Η κινεζική εταιρεία ρομποτικής AGIBOT παρουσίασε το νέο μοντέλο τεχνητής νοημοσύνης GO-3 Preview, το οποίο φιλοδοξεί να αλλάξει τον τρόπο με τον οποίο τα ανθρωποειδή ρομπότ μαθαίνουν και αλληλεπιδρούν με τον πραγματικό κόσμο. Σύμφωνα με δημοσίευμα του Interesting Engineering, το σύστημα κατάφερε να αυξήσει το ποσοστό επιτυχίας ενός ανθρωποειδούς ρομπότ από 28,6% σε 85,7% μέσα σε μόλις πέντε ημέρες πραγματικής λειτουργίας, αξιοποιώντας την εμπειρία του και τη δυνατότητα αυτοδιόρθωσης.
GO-3: Ένα νέο μοντέλο που μαθαίνει από ανθρώπους και ρομπότ
Το GO-3 Preview βασίζεται στην αρχιτεκτονική World Reasoning Action Model (WRAM), η οποία συνδέει τρεις βασικές λειτουργίες: τη συλλογιστική επεξεργασία, την πρόβλεψη των αποτελεσμάτων και την παραγωγή φυσικών κινήσεων. Με αυτόν τον τρόπο, το ρομπότ μπορεί να κατανοεί τις οδηγίες που λαμβάνει, να προβλέπει τι θα συμβεί όταν εκτελέσει μια ενέργεια και στη συνέχεια να μετατρέπει τις αποφάσεις του σε πραγματικές κινήσεις.
Η εκπαίδευσή του συνδυάζει βίντεο πρώτου προσώπου από ανθρώπινες δραστηριότητες, δεδομένα από πραγματικές κινήσεις ρομπότ, προσομοιώσεις και εμπειρίες από την εκτέλεση εργασιών στον φυσικό κόσμο. Τα ανθρώπινα βίντεο προσφέρουν παραδείγματα καθημερινών ενεργειών και χειρισμού αντικειμένων, ενώ τα δεδομένα των ρομπότ συνδέουν τις οπτικές πληροφορίες με τις πραγματικές κινήσεις και τα αποτελέσματά τους.
Στόχος είναι η απόκτηση δεξιοτήτων που μπορούν να μεταφερθούν σε διαφορετικές δραστηριότητες και περιβάλλοντα, χωρίς να απαιτείται ξεχωριστή εκπαίδευση για κάθε νέα εργασία.
Ενδεικτικό παράδειγμα αποτελεί η παρασκευή του παραδοσιακού κινεζικού φαγητού jianbing, μιας αλμυρής κρέπας που απαιτεί λεπτούς και συντονισμένους χειρισμούς. Το μοντέλο μπορεί επίσης, έπειτα από κατάλληλη προσαρμογή, να εκτελεί εργασίες συναρμολόγησης Lego, συντονίζοντας διαδοχικά βήματα μέσω ενός συστήματος τεχνητής νοημοσύνης.
Παράλληλα, η AGIBOT ανέπτυξε το Genie Evolver, ένα κατανεμημένο σύστημα εκπαίδευσης που συνδυάζει δεδομένα από περίπου 100 φυσικά ρομπότ με προσομοιώσεις φυσικής και μοντέλα αναπαράστασης του κόσμου. Έτσι, οι μηχανές μπορούν να εξασκούνται, να αξιολογούν τις επιδόσεις τους και να βελτιώνονται μέσα από επαναλαμβανόμενες προσπάθειες.
Από την αυτοδιόρθωση στην επιτυχία 85,7% σε πραγματικές συνθήκες
Ιδιαίτερο ενδιαφέρον παρουσιάζουν οι δοκιμές του GO-3 Preview σε πραγματικά περιβάλλοντα. Σε μία επίδειξη με επιτραπέζιο παιχνίδι curling, ένα ρομπότ κατάφερε, έπειτα από τέσσερις ώρες διαδικτυακής εξάσκησης, να ξεπεράσει τη μέση επίδοση των ανθρώπων που συμμετείχαν στις δοκιμές. Σε ένα άλλο πείραμα, αφαίρεσε διαδοχικά πέντε τουβλάκια από έναν πύργο χωρίς να προκαλέσει την κατάρρευσή του.
Ακόμη πιο χαρακτηριστική ήταν η δοκιμή σε πραγματικό κατάστημα ψιλικών, όπου χρησιμοποιήθηκε το ανθρωποειδές ρομπότ G2. Μέσω του πλαισίου πρακτόρων Genie Master, το σύστημα μπορούσε να εντοπίζει τις αιτίες των αποτυχημένων προσπαθειών του, να τροποποιεί τη συμπεριφορά του και να αποθηκεύει την εμπειρία που αποκτούσε, χωρίς να χρειάζεται νέες ανθρώπινες επιδείξεις ή χειροκίνητη προσαρμογή.
Το ποσοστό επιτυχίας του στο σύνολο της εργασίας αυξήθηκε από 28,6% την πρώτη ημέρα σε 85,7% μετά από πέντε ημέρες, παραμένοντας στη συνέχεια σε σταθερά υψηλό επίπεδο. Σε ξεχωριστή δοκιμή που αφορούσε την τοποθέτηση μικρών γάντζων, η εταιρεία ανέφερε βελτίωση κατά 17,7 ποσοστιαίες μονάδες στο ποσοστό επιτυχίας μιας μεμονωμένης εργασίας, σε σύγκριση με τη συμβατική μέθοδο επιβλεπόμενης εκπαίδευσης.
Η AGIBOT υποστηρίζει ότι το GO-3 Preview κατέκτησε την πρώτη θέση σε τρία benchmarks ενσώματης τεχνητής νοημοσύνης: RoboDojo, RoboTwin και RoboColiseum.
Η εταιρεία σχεδιάζει να διαθέσει την πλήρη έκδοση του μοντέλου ως λογισμικό ανοικτού κώδικα έως το τέλος του 2026, δίνοντας τη δυνατότητα σε ερευνητές και προγραμματιστές να αξιοποιήσουν την τεχνολογία και να αναπτύξουν νέες εφαρμογές.
Η βασική καινοτομία της προσέγγισης είναι ότι τα ανθρωποειδή ρομπότ δεν περιορίζονται πλέον στην εκτέλεση προγραμματισμένων εντολών, αλλά αποκτούν τη δυνατότητα να μαθαίνουν από τις αποτυχίες τους και να βελτιώνουν σταδιακά την απόδοσή τους μέσα στις πραγματικές συνθήκες εργασίας.
www.worldenergynews.gr
