Google DeepMind đã trình diễn một kỹ thuật đào tạo robot, trong đó mô hình Gemini 4 Argon của nó học một nhiệm vụ vật lý bằng cách xem video thông thường, sau đó chuyển hành vi đã học sang một robot hình người thực sự. Trong bản demo, được xuất bản cùng với buổi ra mắt mô hình, hình người Apollo do Apptronik chế tạo đã xem cảnh một người đang chơi trò cornhole - và sau đó thực hiện bảy cảnh quay liên tiếp trong một cuộc thử nghiệm trong thế giới thực, theo Robotics & Automation News.
Từ Video thô đến Robot thật For more context on this story, see our ongoing latest AI developments.
Cuộc trình diễn tập trung vào một thử nghiệm nội bộ duy nhất. Argon đã được xem đoạn video thô về một con người đang chơi trò chơi ném ngô ở sân sau. Sau đó, mô hình sẽ phân tích môi trường, lập bản đồ tọa độ không gian và tính toán các chuyển động khớp toàn cơ thể cần thiết để tái tạo nhiệm vụ trên nền tảng hình người.
Bước đáng chú ý là điều xảy ra tiếp theo: thay vì dựa vào các kỹ sư để xây dựng mô phỏng vật lý bằng tay, Argon đã tự động tạo mã mô phỏng. Hành vi đã học sau đó được chuyển từ mô phỏng tự tạo đó sang hình người Apollo của Apptronik, thực hiện hành vi đó trong thế giới vật chất.
Theo Google DeepMind, Apollo sau đó đã hạ cánh bảy phát súng liên tiếp trong quá trình thử nghiệm trong thế giới thực - một cuộc chạy hoàn hảo cho một nhiệm vụ yêu cầu robot phải phối hợp giữ thăng bằng, quỹ đạo cánh tay và thời gian thả ra.
Công việc mô phỏng hàng tuần được nén thành hàng giờ
Google DeepMind mô tả cách tiếp cận này như một đường dẫn "Video-to-Sim-to-Real" và mục đích đề cập nhiều đến thời gian kỹ thuật cũng như khả năng.
Theo Robotics & Automation News, công ty cho biết: “Đường dẫn 'Video-to-Sim-to-Real' này nén mô hình mô phỏng thủ công hàng tuần thành vài giờ, biến các video thông thường thành một nền tảng đào tạo vô hạn, có thể mở rộng cho chế tạo robot”.
Theo truyền thống, việc dạy robot một kỹ năng thể chất mới thông qua mô phỏng đòi hỏi các chuyên gia phải mô hình hóa môi trường, vật lý vật thể và cơ thể của robot bằng tay - một quá trình được tính bằng tuần cho mỗi nhiệm vụ mới. Nếu video có thể thay thế cho việc lập mô hình thủ công đó, thì nút thắt trong việc dạy robot các kỹ năng mới sẽ chuyển từ lao động kỹ thuật sang tính sẵn có của các cảnh quay trình diễn, vốn thực sự không giới hạn trên internet.
Điều gì tạo nên sự khác biệt giữa video-to-Sim-to-Real
Hầu hết các quy trình học tập cho rô-bốt trong ngành sử dụng một trong hai tuyến: vận hành từ xa, trong đó con người thể hiện thủ công các nhiệm vụ mà rô-bốt bắt chước hoặc đào tạo mô phỏng, trong đó các kỹ sư xây dựng thủ công các môi trường ảo trong đó các chính sách kiểm soát thực hành hàng triệu lần lặp lại trước khi triển khai. Cả hai đều hoạt động và có quy mô kém - vận hành từ xa tốn nhiều công sức cho mỗi nhiệm vụ và mô hình mô phỏng tốn nhiều công sức cho mỗi môi trường.
Bản demo cornhole nhằm vào nút cổ chai thứ hai. Trong báo cáo thử nghiệm của DeepMind, không có kỹ sư nào xây dựng môi trường lỗ ngô: Argon sử dụng video thô, diễn giải bố cục không gian của cảnh, tìm ra quỹ đạo của khớp toàn cơ thể mà cú ném yêu cầu và tự viết mã mô phỏng. Trên thực tế, vai trò của con người trong vòng lặp chỉ còn là việc từng quay phim ai đó đang chơi trò chơi.
