GEN-1.5 эффективный подход к обучению роботов

Generalist AI представила робототехническую модель, способную освоить новое действие после нескольких секунд наблюдения. Пока робот справляется далеко не всегда, но сам способ его обучения может серьёзно изменить взаимодействие человека с машинами.

Представьте, что перед вами робот, который никогда не открывал пенал на молнии. Вместо написания программы вы один раз показываете ему нужное движение. Робот наблюдает за демонстрацией, а затем пытается самостоятельно повторить действие.

Именно такую возможность показала компания Generalist AI в модели GEN-1.5. Разработчики называют её моделью для «физического мира»: она получает изображения с камер, показания датчиков и информацию о положении своих механизмов, после чего в реальном времени управляет роботизированными руками.

Главное новшество GEN-1.5 заключается не в скорости или силе робота. Модель может получить новый навык из одной короткой демонстрации — без продолжительного обучения и перепрограммирования.

Взаимодействие с современными чат-ботами строится вокруг промптов. Пользователь описывает задачу словами, иногда добавляет несколько примеров — и модель подстраивается под них.

Generalist AI переносит похожий принцип в робототехнику. Только вместо текста модель получает последовательность физических действий. Разработчики называют это «физическим промптом».

Демонстрация длится от 3 до 12 секунд и помещается в 30-секундную память GEN-1.5. Затем робот должен понять цель действия и воспроизвести его в изменившихся условиях.

Это не покадровое копирование заранее записанной траектории. Предмет может находиться в другом месте, а роботу приходится самостоятельно выбирать положение рук, силу захвата и направление движения. Система корректирует действия до ста раз в секунду, реагируя на происходящее перед камерами.

Разработчики проверили GEN-1.5 на десяти коротких заданиях. Среди них были открывание банки, расстёгивание молнии, помещение маркера в стакан и извлечение денег из кошелька.

После одной демонстрации робот успешно завершал задание в среднем в 59% случаев. Иными словами, примерно четыре попытки из десяти по-прежнему заканчивались неудачей.

Результат нельзя назвать производственной надёжностью. Однако важно другое: перед выполнением нового задания модель вообще не дообучали. Она использовала демонстрацию как временную подсказку и сразу переходила к действию.

Когда разработчики дали системе около пяти минут примеров и провели десять коротких шагов дообучения, средняя успешность выросла до 83%. По данным Generalist AI, для каждого задания потребовалось примерно 50 демонстраций — значительно меньше, чем обычно требуется при создании специализированных робототехнических систем.

Одна из наиболее интересных возможностей GEN-1.5 — объединение нескольких демонстраций.

Например, модели отдельно показывают, как открыть пенал и как достать из него деньги. После этого робот соединяет два примера в одну последовательность: открывает молнию, меняет положение рук и извлекает предмет.

Переход между действиями не содержится ни в одной демонстрации. Роботу приходится самостоятельно решить, как перехватить пенал, освободить одну из рук и продолжить выполнение задания.

В будущем из таких небольших физических промптов можно будет собирать более сложные процессы. Пользователь станет выбирать нужные действия примерно так же, как сегодня составляет запрос для языковой модели.

Обучающие примеры GEN-1.5 могут поступать из разных источников. Обычно человек управляет специальными ручными захватами, а система записывает одновременно движения, изображения и другие данные.

Но в некоторых экспериментах модели было достаточно увидеть обычные человеческие руки. Человек выполнял действие перед камерами, после чего робот пытался воспроизвести его своими манипуляторами.

Это сложная задача: человеческая ладонь сильно отличается от роботизированного захвата. Модель должна перенести не точное движение пальцев, а общий смысл действия — понять, какой предмет взять, куда его переместить и какого результата нужно добиться.

Ещё один эксперимент был связан с переносом навыков из виртуальной среды в реальный мир.

Модели показали выполнение задания в симуляторе. GEN-1.5 не обучалась на этой задаче и, по утверждению разработчиков, вообще не использовала симуляции во время основного обучения. Тем не менее виртуальная демонстрация сработала как физический промпт для настоящего робота.

Такой подход может заметно упростить сбор данных. Показывать тысячи действий реальному роботу долго, дорого и иногда опасно. В симуляторе можно быстро создавать примеры, изменять размеры и положение предметов, а также без риска отрабатывать ошибки.

