Son zamanlarda, Amerika Birleşik Devletleri'ndeki robotik alanında yenilikçi bir şirket olan Şekil AI, büyük bir atılım yayınladı: Helix adlı genel amaçlı bir görsel dil eylemi (VLA) modeli. Bu model ilk kez, insansı bir robotun tam üst gövdesinin yüksek hızlı sürekli kontrolünü gerçekleştirir ve algı, dil anlayışı ve öğrenme kontrolünü mükemmel bir şekilde entegre eder.
Helix modelinin ortaya çıkışı, insansı robotların operasyonel esnekliğinde önemli bir adım atıyor. Basit doğal dil komutları ile robot, daha önce herhangi bir gösteri veya özel programlama olmadan, eğitim sırasında hiç dokunulmamış olanları bile hemen hemen her küçük ev nesnesini kolayca kavrayabilir. Bu yetenek, sarmal modelinin güçlü genelleme yeteneğinden kaynaklanmaktadır.
Şekil AI, Helix modelinin bir dizi endüstri ilk yarattığını vurguladı. İlk kez, bilek, gövde, baş ve her parmağın esnek kontrolü dahil olmak üzere insansı bir robotun tüm üst gövdesinin yüksek hızlı sürekli kontrolünü sağlar. Testte, robot, daha önce gösteri veya programlama olmadan, cam eşyalardan ve oyuncaklardan aletlere ve kıyafetlere kadar dağınıklık ile dağınık olan binlerce yeni öğeyi başarıyla işledi.
Daha da şaşırtıcı olan, Helix modelinin de çoklu robot işbirliği yeteneklerine sahip olmasıdır. Testte, iki robot uzun vadeli, karmaşık görevler üzerinde birlikte çalışabildi ve daha önce hiç görülmemiş ürünler üzerinde birlikte, alışılmadık yiyecekleri sıralama gibi bir arada çalıştı. Bu yetenek, robotların ev ortamında pratik uygulaması için daha fazla olasılık açar.
Helix modeli ayrıca mükemmel sahne anlayışı ve anlamsal ayrıştırma yeteneklerini gösterir. "Bir çöl nesnesi almaya" istendiğinde, robot sadece oyuncak kaktüsünün bu soyut konsepte uyduğunu kabul etmekle kalmaz, aynı zamanda en yakın eli seçer ve hassas bir kavrama eylemi gerçekleştirir. Bu evrensel sürükleme işlevi, dilden harekete kadar, yapılandırılmamış ortamlarda insansı robotların dağıtılması için daha fazla kolaylık sağlar.
Helix modeli, çığır açan çift sistem mimarisi sayesinde bu atılımları başardı. Mimari, sırasıyla yüksek hızlı hassas kontrol, sahne anlayışı ve semantik ayrıştırmadan sorumlu sistem 1 ve Sistem 2'den oluşur. Sistem 2, nesneler ve senaryolar arasında genellemeyi sağlamak için 7-9 Hz frekansında çalışan 7b parametreli açık kaynaklı VLM'ye dayanmaktadır. Sistem 1, Milisaniye düzeyinde gerçek zamanlı yanıt elde etmek için Sistem 2'nin anlamsal temsilini 200Hz frekansında sürekli eylem talimatlarına dönüştüren 80m parametre görsel motor strateji modelidir. Bu ayrıştırılmış mimari, iki sistemin ilgili işlevlerini yerine getirmesini ve verimli insansı robot kontrolü elde etmek için birlikte çalışmasını sağlar.
Helix modelleri eğitim sırasında çok az kaynak kullanır. Sadece yaklaşık 500 saatlik yüksek kaliteli denetimli veriler kullanarak, ekip nesnelerin sağlam bir genellemesini sağlayabildi. Bu veriler, daha önce toplanan VLA veri kümelerinin boyutunun% 5'inden daha azını temsil eder ve çok bot varlık toplama veya çok aşamalı eğitime dayanmaz. Bu başarı sadece sarmal modelinin verimliliğini göstermekle kalmaz, aynı zamanda gelecekte insansı robotların geliştirilmesi için daha fazla olasılık sağlar.