Cornhole là một trường hợp thử nghiệm được lựa chọn kỹ lưỡng. Trông có vẻ tầm thường, nhưng việc hạ cánh một túi đậu vào một mục tiêu được nâng lên đòi hỏi sự kết hợp mà các robot hình người khó có thể tìm thấy: sự cân bằng toàn bộ cơ thể ổn định trong quá trình lên dây, động lực học tốt của cánh tay, thời gian nhả ra và khả năng chịu đựng đạn đạo của một viên đạn lỏng lẻo. Bảy thành công liên tiếp trong thế giới thực cho thấy chính sách được chuyển giao là mạnh mẽ chứ không phải may mắn, mặc dù một thử nghiệm nội bộ duy nhất là cơ sở bằng chứng hẹp.
Kết quả điểm chuẩn lý luận thể hiện
Bên cạnh bản demo lỗ ngô, DeepMind đã thử nghiệm Argon trên điểm chuẩn Lý luận thể hiện (ERQA), đo lường khả năng suy luận của mô hình về các vấn đề vật lý và không gian trong môi trường 3D. Công ty cho biết Argon đã đạt được số điểm 87% trên điểm chuẩn.
Lý luận vật lý và không gian được nhiều người coi là một trong những khoảng cách ngăn cách các mô hình ngôn ngữ biên giới với các hệ thống có thể hoạt động hữu ích trong thế giới vật lý, đó là lý do tại sao các tiêu chuẩn về robot như ERQA ngày càng thu hút sự chú ý từ các phòng thí nghiệm lớn.
Một phần của buổi ra mắt Argon Gemini 4 rộng hơn
Công việc chế tạo robot là một ứng dụng trong đợt ra mắt rộng rãi hơn. Google đang định vị Gemini 4 Argon như một mô hình tiên phong kết hợp lý luận ngữ nghĩa trực quan, hiểu biết vật lý và tạo mã tự động, nhằm vào các nhiệm vụ kỹ thuật, khoa học, mã hóa và kinh doanh phức tạp. Công ty cho biết họ đã sử dụng mô hình này trong nội bộ các dự án, từ tối ưu hóa cơ sở mã phần mềm lớn đến điện toán lượng tử, phản ứng tổng hợp hạt nhân và nghiên cứu khoa học đời sống.
Mô hình này đang được cung cấp thông qua các sản phẩm AI của Google và API Gemini, với việc trình diễn robot được trình bày như bằng chứng về sự hiểu biết vật lý của mô hình chứ không phải là một sản phẩm vận chuyển cho người vận hành robot.
Tại sao nó lại quan trọng đối với ngành công nghiệp hình người
Đối với lĩnh vực robot hình người đang phát triển — trong đó Apptronik là một trong những công ty nổi bật nhất — kết quả chỉ ra một đề xuất giá trị ngắn hạn cụ thể: các mô hình AI có mục đích chung có thể chuyển đổi video thụ động thành mô phỏng có thể huấn luyện được có thể giảm đáng kể chi phí dạy robot các nhiệm vụ mới, trở ngại cốt lõi giữa các bản demo ấn tượng ngày nay và việc triển khai hữu ích về mặt kinh tế trên quy mô lớn.
Khung riêng của DeepMind nhấn mạnh điểm tương tự. Công ty cho biết cuộc trình diễn này cho thấy các mô hình có mục đích chung có thể giảm số lượng kỹ thuật thủ công cần thiết để dạy cho robot những kỹ năng thể chất mới.
Bảy cú bắn vào lỗ ngô sẽ không di chuyển được gói hàng trong nhà kho. Nhưng quy trình tạo ra chúng - xem video, hiểu vật lý, viết mô phỏng, chuyển sang phần cứng - là phần mà các công ty chế tạo robot và nhà đầu tư của họ sẽ theo dõi.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
