Will Knight chce, żeby robot karmił jego kota. Starszy autor WIRED, który zajmuje się sztuczną inteligencją, ma bengalską kotkę o imieniu Leona i pewien plan: niewielki kroczący robot ma ją odnaleźć, skłonić głowę i wysunąć przysmak ze schowka zamontowanego na jego grzbiecie. Przysmak nie jest tu jednak najważniejszy. Nowością jest to, że robot już działa w oprogramowaniu, a większość treningu, który inżynier robotyki zwykle przeprowadzałby ręcznie, wykonał model AI.

To wirtualny Microduck — dwunożny robot w kształcie kaczki firmy Pollen Robotics, działu robotyki Hugging Face. Knight nauczył go poruszać się po pokoju bez przewracania i rozpoznawać obecne w pobliżu koty bengalskie. Jak mówi, zajęło to kilka godzin, choć wcześniej mogłoby pochłonąć kilka tygodni. W swoim felietonie nazywa to przyszłością robotyki. I ma rację — ale tylko w połowie. Pętla treningowa bardzo się skróciła. To, co znajduje się po jej obu stronach, niewiele się zmieniło.

Co właściwie zrobił model

Knight połączył GPT-6 Sol firmy OpenAI z Hermesem, agentowym środowiskiem od Nous Research, uruchomionym na Nvidia DGX Spark — komputerze stacjonarnym z wydajnym układem AI. Model nie ograniczał się do pisania kodu. Za pośrednictwem Nvidia Isaac Sim wysyłał instrukcje do modelu sterującego symulowaną kaczką, oglądał nagrania jej ruchów, oceniał postępy i proponował zmiany w sposobie treningu. Uruchom, obejrzyj, popraw, powtórz — tak wygląda powolna, mało efektowna część uczenia robotów. I właśnie ją zautomatyzowano.

Profesjonalne laboratoria obserwują podobną zmianę. Na UC Berkeley zespół profesora Kena Goldberga udostępnił modelowi Astra firmy OpenAI narzędzie Nvidia o nazwie Newton, pokazał mu nagranie prawdziwego robota i poprosił o odtworzenie sceny w symulacji. „Zdumiewające było to, że w ciągu godziny model stworzył kompletną symulację 3D, z wszystkimi ustawionymi parametrami — położeniem kamery, oświetleniem, tłem i materiałami” — powiedział Goldberg w rozmowie z WIRED. Astra potrafi też przeprowadzać eksperymenty i analizować wyniki, dodaje, przejmując w ten sposób sporą część żmudnej pracy związanej z treningiem robota w symulacji.

Ta metoda ma już swoją nazwę. ASPIRE to opracowany przez zespół, w którym są Goldberg i Jim Fan z Nvidii, framework wykorzystujący duży model językowy do napisania kodu sterującego robotem, odczytania śladów działania po nieudanej próbie, naprawienia programu i zapisania działającej poprawki w bibliotece umiejętności, z której mogą później korzystać kolejne zadania. Laboratorium Fana w Nvidii udostępniło kod w wersji 1.0 na GitHubie, na licencji Apache 2.0, w połowie października — podają ToolNavs i RuntimeWire. W jednej z demonstracji robotyczne ramiona uczą się układać kostkę Rubika. „Podnosi ją, próbuje przekręcić, ale robi to pod złym kątem” — powiedział Fan WIRED. „Potem bardzo, bardzo długo nad tym rozumuje, ale w końcu potrafi ją ułożyć, bo z czasem przyswaja kolejne umiejętności”.

Umiejętność, która staniała, jest na wynajem

Oto czego nie uwzględnia narracja o „vibe robotics”. W artykule o ASPIRE wprost napisano, że skuteczność systemu zależy od bazowego modelu z czołówki rynku. W przypadku Claude Opus 5.5 firmy Anthropic odnotowano średni wskaźnik powodzenia na poziomie 99% w 80 zadaniach manipulacyjnych LIBERO-Pro. To wynik podany przez samych autorów, którego niezależnie jeszcze nie potwierdzono. Na liście ograniczeń projektu zaznaczono, że system jest uzależniony od niezmiennego, wiodącego modelu, a jego zdolność do podtrzymania tej samej pętli debugowania przy użyciu mniejszych modeli nie została zweryfikowana.

