Ερευνητές από την Nvidia, το Πανεπιστήμιο Carnegie Mellon και το Πανεπιστήμιο της Καλιφόρνιας, Μπέρκλεϋ, αξιοποιούν παράγοντες κωδικοποίησης τεχνητής νοημοσύνης (AI) για την εκπαίδευση ρομπότ στην επιδέξια σύλληψη στον πραγματικό κόσμο. Ένας στόλος οκτώ ρομπότ επιτυγχάνει ποσοστό επιτυχίας έως και 99% σε απαιτητικές εργασίες.
Η επιδέξια σύλληψη και ο χειρισμός παραμένουν δύσκολα προς εκμάθηση για τα ρομπότ. Η ανθρώπινη παρέμβαση είναι απαραίτητη σε κάθε στάδιο: από τη συλλογή δεδομένων εκπαίδευσης και την επαναφορά του περιβάλλοντος μετά από κάθε προσπάθεια, έως την προσαρμογή των αλγορίθμων. Αυτή η χειροκίνητη επιβάρυνση επιβραδύνει σημαντικά τη διαδικασία. Το ENPIRE, ένα ερευνητικό έργο που αναπτύχθηκε από την Nvidia, το Πανεπιστήμιο Carnegie Mellon και το Πανεπιστήμιο της Καλιφόρνιας, Μπέρκλεϋ, στοχεύει να υπερβεί αυτό το εμπόδιο μέσω της χρήσης παραγόντων κωδικοποίησης.
Η κεντρική ιδέα βασίζεται σε έναν βρόχο ανάδρασης που λειτουργεί σε πραγματικό υλικό: επαναφορά του χώρου εργασίας, εκτέλεση μιας στρατηγικής, έλεγχος του αποτελέσματος και βελτίωση της επόμενης προσπάθειας.
Ο παράγοντας αναπτύσσει τα δικά του εργαλεία αξιολόγησης
Το ENPIRE λειτουργεί σε δύο φάσεις. Στην πρώτη φάση, ο παράγοντας διαμορφώνει ένα λειτουργικό περιβάλλον με περιορισμένη ανθρώπινη ανάδραση. Αυτό περιλαμβάνει τον καθορισμό ορίων ασφαλείας, την αυτόματη επαναφορά και τον αυτοματοποιημένο έλεγχο επιτυχίας. Αντί να αξιολογεί ένας άνθρωπος κάθε προσπάθεια, ο παράγοντας συντάσσει τη δική του συνάρτηση ανταμοιβής για να διακρίνει την επιτυχία από την αποτυχία. Απαιτούνται μόνο λίγα λεπτά βίντεο παραδείγματος που απεικονίζουν επιτυχημένες και αποτυχημένες προσπάθειες.
Για παράδειγμα, στην εργασία εισαγωγής πείρου, ο παράγοντας ανέπτυξε έναν έλεγχο που συνδυάζει την οπτική ευθυγράμμιση, το ύψος της λαβίδας και την εκτιμώμενη δύναμη. Για το κλείσιμο ενός δεματικού καλωδίων, συνδύασε δύο γωνίες κάμερας για την αποφυγή ψευδών θετικών αποτελεσμάτων και μείωσε τον χρόνο αντίδρασης κάτω από τα 150 χιλιοστά του δευτερολέπτου. Αυτά τα εργαλεία κατασκευάζονται μία φορά και επαναχρησιμοποιούνται χωρίς τροποποιήσεις.
Στη δεύτερη φάση, ο παράγοντας λειτουργεί πλήρως αυτόνομα. Διαβάζει ερευνητικές εργασίες, διαμορφώνει υποθέσεις και επεξεργάζεται απευθείας τον κώδικα εκπαίδευσης. Χρησιμοποιεί μεθόδους όπως η κλωνοποίηση συμπεριφοράς, όπου η στρατηγική μιμείται ανθρώπινες επιδείξεις, ή η ενισχυτική μάθηση, όπου η στρατηγική βελτιώνεται μέσω δοκιμής και λάθους. Ο παράγοντας επιλέγει ο ίδιος τη μέθοδο, βασιζόμενος σε σήματα επιτυχίας από τον πραγματικό κόσμο.
Ένας στόλος ρομπότ που συντονίζεται μέσω Git
Το ENPIRE επεκτείνεται σε έναν πλήρη στόλο: οκτώ σταθμούς ρομπότ YAM με διπλούς βραχίονες, καθένας από τους οποίους διαθέτει το δικό του υλικό, υπολογιστή και παράγοντα κωδικοποίησης. Οι παράγοντες δοκιμάζουν διαφορετικές υποθέσεις ταυτόχρονα και μοιράζονται τα αποτελέσματα αποκλειστικά μέσω του Git, του τυπικού εργαλείου ελέγχου εκδόσεων για λογισμικό. Υιοθετούν επιτυχημένες συνταγές εκπαίδευσης ο ένας από τον άλλο και απορρίπτουν τις ανεπιτυχείς ιδέες αυτόνομα. Μια ανακάλυψη που πραγματοποιείται σε έναν σταθμό διαδίδεται σε ολόκληρο τον στόλο.
