به تازگی ، شکل AI ، یک شرکت نوآورانه در زمینه رباتیک در ایالات متحده ، یک موفقیت بزرگ را منتشر کرد: یک مدل عمل به زبان بصری (VLA) به نام Helix. برای اولین بار ، این مدل متوجه کنترل مداوم با سرعت بالا از بالای بدن کامل یک ربات انسان دوستانه می شود و کاملاً ادراک ، درک زبان و کنترل یادگیری را کاملاً ادغام می کند.
ظهور مدل Helix یک گام مهم به جلو در انعطاف پذیری عملیاتی روبات های انسانی است. با دستورات ساده زبان طبیعی ، این ربات می تواند تقریباً هر شیء کوچک خانگی را درک کند ، حتی آنهایی که هرگز در طول آموزش ، بدون هیچ گونه تظاهرات قبلی یا برنامه نویسی سفارشی ، لمس نشده اند. این توانایی به دلیل توانایی عمومی سازی قدرتمند مدل مارپیچ است.
شکل هوش مصنوعی تأکید کرد که مدل Helix تعدادی از صنعت را ایجاد کرده است. برای اولین بار ، کنترل مداوم سرعت بالا از کل بدن فوقانی یک ربات انسان دوستانه ، از جمله کنترل انعطاف پذیر مچ دست ، تنه ، سر و هر انگشت را امکان پذیر می کند. در آزمایش ، این ربات با موفقیت هزاران مورد جدید را که با سازماندهی به هم ریخته بودند ، پردازش کرد ، از شیشه و اسباب بازی گرفته تا ابزارها و لباس ها ، بدون تظاهرات قبلی یا برنامه نویسی.
نکته جالب تر این است که مدل Helix همچنین از قابلیت های همکاری چند روت برخوردار است. در این آزمایش ، این دو روبات توانستند روی کارهای بلند مدت و پیچیده همکاری کنند و با هم روی مواردی که قبلاً دیده نشده بودند ، مانند مرتب سازی مواد غذایی ناآشنا با هم همکاری کنند. این قابلیت امکانات بیشتری را برای کاربرد عملی روبات ها در محیط خانه باز می کند.
مدل Helix همچنین درک صحنه عالی و قابلیت تجزیه معنایی را نشان می دهد. هنگامی که از "انتخاب یک شیء بیابانی" خواسته شد ، این ربات نه تنها قادر به تشخیص اینکه کاکتوس اسباب بازی متناسب با این مفهوم انتزاعی است ، بلکه نزدیکترین دست را نیز انتخاب می کند و یک عمل دقیق را انجام می دهد. این عملکرد جهانی چنگال ، از زبان به حرکت ، راحتی بیشتری را برای استقرار روبات های انسانی در محیط های بدون ساختار فراهم می کند.
مدل Helix به لطف معماری پیشگامانه سیستم دوگانه ، توانست به این پیشرفت ها برسد. این معماری شامل سیستم 1 و سیستم 2 است که به ترتیب مسئولیت کنترل دقیق سرعت ، درک صحنه و تجزیه معنایی را بر عهده دارند. سیستم 2 مبتنی بر VLM منبع باز با پارامترهای 7B است ، که با فرکانس {7}} هرتز کار می کند تا از تعمیم در اشیاء و سناریوها اطمینان حاصل شود. سیستم 1 یک مدل استراتژی موتور بصری پارامتر 80M است ، که بازنمایی معنایی سیستم 2 را به دستورالعمل های عمل مداوم با فرکانس 200Hz تبدیل می کند تا به پاسخ در زمان واقعی در سطح میلی ثانیه برسد. این معماری جدا شده این دو سیستم را قادر می سازد تا عملکردهای مربوطه خود را انجام دهند و برای دستیابی به کنترل ربات های انسانی کارآمد با هم همکاری کنند.
مدل های مارپیچ در طول آموزش از منابع بسیار کمی استفاده می کنند. این تیم با استفاده از تنها 500 ساعت داده های نظارت شده با کیفیت بالا ، توانست به تعمیم قوی اشیاء دست یابد. این داده ها کمتر از 5 ٪ از اندازه مجموعه داده های VLA قبلاً جمع آوری شده را نشان می دهد و به مجموعه موجودیت چند بوته یا آموزش چند مرحله ای متکی نیست. این دستاورد نه تنها کارآیی مدل مارپیچ را نشان می دهد ، بلکه امکانات بیشتری را نیز برای توسعه روبات های انسانی در آینده فراهم می کند.