Wynika z tego, że kaczka hobbysty i ramię robota w laboratorium w Berkeley uczą się dziś mniej więcej tak dobrze, jak pozwala im model, z którego mogą korzystać. Wiedza inżynierska, która wcześniej stanowiła barierę w robotyce, nie zniknęła. W dużej mierze kryje się teraz w tym wiodącym modelu, za którego używanie twórca robota może zapłacić.

Kaczka wciąż czeka w kolejce

Po drugiej stronie pętli jest sprzęt, a Knight nadal czeka na swojego robota. Pod koniec sierpnia Pollen rozpoczęło przyjmowanie zamówień przedpremierowych na Microduck w cenie 399 dolarów, z planowaną dostawą przed Bożym Narodzeniem. Business Insider podał, powołując się na współzałożyciela Hugging Face Thomasa Wolfa, że w ciągu pierwszych 24 godzin wartość zamówień przekroczyła 2,6 miliona dolarów. Wkrótce potem przy składaniu nowych zamówień pojawił się termin oczekiwania wynoszący od czterech do sześciu miesięcy. Jak informuje Gadget Flow, sklep ostrzega teraz, że obecne zamówienia przedpremierowe zostaną wysłane dopiero po kwietniu 2027 roku. Trening w symulacji ma być właściwą drogą: zgodnie z instrukcją Pollen właściciele uczą wirtualną kaczkę różnych zachowań, a następnie przenoszą je na fizycznego robota. Ale polityka sterowania, która czeka na robota, nie zetknęła się jeszcze z dywanem, nogą sofy ani kotem, który nie zamierza współpracować.

Knight otwarcie mówi też o pozostałych problemach. Jak pisze, system wizyjny jego kaczki nie działa na tyle dobrze, by można go było zastosować w prawdziwym produkcie. Kiedy podał modelowi GIF z Michaelem Jacksonem, żeby nauczyć go słynnego kroku moonwalk, wielogodzinna praca zaowocowała tym, co Knight nazywa bardzo energicznym truchtem do tyłu. Autorzy ASPIRE wymieniają podobne braki w kontekście zastosowań w rzeczywistym świecie: niezawodne wykrywanie powodzenia, bezpieczne przywracanie robota do stanu początkowego, monitorowanie bezpieczeństwa i kalibrację. Każdy z tych problemów sprowadza się do ustalenia, co naprawdę wydarzyło się w fizycznym otoczeniu — a tego symulator nie jest w stanie powiedzieć.

Dokąd płyną pieniądze

Nic z tego nie studzi zainteresowania. Goldberg mówi, że podejściem zainteresowało się wiele firm z branży robotyki przemysłowej i automatyzacji, a Knight uważa, że wzrost tempa pracy może wkrótce mocno wpłynąć na produkcję i handel elektroniczny. Podczas odbywającej się w tym tygodniu w Austin konferencji Conference on Robot Learning Fan wykorzystał wystąpienie otwierające, by pokazać, jak Astra przejmuje kontrolę nad ramieniem robota i maluje most Golden Gate farbą i pędzlami znalezionymi w pobliżu.

Konsekwencją jest zmiana tego, gdzie pojawiają się błędy. Gdy wytrenowanie zachowania robota zajmuje godziny zamiast tygodni, zespoły będą tworzyć ich znacznie więcej, a najtrudniejszym zadaniem stanie się sprawdzenie, które z nich są bezpieczne poza symulatorem. Przysmak, który nie trafia do miski Leony, to tani sposób, by się o tym przekonać. Znacznie droższą lekcją byłoby ramię robota w magazynie, które wykonuje umiejętność zapisaną przez model, ale niesprawdzoną w prawdziwym miejscu pracy.

Tagi: nvidia, Hugging Face, Microduck, Pollen Robotics, roboty