Recent, Figura AI, o companie inovatoare în domeniul roboticii din Statele Unite, a lansat o descoperire majoră: un model de acțiune de limbaj vizual de scop general (VLA) numit Helix. Pentru prima dată, acest model realizează un control continuu de mare viteză a corpului superior complet al unui robot umanoid și integrează perfect percepția, înțelegerea limbajului și controlul învățării.
Apariția modelului Helix marchează un pas important înainte în flexibilitatea operațională a roboților umanoizi. Cu comenzi simple de limbaj natural, robotul poate înțelege cu ușurință aproape orice obiect de uz casnic mic, chiar și cele care nu au fost niciodată atinse în timpul antrenamentului, fără nicio demonstrație prealabilă sau programare personalizată. Această capacitate se datorează capacității puternice de generalizare a modelului Helix.
Figura AI a subliniat faptul că modelul Helix a creat o serie de primele industrii. Pentru prima dată, permite controlul continuu de mare viteză asupra întregului corp superior al unui robot umanoid, inclusiv controlul flexibil al încheieturii, torsului, capului și fiecărui deget. În testare, robotul a procesat cu succes mii de articole noi, care au fost înghesuite de dezorganizare, de la articole de sticlă și jucării la unelte și haine, fără demonstrație sau programare prealabilă.
Ceea ce este și mai uimitor este faptul că modelul Helix are și capacități de colaborare cu mai multe robot. În test, cei doi roboți au reușit să lucreze împreună la sarcini complexe pe termen lung, care lucrează împreună la obiecte niciodată văzute, cum ar fi sortarea alimentelor necunoscute împreună. Această capacitate deschide mai multe posibilități pentru aplicarea practică a roboților în mediul de origine.
Modelul Helix demonstrează, de asemenea, o înțelegere excelentă a scenei și capacități de analiză semantică. Atunci când i se solicită „să ridice un obiect deșert”, robotul nu numai că este capabil să recunoască faptul că Cactusul de jucărie se potrivește acestui concept abstract, dar selectează și cea mai apropiată mână și efectuează o acțiune precisă de înțelegere. Această funcție de prindere universală, de la limbaj la mișcare, oferă o mai mare comoditate pentru implementarea roboților umanoizi în medii nestructurate.
Modelul Helix a fost capabil să obțină aceste descoperiri datorită arhitecturii sale de ultimă generație. Arhitectura constă în sistemul 1 și sistemul 2, care sunt responsabili pentru controlul precis de mare viteză, înțelegerea scenei și respectiv analizarea semantică. Sistemul 2 se bazează pe VLM open-source cu parametri 7b, care funcționează la o frecvență de 7-9 Hz pentru a asigura generalizarea pe obiecte și scenarii. Sistemul 1 este un model de strategie motorie vizuală de 80 m, care transformă reprezentarea semantică a sistemului 2 în instrucțiuni de acțiune continuă la o frecvență de 200Hz pentru a obține un răspuns în timp real la nivel de milisecunde. Această arhitectură decuplată permite celor două sisteme să își îndeplinească funcțiile respective și să lucreze împreună pentru a obține un control eficient al robotului umanoid.
Modelele Helix folosesc foarte puține resurse în timpul antrenamentului. Folosind doar aproximativ 500 de ore de date supravegheate de înaltă calitate, echipa a fost capabilă să obțină o generalizare robustă a obiectelor. Aceste date reprezintă mai puțin de 5% din dimensiunea seturilor de date VLA colectate anterior și nu se bazează pe colecția de entități multi-bot sau pe o instruire în mai multe etape. Această realizare nu numai că demonstrează eficiența modelului Helix, dar oferă și mai multe posibilități pentru dezvoltarea roboților umanoizi în viitor.