„Google“ pristatė „Gemini 4 Argon“ su robotų mokymo demonstracijomis

„Google“ atvėrė prieigą prie „Gemini 4 Argon“, savo naujausio pažangaus dirbtinio intelekto modelio. Robotikos demonstracijose modelis stebėjo įprastą žmogaus filmuotą medžiagą, kūrė fizikos simuliacijas ir naudojo jas valdydamas tikrus robotus. „Google DeepMind“ apibūdina „Argon“ kaip „bendrosios paskirties fizinio samprotavimo modelį“, kurį galima naudoti visame „robotikos gyvavimo cikle“. Spalio 13 d. bendrovė suteikė prieigą visame pasaulyje per mokamą „Gemini“ API ir „Google AI“ prenumeratoriams.developers.googleblog+2

Robotikos pristatymas yra platesnės „Alphabet“ ↘ 1.68% priklausančios „Google“ strategijos dalis. Bendrovė „Argon“ pirmiausia siūlo programavimui, įmonių žinių valdymui ir kibernetiniam saugumui, tačiau taip pat pozicionuoja modelį kaip būdą paspartinti lėtą robotų mokymo aplinkų kūrimo procesą.blog+1

Nuo vaizdo įrašo iki simuliacijos ir techninės įrangos

Vieno vidinio bandymo metu „Argon“ stebėjo vaizdo įrašą, kuriame žmogus žaidžia „cornhole“ žaidimą, suskaitmenino erdvę ir apskaičiavo viso kūno sąnarių judesius, reikalingus metimui atkartoti. Tada modelis pats parašė simuliacijos kodą. Kai įgūdis buvo perkeltas į „Apptronik“ humanoidą „Apollo“, robotas „greitai pataikė septynis metimus iš eilės realaus pasaulio bandyme“, teigė „Google“. Bendrovė šį metodą vadina „Video-to-Sim-to-Real“. Teigiama, kad šis procesas „sutrumpina savaites trukusį rankinį simuliacijos modeliavimą iki kelių valandų“, paverčiant įprastą vaizdo įrašą „keičiamo mastelio, begaline robotikos mokymo aikštele“.blog

Kitoje demonstracijoje „Argon“ valdė „Boston Dynamics“ keturkojį „Spot“ su šešių laisvės laipsnių manipuliatoriumi. Jis sukūrė „MuJoCo“ skaitmeninį šiukšliadėžės su pedalu dvynį ir simuliatoriuje repetavo pusiausvyros išlaikymą ant trijų kojų. Tik tada tikras robotas paspaudė pedalą, riešo kamera patikrino, ar skardinė yra centre, ir įmetė ją į vidų. Kanishka Rao, „Google“ vyresnysis programinės įrangos inžinierius, aprašė šį ir kitus pavyzdžius kūrėjų tinklaraštyje.developers.googleblog

Pradėdamas nuo vienos stalo nuotraukos, „Argon“ taip pat sukūrė simuliaciją, apibrėžė naujas užduotis ir sugeneravo daugiau nei 4 500 atsitiktinių mokymo epizodų. „Google“ duomenimis, šių duomenų naudojimas padidino vizijos-kalbos-veiksmo modelio sėkmės rodiklį realiame pasaulyje nuo 56 proc. iki 75 proc. ir sutrumpino užduoties atlikimo laiką nuo 35 iki 24 sekundžių.developers.googleblog

Etalonai ir prieiga

„Google“ teigia, kad „Argon“ surinko 87 proc. „Embodied Reasoning“ (ERQA) etalone, kuris tikrina erdvės ir fizinį problemų sprendimą 3D aplinkoje. Bendrovė teigia, kad šis rezultatas lenkia visus kitus jos testuotus pažangius modelius ir kad „Argon“ tai pasiekė „naudodamas gryną samprotavimą“ be specialaus robotams skirto derinimo. „The Times of India“ pažymėjo, kad „Google“ robotikos pavyzdžiai apima viską nuo manipuliacijų su „Spot“ iki metimo užduočių su „Apollo“ humanoidais.timesofindia.indiatimes+2

„Google“ pirmą kartą apie „Argon“ paskelbė rugsėjo 30 d. Tuo metu prieiga buvo ribota ir skirta tik patikrintiems kibernetinio saugumo specialistams per „Fairwind“ programą, kol „Google“ dalyvavo JAV vyriausybės savanoriškame procese dėl prieigos prie modelių prieš jų išleidimą. Įvadinis API kainodaros planas yra 2 JAV doleriai už milijoną įvesties žetonų ir 10 JAV dolerių už milijoną išvesties žetonų iki 2026 m. lapkričio 30 d. Po to kaina kils iki 4 ir 20 JAV dolerių.blog+1

Pastabos

„Google“ modelio kortelėje nurodoma, kad „Argon“, kaip ir kiti pamatiniai modeliai, vis dar gali „haliucinuoti“. Visi iki šiol gauti robotikos rezultatai yra pagrįsti pačios „Google“ demonstracijomis, o ne nepriklausomais bandymais. „Google“ šį darbą pristato kaip žingsnį link to, ką vadina „fiziniu AGI“, teigdama, kad jos tikslas yra „įgalinti robotiką, kuri gali dirbti kartu su žmonėmis sprendžiant sudėtingus iššūkius“.deepmind+1