شرکت جنرالیست ایآی (Generalist AI) مدل تازهای به نام GEN-1.5 معرفی کرده است؛ مدلی بنیادین برای رباتیک که میتواند یک وظیفهی فیزیکی تازه را تنها با دیدن یک نمونهی چندثانیهای و بدون هیچ آموزش اضافی، یاد بگیرد. به گفتهی این شرکت، این نخستین مدلی است که یادگیری از یک یا چند نمونهی محدود را در طیف گستردهای از وظایف فیزیکی، در مقیاس بزرگ نشان داده است.
مدل بنیادین رباتیک GEN-1.5 ساخت جنرالیست ایآی (منبع تصویر: Generalist AI)
GEN-1.5 چیست و چگونه کار میکند
ایدهی رباتی که بتوان با نشاندادن یک نمونه به آن، فوراً کاری تازه یاد داد، ایدهی تازهای نیست. ریشهی این موضوع دستکم به ثبت اختراع ربات یونیمیت (Unimate) در سال ۱۹۵۴ و روش «آموزش با هدایت دستی» و همچنین دموی معروف «کپی» دانشگاه MIT در سال ۱۹۷۰ برمیگردد. با این حال، تا امروز یادگیری کارهای فیزیکی از یک یا چند نمونهی محدود و بدون محدودیت به اشیا یا وظایف خاص، عملاً دور از دسترس شمرده میشد. جنرالیست ایآی این هدف را با یادگیری چندنمونهای زبان که پیشتر با مدل GPT-3 در دنیای مدلهای زبانی به دست آمده بود مقایسه میکند؛ همان مدلی که توانست تنها با یک مثال، به میانگین دقت حدود ۴۵ درصد در طیف گستردهای از وظایف زبانی برسد.
از نظر فنی، GEN-1.5 یک مدل چندوجهی بزرگ است که ورودی ویدیویی (با حافظهی سیثانیهای)، در کنار دادهی حسگر، دستور زبانی و وضعیت حسی-حرکتی ربات را پردازش و مسیر اقدام را با فرکانس ۱۰۰ هرتز تولید میکند.
مفهوم کلیدی این مدل، پرامپت فیزیکی (Physical Prompting) نام دارد که در آن، یک نمونهی حسی-حرکتی (ترکیبی از دادهی حسگر و مسیر حرکتی) از یک نمایش انسانی یا حتی خود ربات، ضبط و در پنجرهی زمینهی مدل قرار میگیرد. بهمحض قرارگرفتن این نمونه در زمینه، مدل بلافاصله و بدون هیچ گام آموزشی، همان وظیفه را اجرا میکند.
این یادگیری در لحظه، سه شکل مختلف دارد. نخست، تعمیم ترکیبی: اگر دو نمایش از دو وظیفهی جداگانه بهطور همزمان در زمینهی مدل قرار گیرند، مدل میتواند آنها را به یک رفتار پیوسته و طولانیتر زنجیر کند و حتی حرکات میانی را که در هیچکدام از دو نمونه وجود نداشت، خودش بسازد.
دوم، انتقال بدون آموزش از شبیهسازی به واقعیت: با وجود اینکه دادهی پیشآموزش GEN-1.5 هیچ دادهی شبیهسازیشدهای ندارد، یک نمایش ضبطشدهی کاملاً درون یک محیط شبیهسازی هم میتواند بهعنوان پرامپت فیزیکی عمل و ربات را به انجام همان وظیفه در دنیای واقعی هدایت کند.
سوم، یادگیری از انسان به ربات: در برخی موارد، یک انسان میتواند وظیفه را با دستهای خودش و در برابر دوربینهای ربات انجام دهد، و ربات بلافاصله همان وظیفه را با دستهای خودش بازتولید کند؛ یعنی یادگیری حتی از مرز تفاوت میان بدن انسان و بدن ربات هم عبور میکند.
در کنار یادگیری کاملاً بدون آموزش، GEN-1.5 میتواند با تنها یک تا ده گام گرادیان کاهشی و روی یک تا پنج دقیقه داده (حدود ۱۰ تا ۵۰ نمایش)، خودش را با یک وظیفهی تازه تطبیق دهد؛ در حالی که آموزش مدلهای رباتیک پیشین برای یک وظیفهی تازه، معمولاً به دهها هزار گام (و گاهی خیلی بیشتر) نیاز داشت. جالب اینکه پس از ده گام تطبیق، وزنهای مدل کمتر از ۰,۱۵ درصد تغییر میکنند؛ نشانهای از اینکه این فرایند بیشتر شبیه «یادآوری چیزی که مدل تقریباً از قبل میدانست» است، نه یادگیری کاملاً تازه.
