Orca: Model świata, który uczy się robotyki bez instrukcji ruchu

Pekin, rękami badaczy z Beijing Academy of Artificial Intelligence (BAAI), rzucił wyzwanie dominującemu paradygmatowi w rozwoju sztucznej inteligencji. Model Orca nie koncentruje się na przewidywaniu kolejnego słowa czy klatki wideo. Zamiast tego buduje wewnętrzną, abstrakcyjną reprezentację zmian zachodzących w świecie. To podejście typu „world foundation model”, które ma szansę przełamać chroniczny deficyt danych w robotyce – dziedzinie, gdzie etykietowanie każdego ruchu maszyny jest procesem żmudnym i kosztownym.

Dlaczego to ważne teraz? Orca udowadnia, że maszyny mogą uczyć się fizyki przez samą obserwację, zamiast analizować miliony precyzyjnie opisanych ruchów ramienia robota. Trenowany na 125 tysiącach godzin surowego wideo i 160 milionach zdarzeń tekstowych, model ten staje się fundamentem, który łączy rozumienie języka, wyobraźnię oraz fizyczne działanie w jednej architekturze.

Abstrakcyjna wizja zamiast kopiowania pikseli

Kluczem do sukcesu Orca jest dwutorowy proces uczenia się. Pierwszym filarem jest uczenie nieświadome. Model obserwuje dynamikę scen, ucząc się wzorców ruchu i fizyki obiektów w przestrzeni abstrakcyjnej, a nie na poziomie pojedynczych pikseli. Drugim elementem jest uczenie świadome, gdzie fragmenty wideo są powiązane z opisami tekstowymi zmian stanu. Dzięki temu system rozumie, co się dzieje, gdy dochodzi do konkretnej interakcji, nie musząc przy tym od razu wiedzieć, którymi konkretnie silnikami sterować. Jak zauważają autorzy raportu Orca: The World is in Your Mind, model uczy się niczym dziecko, które najpierw obserwuje świat przez miesiące, zanim zacznie mówić czy chwytać przedmioty.

Efektywność modułowej architektury

Konstrukcja Orcy znacząco odbiega od monolitów, które znamy z rynku LLM. Sercem systemu jest zamrożony model Qwen3.5, wzbogacony o dedykowane, wymienne moduły eksperckie. Jeśli potrzebujemy tekstu, system korzysta z głowicy językowej; jeśli obrazu – z adaptera współpracującego ze Stable Diffusion 3.5. Najciekawiej prezentuje się jednak Action Expert. To moduł sterowania uczony od podstaw, który przekształca wewnętrzny stan świata Orcy na konkretne komendy dla maszyn.

Wyniki testów przeprowadzonych na dwuramiennym humanoidzie są intrygujące. W zadaniach takich jak układanie książek czy precyzyjne odmierzanie cukru, Orca uzyskała 36,6% skuteczności. To wynik znacznie lepszy niż w przypadku systemu π0.5, który osiągnął zaledwie 27,6%, mimo że to on był trenowany pod kątem konkretnych akcji. Orca wykazała się też większą odpornością na błędy. Podczas gdy specjalistyczne systemy często wpadają w pętlę nieudanych prób, model z Pekinu po niepowodzeniu potrafi skorygować chwyt i doprowadzić zadanie do końca.

Przełom w szkoleniu czy tylko obiecujący prototyp?

Dla inżynierów duże znaczenie ma wydajność szkolenia. Wykorzystując autorską bibliotekę FlagScale, zespół BAAI osiągnął tempo przetwarzania danych ponad cztery razy wyższe niż w popularnym standardzie StarVLA. W testach wideo wersja 4B parametrów zdobyła 51,8 punktów w benchmarkach MVBench i TemporalBench, wyprzedzając bazowego Qwen3.5 (46,7 pkt) oraz modele z rodziny Gemma 4.

Mimo sukcesów, krytycy widzą ograniczenia. Orca wciąż polega głównie na wzroku i tekście, ignorując dźwięk, dotyk czy siłę nacisku. Modele o wielkości 0,8 i 4 miliardów parametrów mogą być zbyt małe, by w pełni uchwycić złożoność rzeczywistego świata. Niemniej jednak, Orca udowadnia, że uniwersalne rozumienie dynamiki otoczenia może być skuteczniejsze niż wąska specjalizacja, otwierając drogę do systemów uczących się przez samą obserwację ludzkich czynności.