Koniec z żmudnym zbieraniem danych? AI2 trenuje roboty w całości w symulacji

Przełom w transferze z symulacji do rzeczywistości

Tradycyjne uczenie robotów od lat boryka się z tym samym problemem: koniecznością gromadzenia ogromnych zbiorów danych pochodzących z fizycznych demonstracji. Proces ten, często oparty na teleoperacji, jest kosztowny, czasochłonny i trudny do skalowania. Badacze z instytutu AI2 postanowili całkowicie pominąć ten etap, stawiając na tzw. zero-shot sim-to-real transfer. Ich najnowsze modele, MolmoSpaces i MolmoBot, trafiają na fizyczne urządzenia prosto z cyfrowych środowisk treningowych, nie wymagając przy tym żadnego dodatkowego dostrajania w rzeczywistości.

Znaczenie skali

Kluczem do sukcesu nie jest nowa architektura sieci neuronowych, lecz bezprecedensowa skala i zróżnicowanie symulacji. System MolmoSpaces udostępnia ponad 230 tysięcy wirtualnych wnętrz oraz 130 tysięcy skrupulatnie przygotowanych obiektów. Całość uzupełnia 42 miliony adnotacji dotyczących chwytania, opartych na fizyce silnika symulacyjnego. Jak zauważa Ranjay Krishna z zespołu PRIOR, bariera między symulacją a rzeczywistością znika w momencie, gdy drastycznie zwiększymy liczbę zmiennych: od geometrii przedmiotów, przez warunki oświetleniowe, aż po optykę kamer.

Robot gotowy do pracy od zaraz

Efektem tych działań jest MolmoBot – model zdolny do wykonywania złożonych zadań manipulacyjnych, takich jak otwieranie szuflad czy obsługa drzwi, mimo że nigdy wcześniej nie widział prawdziwego pokoju. Takie podejście może skrócić rozwój nowych systemów robotycznych z miesięcy do dni. Co istotne z punktu widzenia etyki badań nad AI, instytut AI2 zdecydował się na pełną transparentność. Wszystkie narzędzia, modele oraz dokumentacja techniczna zostały udostępnione w formacie open-source, co pozwala społeczności na weryfikację tych wyników i dalszy rozwój technologii bez polegania na zamkniętych zbiorach danych wielkich korporacji.