Однако единичная демонстрация ещё не доказывает, что проблема переноса из виртуального мира решена. Реальная физика сложнее симуляции: предметы скользят, деформируются, застревают и ведут себя непредсказуемо.

После краткого дообучения GEN-1.5 продемонстрировала поведение, которого не было в показанных примерах.

В одном из заданий робота учили сметать небольшой кубик в миску при помощи щётки. Когда вместо щётки ему предложили другие предметы, модель попыталась приспособить их к той же цели. Банан она использовала как импровизированную щётку, а совком подхватила кубик и высыпала его в миску.

В других экспериментах робот убирал препятствие, закрывающее цель, освобождал одну руку при застрявшей детали и использовал обе руки там, где в демонстрации участвовала только одна.

Такие эпизоды выглядят как проявление простого физического здравого смысла. Однако их следует оценивать осторожно: модель могла встретить похожие действия во время предварительного обучения, даже если разработчики не обнаружили прямых совпадений.

GEN-1.5 обучалась более восьми месяцев на большом количестве записей физических взаимодействий из домов, складов, предприятий и других пространств.

Во время этого обучения модель постепенно запоминала закономерности: как захватывать предметы, как они двигаются, какие действия обычно следуют друг за другом и как исправлять неудачные движения.

Поэтому выражение «научилась с одного примера» несколько упрощает происходящее. Робот не начинает с чистого листа. К моменту демонстрации у него уже существует большой запас общих физических навыков.

Короткий пример, вероятно, не создаёт новое умение, а помогает выбрать и соединить знания, полученные ранее. Сами разработчики сравнивают это скорее с напоминанием о почти знакомом действии, чем с полноценным обучением новой способности.

Есть ещё одно принципиальное ограничение. При работе с одним примером веса модели не изменяются. Демонстрация остаётся в её временном контексте, и полученный навык не обязательно сохранится для следующих запусков.

Это называется обучением в контексте. Примерно так же языковая модель подстраивается под примеры внутри текущего диалога, но не превращает каждый разговор в постоянную часть своих знаний.

GEN-1.5 способна и к настоящему дообучению, при котором параметры модели меняются. Но для этого требуется уже не одна демонстрация, а несколько минут данных и дополнительные вычисления.

Показанные задания остаются простыми и короткими. Открыть банку или положить предмет в миску — совсем не то же самое, что убрать комнату, приготовить обед или самостоятельно работать целую смену на предприятии.

Успешность в 59% также означает, что робот пока ошибается слишком часто для большинства реальных применений. Кроме того, результаты представлены самой Generalist AI. На момент публикации нет независимых испытаний GEN-1.5 и полноценной научной работы с подробным описанием всех экспериментов.

Демонстрационные ролики позволяют увидеть удачные попытки, но не показывают весь диапазон возможных ошибок. Поэтому говорить о появлении универсального домашнего робота пока рано.

Сегодня роботы хорошо работают там, где среда практически не меняется. Промышленный манипулятор может годами выполнять одно движение, если детали всегда поступают в одинаковом положении.

Но перенастройка такого оборудования на новую операцию требует инженеров, программирования и продолжительной проверки. Именно стоимость и сложность настройки мешают роботам выйти за пределы крупных автоматизированных предприятий.

Если вместо программирования роботу действительно можно будет просто показать нужное действие, область применения машин резко расширится. Работник склада сможет обучить манипулятор новой операции. Лаборант — показать порядок обращения с образцами. Владелец небольшого производства — настроить автоматизацию без команды специалистов.

Появится и новая профессия: составитель физических промптов. Такой человек будет не писать код, а подбирать, записывать и соединять демонстрации, объясняющие роботу требуемый процесс.

GEN-1.5 пока не является универсальным роботом и не доказывает появление «физического общего интеллекта». Но модель показывает возможное направление развития всей отрасли.

Для компьютеров главным интерфейсом долгое время были команды и кнопки. Для генеративного ИИ им стал естественный язык. Интерфейсом для роботов может оказаться демонстрация: человек показывает действие, а машина понимает его цель и адаптирует движение к окружающей обстановке.

Настоящий прорыв произойдёт не тогда, когда робот научится открывать очередную банку. Он произойдёт, когда обучение машины перестанет быть отдельным инженерным проектом и превратится в обычное человеческое действие: покажи один раз — и робот продолжит сам.

Источники:

3 views·1 share

3 views