonra öğrenilen davranışı gerçek bir insansı robota aktardığı bir robotik eğitim tekniğini gösterdi. Modelin piyasaya sürülmesiyle birlikte yayınlanan demoda, Apptronik yapımı Apollo insansı robot, kertenkele oynayan bir kişinin görüntülerini izledi ve ardından Robotics & Automation News'e göre, gerçek dünyadaki bir denemede art arda yedi atış yaptı.
Ham Videodan Gerçek Robota For more context on this story, see our ongoing breaking AI news.
Gösterim tek bir dahili teste odaklanıyordu. Argon'a, arka bahçede atma oyunu oynayan bir insanın ham videosu gösterildi. Model daha sonra çevreyi analiz etti, mekansal koordinatlarını haritaladı ve görevi insansı bir platformda yeniden oluşturmak için gereken tüm vücut eklem hareketlerini hesapladı.
Dikkate değer adım, bundan sonra gelen adımdır: Argon, fizik simülasyonunu elle oluşturmak için mühendislere güvenmek yerine, simülasyon kodunun kendisini otonom olarak üretti. Öğrenilen davranış daha sonra kendi kendine oluşturulan simülasyondan, onu fiziksel dünyada uygulayan Apptronik'in Apollo insansı robotuna aktarıldı.
Google DeepMind'a göre Apollo, gerçek dünya denemesi sırasında arka arkaya yedi atış yaptı; robotun dengeyi, kol yörüngesini ve bırakma zamanlamasını koordine etmesini gerektiren bir görev için temiz bir çalışma.
Haftalarca Saatlere Sıkıştırılmış Simülasyon Çalışması
Google DeepMind, yaklaşımı "Videodan Simülasyona ve Gerçeğe" ardışık düzen olarak tanımlıyor ve sunum, yetenekle ilgili olduğu kadar mühendislik süresiyle de ilgili.
Robotics & Automation News'e göre şirket, "Bu 'Videodan Simülasyona ve Gerçeğe' hattı, haftalarca süren manuel simülasyon modellemesini birkaç saate sıkıştırarak sıradan videoları robotik için ölçeklenebilir, sonsuz bir eğitim alanına dönüştürüyor" dedi.
Geleneksel olarak, bir robota simülasyon yoluyla yeni bir fiziksel beceri öğretmek, uzmanların çevreyi, nesne fiziğini ve robotun vücudunu elle modellemesini gerektiriyordu; bu süreç, her yeni görev için haftalarla ölçülür. Eğer video manuel modellemenin yerini alabilirse, robotlara yeni becerilerin öğretilmesindeki darboğaz, mühendislik işlerinden internette fiilen sınırsız olan gösteri görüntülerinin mevcudiyetine kayacaktır.
Videodan Sim'e ve Gerçeğe Farklı Olan Nedir?
Endüstrideki çoğu robot öğrenme hattı iki yoldan birini kullanır: insanların robotun taklit ettiği görevleri manuel olarak gösterdiği teleoperasyon veya mühendislerin, kontrol politikalarının konuşlandırılmadan önce milyonlarca tekrarı uyguladığı sanal ortamları elle oluşturduğu simülasyon eğitimi. Her ikisi de çalışır ve her ikisi de zayıf ölçeklenir; teleoperasyon, görev başına emek yoğundur ve simülasyon modelleme, ortam başına emek yoğundur.
Korniş demosu ikinci darboğazı hedef alıyor. DeepMind'ın test açıklamasına göre, kerpiç ortamını hiçbir mühendis inşa etmedi: Argon ham videoyu tüketti, sahnenin mekansal düzenini yorumladı, atış için gereken tüm vücut eklem yörüngelerini hesapladı ve simülasyon kodunun kendisini yazdı. Döngüdeki insanın rolü aslında oyunu oynayan birini filme almaya indirgenmişti.
Cornhole bilinçli olarak iyi seçilmiş bir test durumudur. Önemsiz görünüyor, ancak yükseltilmiş bir hedefin üzerine bir armut yastığı indirmek tam olarak insansı robotların zor bulduğu kombinasyonu gerektirir: kurma sırasında istikrarlı tüm vücut dengesi, ince kol dinamikleri, zamanlı bırakma ve gevşek bir merminin balistik toleransı. Tek bir dahili testin dar bir kanıt tabanı olmasına rağmen, gerçek dünyada art arda gelen yedi başarı, aktarılan politikanın şanslı olmaktan çok sağlam olduğunu gösteriyor.
Somutlaştırılmış Muhakeme Karşılaştırma Sonuçları
DeepMind, mısır deliği demosunun yanı sıra Argon'u, bir modelin 3 boyutlu ortamlardaki fiziksel ve mekansal problemler hakkında akıl yürütme yeteneğini ölçen Embodied Reasoning kriterinde (ERQA) test etti. Şirket, Argon'un kıyaslamada %87'lik bir puan elde ettiğini söylüyor.
Fiziksel ve uzamsal akıl yürütme, yaygın olarak sınır dil modellerini fiziksel dünyada yararlı bir şekilde çalışabilen sistemlerden ayıran boşluklardan biri olarak görülüyor; bu nedenle ERQA gibi robotik kıyaslamaları büyük laboratuvarların artan ilgisini çekiyor.
Daha Geniş Gemini 4 Argon Lansmanının Bir Parçası
Robotik çalışması daha geniş bir lansmandaki bir uygulamadır. Google, Gemini 4 Argon'u görsel-anlamsal akıl yürütmeyi, fiziksel anlayışı ve otonom kod üretimini birleştiren, karmaşık mühendislik, bilimsel, kodlama ve ticari görevleri hedefleyen bir sınır modeli olarak konumlandırıyor. Şirket, modeli halihazırda büyük yazılım kod tabanlarının optimize edilmesinden kuantum hesaplama, nükleer füzyon ve yaşam bilimleri araştırmalarına kadar çeşitli projelerde dahili olarak kullandığını söylüyor.
Model, Google'ın AI ürünleri ve Gemini API'si aracılığıyla kullanıma sunuluyor; robotik gösterimi, robot operatörleri için bir nakliye ürünü olmaktan ziyade modelin fiziksel anlayışının kanıtı olarak sunuluyor.
İnsansı Endüstrisi İçin Neden Önemli?
Apptronik'in en önde gelen oyunculardan biri olduğu büyüyen insansı robot sektörü için sonuç, kısa vadeli belirli bir değer önerisine işaret ediyor: Pasif videoyu eğitilebilir simülasyonlara dönüştürebilen genel amaçlı yapay zeka modelleri, günümüzün etkileyici demoları ile ekonomik açıdan yararlı ve uygun ölçekte dağıtım arasındaki temel engel olan robotlara yeni görevleri öğretme maliyetini önemli ölçüde azaltabilir.
DeepMind'ın kendi çerçevesi de aynı noktayı vurguluyor. Şirket, gösterinin genel amaçlı modellerin robotlara yeni fiziksel beceriler öğretmek için gereken manuel mühendislik miktarını nasıl azaltabileceğini gösterdiğini söylüyor.
Yedi mısır deliği atışı depodaki paketleri hareket ettirmez. Ancak onları üreten süreç (bir videoyu izlemek, fiziği anlamak, simülasyonu yazmak, donanıma aktarmak) robotik şirketlerinin ve onların yatırımcılarının izleyeceği kısımdır.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