بداههپردازی؛ وقتی ربات فراتر از آموزش خود عمل میکند
شاید جالبترین بخش این پژوهش، توانایی بداههپردازی مدل باشد. در یک آزمایش، مدل برای جاروکردن یک قطعه با یک برس به داخل کاسه آموزش دیده بود؛ وقتی بهجای برس، یک موز در اختیارش گذاشتند، از همان موز بهعنوان برسی موقت استفاده کرد. اما وقتی یک خاکانداز به آن دادند، راهبرد کاملاً تازهای ابداع کرد: بهجای جاروکردن، قطعه را با خاکانداز بلند و داخل کاسه خالی کرد؛ رفتاری که نه در دادهی تنظیمدقیق و نه در دادهی پیشآموزش، مشابهی نداشت.
GEN-1.5 هنگام استفادهی بداهه از ابزارهای تازه برای انجام وظیفهای که تنها با یک ابزار دیگر آموزش دیده بود (منبع تصویر: Generalist AI)
در آزمایش دیگری، مدلی که فقط برای گذاشتن یک بلوک داخل یک کاسه آموزش دیده بود، وقتی روی کاسه یک کاغذ مانع قرار داشت (چیزی که هرگز در دادهی آموزشیاش نبود)، خودش کاغذ را کنار زد، وظیفه را انجام داد و گاهی حتی کاغذ را دوباره سر جایش گذاشت. در نمونهی دیگری، وقتی یک قطعهی لگو بهطور غیرمنتظره به نوک انگشت ربات چسبید، مدل خودش از دست دیگرش برای جداکردن آن استفاده کرد.
مدلی که فقط با یک دست برای بازکردن درِ یک شیشه آموزش دیده بود، گاهی خودش تصمیم میگرفت از هر دو دست بهطور همزمان استفاده کند و مدلهایی که فقط برای بازکردن درِ یک شیشهی خاص تنظیم شده بودند، توانستند همان مهارت را روی لیوانها و بطریهای کاملاً تازه هم به کار بگیرند. حتی در برخی موارد، مدلهایی که فقط برای گذاشتن یک بلوک در یک کاسه آموزش دیده بودند، بهطور خودانگیخته شروع به دستهبندی چند بلوک بر اساس رنگ کردند؛ رفتاری که هیچکس مستقیماً به آنها یاد نداده بود.
نتایج عددی، مسیر رشد و اهمیت این دستاورد
در آزمایشی روی ده وظیفهی متنوع، یادگیری کاملاً بدون آموزش (تنها با یک پرامپت فیزیکی) به میانگین نرخ موفقیت ۵۹ درصد (با انحراف معیار ۱۰ درصد) رسید؛ رقمی که با تطبیق چندنمونهای (ده گام گرادیان روی پنج دقیقه داده) به ۸۳ درصد (با انحراف معیار ۹ درصد) افزایش یافت. این مدل، آخرین حلقهی زنجیرهای است که با GEN-۰ (نشاندادن قوانین مقیاسپذیری قابلپیشبینی) آغاز و با GEN-۱ (رسیدن به تسلط بیش از ۹۹ درصدی روی وظایف ساده و نخستین نشانههای بداههپردازی) ادامه یافت.
GEN-1.5 بیش از هشت ماه بهطور پیوسته پیشآموزش دیده و طی این مدت، تعداد گامهای لازم برای تطبیق با یک وظیفهی تازه، از صدها گام به دهها گام و در نهایت به تنها یک گام روی یک دقیقه داده رسیده است.
جنرالیست ایآی برای توضیح این پدیده، فرضیهای مطرح میکند. شاید توزیع دادههای فیزیکی هم، مشابه توزیع زبان طبیعی، ساختاری پرتکرار و ناهمگون داشته باشد که یادگیری در لحظه را در مدلهای زبانی هم ممکن کرده بود؛ یا شاید کار فیزیکی بهطور ذاتی دارای چرخههای تکراری است که مدل توانسته الگوی آنها را تشخیص و ادامه دهد.
به گفتهی این شرکت، رباتها سالهاست بهعنوان ماشینهای همهکاره بازاریابی میشوند، اما این وعده همیشه مشروط به برنامهنویسی تخصصی و ماهها تلاش کارشناسی بوده است. اگر تعامل با یک ربات بهسادگی نشاندادن یک کار به آن تبدیل شود، دو چیز اساساً تغییر میکند: سرعت مفیدشدن یک ربات (از ماهها به ثانیهها)، و اینکه چه کسی میتواند با یک ربات کار کند (هرکسی، نه فقط متخصص).
پیشتر در ویکیربات، هنگام معرفی مدل SmolVLA هاگینگفیس، دیدیم چطور یک مدل کوچک و متنباز میتواند با تنها ۵۰ نمونهی آموزشی، یک وظیفهی رباتیک را یاد بگیرد؛ GEN-1.5 همان مسیر را یک گام جلوتر برده و نشان داده حتی همان تعداد اندک نمونه هم گاهی لازم نیست.