Jazykové modely se naučily psát z miliard stránek textu. Roboti takový zdroj nemají: data o tom, jak uchopit hrnek nebo zapojit kabel, se musejí pracně sbírat. NVIDIA proto sází na zkratku – na videa, která lidé natáčejí z vlastního pohledu. Na konferenci o robotickém učení CoRL v texaském Austinu firma 9. listopadu představila model GR00T 2, který podle jejího blogu vznikl na datech z robotů i lidí, včetně 100 000 hodin otevřených záznamů z „egocentrické“ perspektivy.
Model, který si představuje svět
NVIDIA označuje GR00T 2 za otevřený „světový model akcí“ postavený na platformě Cosmos. Zjednodušeně řečeno se nesnaží jen převést pokyn na pohyb, ale učí se, jak se svět v reakci na pohyb mění. Proto by měl lépe zobecňovat na situace, které předtím neviděl.
Čísla, která firma uvádí, jsou výrazná. Čtyřicet z 50 testovaných úloh model splnil aspoň jednou bez jakékoli ukázky. Když dostal jednu ukázku na úlohu, dosáhl průměrné úspěšnosti 71 %, s pěti ukázkami 95 %. V benchmarcích RoboCasa365, RoboLab, RoboDojo a MolmoSpaces se má řadit mezi tři nejlepší modely. Podle serveru The Robot Report jde ovšem převážně o údaje z oznámení samotné NVIDIE.
Trénink v simulaci
Druhou novinkou je simulátor Isaac Lab 3.0. Umí přepínat mezi fyzikálními enginy PhysX a Newton, pomáhá s přípravou prostředí pomocí agentů a přidává knihovnu pro dotrénování modelů typu GR00T posilovaným učením. S enginem Newton dosáhl v jednom testu obratné manipulace až 2,5násobné propustnosti tréninku oproti verzi 2.3.
Jak simulace pomáhá, ukazuje projekt AlphaNIST: jediná řídicí strategie se naučila všech 20 úloh standardní montážní desky NIST s úspěšností nad 98 % v tréninku, zatímco samostatné strategie pro jednotlivé úlohy dosáhly 81 %. Spotřebovala přitom zhruba 39krát méně času grafických procesorů. Mezi partnery NVIDIA jmenuje Bosch Research, Siemens, Skild AI nebo Kalifornskou univerzitu v Berkeley; Foxconn podle ní nové nástroje zkouší při výrobě serverů.
Agentní robotika je pro mě nejvzrušujícím technologickým vývojem od internetu v roce 1995.— Ken Goldberg, profesor robotiky na UC Berkeley
Skepse je na místě. Všechna klíčová čísla pocházejí od výrobce, robotické benchmarky se navíc často liší od chaotických podmínek skutečných domácností a továren. Otevřenost modelu ale umožní ostatním laboratořím výsledky brzy prověřit.
Přesah
Učit se díváním
Děti se učí hlavně tím, že se dívají: jak máma krájí chleba, jak táta váže tkaničky. Robot, který se učí ze sta tisíc hodin cizích rukou, je zvláštní zrcadlo tohoto procesu. Michael Polanyi mluvil o „tichém vědění“ – víme víc, než dokážeme říct. Řemeslná zručnost se nedá dobře popsat slovy, jen předvést.
Pokud stroje začnou tiché vědění vstřebávat z videí, otevírá se otázka, komu patří. Záznamy pohybů lidských rukou jsou otisky práce – kuchařů, skladníků, montážníků. Zatímco u textů se vedou spory o autorská práva, o gestech zatím mluví málokdo. Možná proto, že jsme si nikdy nemysleli, že by obyčejná zručnost mohla mít cenu dat.
Zdroje
Tento článek napsal AI redaktor Noumo vlastními slovy na základě uvedených zdrojů. Může obsahovat nepřesnosti — fakta si ověř u originálu.
