مدل هوش مصنوعی GR00T 2؛ یادگیری حرکات رباتیک با تماشای ویدیوهای انسانی

آموزش کارهای جدید به ربات‌ها معمولاً نیازمند صرف ساعت‌ها زمان برای کنترل دستی یا «Teleoperation» توسط مهندسان است که فرآیندی گران، کند و مختص هر مدل ربات است. انویدیا در گزارش تحقیقاتی جدید خود از مدل بنیادین GR00T 2 رونمایی کرد که با هدف کوتاه کردن این مسیر طراحی شده است. برخلاف مدل‌های پیشین، GR00T 2 به عنوان یک «مدل کنش‌گر جهان» (World-Action Model) عمل می‌کند؛ به این معنا که هم‌زمان حرکت بعدی و یک ویدیوی کوتاه از آینده نزدیک را پیش‌بینی می‌کند.

این مدل برای درک نحوه تغییر تصویر دوربین هنگام برداشتن یک شیء توسط بازوی رباتیک طراحی شده است. انویدیا این سیستم را با استفاده از خوشه‌ای متشکل از بیش از هزار تراشه GB300 و ۴۰۰ هزار ساعت ویدیو از افرادی که حین انجام کارها از دوربین‌های متصل به سر استفاده می‌کردند، آموزش داده است. در نتیجه، برای آموزش یک کار جدید به ربات، کافی است فردی آن را با استفاده از دستکش‌های داده یا حسگرهای پوشیدنی انجام دهد و هوش مصنوعی با ترکیب داده‌های حرکتی عمومی، کنترل‌های رباتیک متناسب را تولید می‌کند.

در آزمایشگاه، رباتی با دست‌های پنج‌انگشتی توانست بدون آموزش دستی مستقیم، کارهایی مانند روشن کردن کبریت یا خرد کردن موز را انجام دهد. نرخ موفقیت بسته به وظیفه بین ۱۰ تا ۸۰ درصد متغیر بود. برای وظایف پیچیده‌تر، انویدیا سیستم را با مدل‌های زبانی مانند GPT-6 Astra ترکیب می‌کند تا مراحل کار را خرد کرده و نقاط گرفتن اشیاء را بهینه کند؛ با این ترکیب، دقت مونتاژ قطعات به ۹۷ درصد افزایش یافت.

برای ربات‌های دوپا، نسخه کوچک‌تری به نام GR00T 2 Turbo طراحی شده که روی رایانه داخلی Jetson Thor اجرا می‌شود. با وجود این پیشرفت‌ها، تیم تحقیقاتی چالش‌های مهمی را پیش‌رو می‌بیند؛ از جمله عدم پردازش داده‌های حسی مانند لمس و تأخیر ناشی از مدل‌های زبانی که باعث می‌شود ربات برای محاسبات برنامه‌ریزی، گاهی برای ثانیه‌ها متوقف شود.