العقل الروبوتي لـ Xiaomi مفتوح المصدر و38 مليار معلمة. وهذا يغير عنق الزجاجة للبيانات

لسنوات، عاش الذكاء الاصطناعي المتجسد تحت سقف صلب: بيانات غير كافية. الروبوتات المادية بطيئة ومكلفة وخطيرة في التشغيل على نطاق واسع، خاصة في السيناريوهات النادرة أو الخطرة. يتطلب جمع البيانات التقليدي وجود إنسان لتحريك ذراع، وإعادة ضبط المشهد، وتسجيل المسار، عينة واحدة في كل مرة. يطرح الإصدار مفتوح المصدر من Xiaomi لـ Robotics-U0، وهو نموذج ذاتي الانحدار متعدد الوسائط يحتوي على 38 مليار معلمة، مسارًا مختلفًا: توليد بيانات التدريب بدلاً من جمعها.

Robotics-U0 ليس نموذجًا لمهمة واحدة. إنه يغلف أربع قدرات، توليد المشاهد المتجسدة، والنقل المتجسد، وتوليد فيديو تفاعل الروبوت، وتوليد الصور من النص العام، في محول ذاتي الانحدار موحد تم تدريبه على بيانات بصرية على نطاق الروبوت والإنترنت. تم بناء النموذج بواسطة قسم الروبوتات في Xiaomi، وهي وحدة تدير بالفعل مصانع روبوتات وتنشر روبوتات مادية في المستودعات، مما يمنحها الحافز والبنية التحتية لملاحقة خطوط أنابيب البيانات الاصطناعية للتعلم المتجسد.

الأرقام وراء الإصدار مفصلة بشكل غير معتاد لشركة إلكترونيات استهلاكية. على معيار WorldArena، وهو تقييم موحد يغطي فهم وتوليد المشاهد المتجسدة، سجل Robotics-U0 أعلى درجة بين 126 نموذجًا مشاركًا عالميًا. في تقييمات الروبوتات الحقيقية، أبلغت Xiaomi أنه عندما تم تدريب سياسة على البيانات المعززة بواسطة النموذج (بما في ذلك الإضاءة المعدلة والخلفيات وترتيبات الأشياء)، ارتفعت معدلات إنجاز المهام في ظل ظروف توزيع غير عادية بمتوسط 26% مقارنة بالتدريب على البيانات الأصلية وحدها.

أهمية هذا الرقم تتجاوز معيارًا واحدًا. المتانة خارج التوزيع، أداء مهمة معالجة تحت إضاءة غير مألوفة، أو خلفيات مختلفة، أو مع أشياء في أوضاع غير عادية، هو نمط الفشل الكلاسيكي لتعلم الروبوت في البرية. السياسة التي تعمم للمشاهد الجديدة بنسبة 40% فقط من الوقت ليست قابلة للنشر؛ تلك التي تحقق 66% تغير اقتصاديات الأتمتة الروبوتية في البيئات غير المهيكلة مثل المستودعات أو المطابخ أو إعدادات الخدمة.

أربع مهام، بنية واحدة

Robotics-U0 هو محول ذاتي الانحدار، سلالة تصميم نشأت من نماذج اللغة الكبيرة، تم تكييفها للتوليد على مستوى البكسل والمسار. يأخذ النموذج إما موجه نصي أو إطار صورة وينتج مخرجات عبر أربع طرائق:

1. توليد المشاهد المتجسدة: من وصف نصي، يقوم النموذج بإنشاء مشاهد أولية متعددة الرؤية لتكوين جهاز روبوت محدد (طاولة، مطبخ، مستودع، عالم مفتوح).
2. النقل المتجسد: بالنظر إلى مسار روبوت موجود، يقوم النموذج بزرعه في بيئة جديدة، وتغيير الإضاءة والخلفية وسطح المادة والهدف وتخطيط مساحة العمل مع الحفاظ على أوضاع الذراع والترتيب المكاني.
3. توليد فيديو تفاعل الروبوت: من ملاحظة أولية وتعليمات تشغيل، يقوم النموذج بتوليد إطارات فيديو لاحقة. يحافظ النموذج على تماسك الحركة والاتساق المادي، مع ادعاء التعميم صفر-shot للبيئات غير المرئية.
4. توليد الصور من النص العام وتحرير الصور: يتم الاحتفاظ بقدرة توليد الرؤية القياسية، مما يسمح بنقل المعرفة البصرية على نطاق الإنترنت إلى المهام المتجسدة.

هذه البنية الموحدة هي السمة الأكثر تميزًا للنموذج. تعالج معظم أبحاث الذكاء الاصطناعي المتجسد توليد المشاهد والتنبؤ بالفيديو وتدريب السياسة كخطوط أنابيب منفصلة، كل منها يتطلب جمع البيانات الخاصة به وتدريب النموذج. يفرض نهج Xiaomi مساحة تمثيل مشتركة عبر التوليد والفهم، مما قد يفسر قدرة النموذج على الحفاظ على الاتساق الهندسي عند تغيير المشهد: لا يتم تخيل أوضاع الذراع بل يتم الحفاظ عليها من المسار الأصلي.

