فیلم | جدیدترین فیلم از خانه داری ربات ایو!

به گزارش تین نیوز به نقل از ایسنا، شرکت رباتیک 1X با پشتیبانی شرکت اوپن ای آی(OpenAI) در حال انجام ماموریت خود برای تامین نیروی کار فیزیکی از طریق ربات های ایمن و هوشمند است.

اکنون یک به روزرسانی جدید نشان می دهد که ربات انسان نمای ایو(Eve) توانایی خود را برای انجام کارهای مستقل پشت سر هم نشان می دهد.

این شرکت ادعا می کند که این ویدیو شروع سفر شرکت 1X در توسعه یک سیستم هوش مصنوعی پیشرفته را به نمایش می گذارد. این سیستم از طریق فرمان های صوتی، وظایف ساده را به اقدامات پیچیده تبدیل می کند و امکان کنترل یکپارچه چند رباتی و عملکرد از راه دور را فراهم می کند.

ربات های 1X از روش یادگیری فراگیر(Embodied Learning) استفاده می کنند، روشی که نرم افزار هوش مصنوعی را مستقیماً در اشکال فیزیکی آنها برای قابلیت های پیشرفته ادغام می کند.

پیش از این، ربات های 1X توانایی خود را در انتخاب و دستکاری اشیای ساده به نمایش گذاشته بودند. با این حال این تیم بر این باور است که ربات های آن باید بر توانایی انجام زنجیره وظایف مختلف به صورت گروهی تسلط داشته باشند تا به ربات های خدماتی مؤثر تبدیل شوند.

محققان شرکت 1X یک مدل مستقل برای ربات های خود ایجاد کرده بودند که بسیاری از وظایف را در یک شبکه عصبی شرطی هدف ادغام می کند. با این حال زمانی که این مدل های چند وظیفه ای کوچک هستند(کمتر از 100 میلیون پارامتر)، افزودن داده ها برای رفع یک کار اغلب بر عملکرد سایر وظایف تأثیر منفی می گذارد.

به گفته این تیم، افزایش تعداد پارامترهای مدل می تواند این مشکل فراموشی را کاهش دهد، اما زمان آموزش را نیز افزایش می دهد و توانایی مهندسان را برای تعیین اینکه کدام نمایش ها را برای بهبود رفتار ربات جمع آوری کنند، به تأخیر می اندازد.

این تیم برای تکرار سریع داده ها در حین ساخت یک ربات عمومی که قادر به انجام بسیاری از وظایف با یک شبکه عصبی واحد است، مجبور شد روند بهبود سریع عملکرد را با ادغام چندین قابلیت در یک شبکه عصبی منفرد جدا کند.

اریک جانگ معاون هوش مصنوعی در شرکت 1X می گوید: ما برای انجام این کار یک رابط زبان طبیعی با کنترل صدا ایجاد کرده ایم تا قابلیت های افق کوتاه را در چندین مدل کوچک به مدل های طولانی تر زنجیره ای تبدیل کنیم. کار جدیدمان با هدایت زنجیره ای از مهارت ها به ما امکان می دهد تا رفتارهای افق بلند را محقق کنیم.

زنجیره های مهارت ناوبری ربات

زنجیر کردن چندین مهارت مستقل ربات در یک دنباله چالش برانگیز است، زیرا هر مهارت بعدی باید به موقعیت های شروع کمی متفاوت ناشی از مهارت قبلی تعمیم یابد.

طبق اعلام شرکت 1X، این دشواری با هر مهارت متوالی ترکیب می شود. مهارت دوم باید تغییرات مهارت اول را کنترل کند، مهارت سوم باید با نتایج مهارت دوم سازگار شود و غیره.

در حالی که انسان ها می توانند کارهای افق بلند را بدون زحمت انجام دهند، تکرار این کار در ربات ها نیازمند پرداختن به پیچیدگی این تغییرات متوالی است.

جانگ می گوید: از دیدگاه کاربر، ربات قادر به انجام بسیاری از وظایف زبان طبیعی است. این به ما امکان می دهد مدل های تک کاره را با مدل های شرطی هدف در طول زمان ادغام کنیم.

مدل های تک وظیفه ای یک خط پایه محکم برای ارزیابی حالت سایه ارائه می دهند و به تیم اجازه می دهد تا پیش بینی های یک مدل جدید را با خط پایه موجود در طول آزمایش مقایسه کند. هنگامی که مدل شرطی هدف به خوبی با پیش بینی های مدل تک وظیفه ای هماهنگ شد، محققان می توانند بدون تغییر در گردش کار کاربر، به مدلی قدرتمندتر و یکپارچه تر روی آورند.

استفاده از این رابط زبانی سطح بالا برای هدایت ربات ها تجربه کاربری جدیدی را برای جمع آوری داده ها فراهم می کند. جانگ می گوید: یک اپراتور به جای استفاده از واقعیت مجازی برای کنترل یک ربات می تواند چندین ربات را با زبان سطح بالا هدایت کند و از آنجایی که اقدامات سطح بالا به ندرت ارسال می شود، اپراتورها حتی می توانند ربات ها را از راه دور کنترل کنند.

محققان تاکید می کنند که این ویدئو نشان می دهد که ربات ها وظایف خود را بر اساس مسیر انسانی تغییر می دهند که نشان می دهد این فرآیند کاملاً مستقل نیست. پس از ایجاد مجموعه داده ای از فرمان بینایی به زبان طبیعی، گام منطقی بعدی خودکار کردن پیش بینی اقدامات سطح بالاست که این را می توان با استفاده از مدل های بینایی مانند GPT-4o، VILA و Gemini Vision به دست آورد.