Robot uczy się z filmu - sztuczna inteligencja GEN-1.5

Dotychczasowy rozwój automatyki opierał się na sztywno zdefiniowanych regułach. Każda zmiana otoczenia lub specyfiki zadania wymuszała mozolny proces pisania kodu, zbierania tysięcy prób i wielogodzinnej optymalizacji parametrów. Twórcy z zespołu Generalist AI przedstawili rozwiązanie, które odrzuca dotychczasowy paradygmat na rzecz bezpośredniego naśladownictwa. Opracowany przez nich model fundacyjny GEN-1.5 sprawia, że maszyna potrafi opanować zupełnie nową czynność po przeanalizowaniu zaledwie jednego nagrania trwającego od kilku do kilkunastu sekund. Co istotne, proces ten zachodzi natychmiastowo, bez konieczności aktualizowania wag sieci neuronowej czy czasochłonnego dostrajania.

Architektura i mechanizm fizycznej podpowiedzi

U podstaw nowej technologii leży koncepcja określana jako fizyczna podpowiedź, stanowiąca odpowiednik poleceń tekstowych stosowanych w tradycyjnych modelach językowych. Zamiast operować wyłącznie na słowach, system przetwarza zbiór danych wielomodalnych: sekwencje wideo, odczyty z czujników dotykowych oraz dane proprioceptywne, które opisują aktualne położenie i ruchy własnych kończyn robota.

Jak działa przetwarzanie wielomodalne

Model przetwarza spływające informacje w trybie ciągłym. Wszystkie bodźce trafiają do dedykowanego modułu, w którym okno kontekstowe mieści rejestr z ostatnich 30 sekund pracy. Na tej podstawie algorytm generuje trajektorie działań z częstotliwością wynoszącą aż 100 Hz. Pozwala to na płynne korygowanie ruchu w czasie rzeczywistym i szybką reakcję na przeszkody.

• Pełna integracja obrazu, sensoryki i informacji o oporze mechanicznym.

• Stała analiza otoczenia w 30-sekundowym buforze pamięci krótkotrwałej.

• Wysoka częstotliwość wyliczania współrzędnych ruchu wynosząca 100 Hz.

Samosprawność i brak żmudnego strojenia

Najbardziej zdumiewającym aspektem konstrukcji jest fakt, że zdolność do nauki z pokazu wyłoniła się samoistnie. Badacze nie zaimplementowali w strukturze sieci dedykowanych algorytmów meta-uczenia ani specjalnych pętli optymalizacyjnych. Prawidłowość ta wskazuje, że odpowiednia skalowalność architektury umożliwia naturalne uczenie w kontekście, gdzie demonstracja staje się bezpośrednim wzorcem do wykonania.

Wyniki testów i praktyczna elastyczność

Weryfikacja możliwości modelu objęła szereg codziennych czynności fizycznych, które dotąd stanowiły duże wyzwanie dla tradycyjnej robotyki programowalnej.

Skuteczność pojedynczej demonstracji

W serii prób na dziesięciu zróżnicowanych zadaniach: odkręcaniu słoika, wyjmowaniu banknotów z portfela, otwieraniu książki czy obsługi suwaka: system osiągnął średnią skuteczność wynoszącą 59% już po obejrzeniu jednego materiału wideo. Gdy badacze udostępnili maszynie dodatkowo pięć minut danych oraz wykonali zaledwie 10 kroków optymalizacyjnych, wskaźnik poprawnie wykonanych zadań wzrósł do 83%.

Abstrakcyjne myślenie, improwizacja i synteza

Proste naśladownictwo to zaledwie początek możliwości. System wykazał zdolność do łączenia osobnych instrukcji w jedną logiczną całość. Po zapoznaniu się z osobnym pokazem rozpinania piórnika oraz osobnym materiałem przedstawiającym wyjmowanie zawartości, robot połączył obie czynności. Wygenerował przy tym własne ruchy pomocnicze, których nie było w żaden sposób nagranych na filmach wzorcowych.

Inżynierowie zaobserwowali również wysoki poziom adaptacji do warunków zmiennych:

1. Przenoszenie umiejętności z symulacji cyfrowej do świata rzeczywistego bez wcześniejszych danych treningowych z wirtualnego środowiska.

2. Odwzorowanie ruchów ludzkiej dłoni rejestrowanych przez kamery na pracę własnych manipulatorów o innej budowie.

3. Elastyczność wobec wielkości, kształtu i wstępnego położenia przedmiotów.

Najlepszym dowodem na zrozumienie celu działania stała się improwizacja narzędziowa. Gdy w trakcie testów zamiatania klocka zabrakło dedykowanej szczotki, robot wykorzystał leżącego w zasięgu ręki banana, używając go jako zastępczego przyrządu. Otrzymując szufelkę, zrezygnował z przepychania i zmienił strategię na podnoszenie i wsypywanie obiektu do pojemnika.

Wolność od sztywnego kodu i pragmatyczna automatyzacja

Doświadczenia z GEN-1.5 otwierają drogę do praktycznej komercjalizacji robotyki bez barier programistycznych. Odrzucenie wymogu pisania linii kodu na rzecz prezentacji pożądanych zachowań zmienia rolę operatora. Zamiast inżyniera oprogramowania, nadzór nad sprzętem może sprawować pracownik bez wiedzy informatycznej, pokazując czynności bezpośrednio przed obiektywem.

Taki kierunek rozwoju stawia na wydajność, pragmatyzm oraz autonomiczna adaptacja w zmiennym środowisku produkcyjnym czy usługowym. Przyszłość automatyzacji opiera się na elastycznych narzędziach, które wspierają ludzką pracę, zamiast wymagać ciągłego serwisowania ze strony wysoce wyspecjalizowanych kadr.