رافعة الكفاءة: استدلال أسرع بـ 83 مرة

التوليد الذاتي الانحداري الخام للتسلسلات البصرية بطيء بشكل ملحوظ. يمكن أن يستغرق توليد إطار فيديو عالي الدقة ثوانٍ، مما يجعل خط الأنابيب الكامل غير عملي للحجم اللازم لتعزيز مجموعة بيانات روبوت حقيقية (عادةً مئات الآلاف إلى ملايين الإطارات). تصف Xiaomi بنية تسريع استدلال UNIS، لم تنشر الشركة مقاييس مفصلة أو ورقة بحثية خارج مستودع GitHub، التي تحسن كفاءة التوليد بحوالي 83 مرة مقارنة بنموذج الانحدار الذاتي العادي.

تسريع بمقدار 83 مرة، إذا تم تأكيده من خلال إعادة إنتاج مستقلة، يحول خط أنابيب التوليد من لعبة بحثية إلى أداة إنتاج. مهمة استغرقت 83 دقيقة تستغرق الآن دقيقة واحدة. بهذه السرعة، يمكن لفريق روبوتات توليد متغيرات اصطناعية من مساراته التي تم جمعها بين ليلة وضحاها بدلاً من أسابيع.

المصدر المفتوح كخندق

أصدرت Xiaomi صفحة المشروع الكاملة والكود وأوزان النموذج على GitHub وHuggingFace، ليست معاينة أو ترخيصًا مقيدًا، ولكن متاحة بالكامل. بالنسبة لشركة تبيع الهواتف الذكية وأجهزة إنترنت الأشياء والمركبات الكهربائية، فإن فتح المصدر لنموذج ذكاء اصطناعي متجسد تنافسي أمر غير عادي. الغريزة النموذجية هي إبقاء القدرة داخلية كميزة تنافسية للمنتجات المستقبلية (الروبوتات نفسها أو خط أنابيب البيانات الذي يدربها).

لكن تحرك Xiaomi يعكس نمطًا شوهد مع نماذج اللغة: إطلاق النموذج الأساسي، ثم الاستفادة من مساهمات المجتمع، وإصلاحات الأخطاء، والضبط الدقيق للمهام المحددة، والتقييمات النهائية التي لا يستطيع الفريق الداخلي تمويلها أبدًا بمفرده. عنق الزجاجة للبيانات في الروبوتات يؤثر على كل مختبر. إذا أنشأ مجتمع المصادر المفتوحة آلاف مجموعات البيانات المعززة، فإن روبوتات Xiaomi، سواء الحالية أو المستقبلية، ستكون تلك التي يمكنها استيعاب تلك البيانات بسهولة، لأن النموذج الذي أنشأها يشارك نفس بنية النموذج الذي يعمل في المصنع. هذا ليس صدقة؛ إنه قفل للبنية التحتية.

يضع الإصدار أيضًا Xiaomi كلاعب نادر متكامل كامل في الذكاء الاصطناعي المتجسد. تأتي معظم النماذج الأساسية للروبوتات من الجامعات (VIMA من ستانفورد، R3M من MIT) أو الشركات الناشئة المتخصصة (Physical Intelligence، Covariant). تجمع Xiaomi بين تصنيع الأجهزة ونشر الروبوتات في العالم الحقيقي في مصانعها، والآن أبحاث النموذج الأساسي. المسافة بين ورقة بحثية ومتدرب روبوت في مستودع منتشر تقاس بدورات النماذج الأولية. Xiaomi لديها خط أنابيب قصير.

عنق الزجاجة للبيانات، تمت مهاجمته

الادعاء الأساسي لـ Robotics-U0 ليس درجات المعيار، والتي سيتم تحسينها في غضون أسابيع أو أشهر. إنها الفرضية القائلة إن توليد البيانات الاصطناعية، على نطاق واسع، مع الاتساق الهندسي، عبر نموذج مفتوح المصدر، يمكن أن يوسع بشكل مفيد توزيع التدريب في العالم الحقيقي للروبوتات المادية. إذا ثبتت هذه الفرضية، فلن يعد تراكم أبحاث الذكاء الاصطناعي المتجسد مشكلة تكلفة جمع البيانات بل مشكلة تكلفة حسابية، والتي تتجه في الاتجاه الصحيح. تحسن بنسبة 26% في إنجاز المهام خارج التوزيع لا يزال بعيدًا عن التعميم على المستوى البشري، لكنه النوع من الهامش الذي يكسر الجمود.

الإصدار مفتوح المصدر من Xiaomi لـ Robotics-U0 لا يحل الذكاء الاصطناعي المتجسد. إنه يفعل شيئًا أكثر فورية: إنه يعطي كل مختبر روبوتات طريقة أفضل لإنشاء بيانات التدريب التي كانوا يفتقرون إليها بالفعل. في مجال حيث التقدم مقيد بعدد المرات التي يمكن فيها إعادة ضبط ذراع الروبوت فعليًا، هذا التحول، من جمع البيانات إلى توليد البيانات، قد يكون الاختراق الفعلي.