[
Σύμφωνα με την έρευνα, οι παράγοντες πέτυχαν ποσοστό επιτυχίας έως και 99% σε απαιτητικές εργασίες, όπως η δοκιμή Push-T – όπου το ρομπότ πρέπει να σύρει ένα μπλοκ σε σχήμα Τ σε μια συγκεκριμένη θέση και προσανατολισμό – η ταξινόμηση πείρων σε ένα κουτί και η κοπή ενός δεματικού καλωδίου με κόφτη. Για την εισαγωγή πείρου, η στρατηγική συγκλίθηκε στο 100% ταχύτερα από μια συγκρίσιμη μέθοδο με ανθρώπινη παρέμβαση.
Η κλιμάκωση αποδίδει επίσης σε χρόνο. Στη δοκιμή Push-T, η μετάβαση από έναν σε οκτώ παράγοντες μείωσε τον χρόνο για την πλήρη επιτυχία από περίπου πέντε ώρες σε δύο. Για την εισαγωγή πείρου, ο χρόνος μειώθηκε από πάνω από 90 λεπτά σε περίπου 40. Οι ερευνητές δοκίμασαν τρεις τρέχοντες παράγοντες κωδικοποίησης: τον Codex με GPT-5.5, τον Claude Code με Opus 4.7 και τον Kimi Code με Kimi K2.6. Ο Codex επέδειξε την καλύτερη απόδοση στις περισσότερες περιπτώσεις.
Ο πραγματικός κόσμος παραμένει η δυσκολότερη δοκιμασία
Τα αποτελέσματα καταδεικνύουν επίσης ότι ο πραγματικός κόσμος είναι πολύ πιο δύσκολος από την προσομοίωση. Στη δοκιμή Push-T, και οι τρεις παράγοντες έλυσαν την εργασία στην προσομοίωση, αλλά δύο από τους τρεις απέτυχαν στο πραγματικό περιβάλλον. Οι ερευνητές αποδίδουν αυτό το φαινόμενο σε απρόβλεπτες και μεταβλητές συνθήκες, όπως η δυναμική του ρομπότ, η τριβή και η κίνηση των αντικειμένων. Στην προσομοίωση RoboCasa, το ENPIRE υπερίσχυσε τόσο ενός μοντέλου όρασης-γλώσσας-δράσης από άκρο σε άκρο (GR00T) όσο και μιας προσέγγισης βασισμένης σε εργαλεία χωρίς αυτο-έρευνα (CaP-X).
Για τη μέτρηση της αποδοτικότητας, οι ερευνητές προτείνουν δύο μετρικές: η Μέση Χρήση Ρομπότ (MRU) παρακολουθεί πόσο χρόνο έρευνας δαπανά πραγματικά το ρομπότ σε εργασία, ενώ η Μέση Χρήση Tokens (MTU) μετρά τη χρήση του γλωσσικού μοντέλου ανά λεπτό. Οι δεξιότητες που αποκτώνται είναι επίσης μεταβιβάσιμες: η εμπειρία από την εισαγωγή πείρων βοήθησε τους παράγοντες να τοποθετήσουν κάρτες γραφικών (GPUs) σε μια μητρική πλακέτα χρησιμοποιώντας τους ρομποτικούς βραχίονες.
[
Ωστόσο, η μελέτη είναι σαφής ως προς τα όριά της. Τα ρομπότ και η υπολογιστική ισχύς δεν αξιοποιούνται πλήρως, καθώς οι παράγοντες δαπανούν πολύ χρόνο διαβάζοντας αρχεία καταγραφής, γράφοντας κώδικα και αναμένοντας. Όσο περισσότερα ρομπότ περιλαμβάνει ο στόλος, τόσο χαμηλότερη είναι η αξιοποίηση ανά ρομπότ, καθώς οι παράγοντες αφιερώνουν περισσότερο χρόνο στην περίληψη των αποτελεσμάτων των άλλων. Το κόστος των tokens αυξάνεται επίσης ταχύτερα από τα κέρδη στην απόδοση: μεγαλύτεροι στόλοι επιτυγχάνουν τον στόχο νωρίτερα, αλλά καταναλώνουν πολύ μεγαλύτερο υπολογιστικό προϋπολογισμό για να φτάσουν εκεί. Παρόλα αυτά, οι ερευνητές θεωρούν το ENPIRE ως μια πρακτική οδό προς ρομπότ που μπορούν να βελτιώνονται αυτόνομα στον πραγματικό κόσμο.
Πηγή: The Decoder.
