Nedávno Obrázok AI, inovatívna spoločnosť v oblasti robotiky v Spojených štátoch, vydala významný prielom: všeobecný model akcie vizuálneho jazyka (VLA) s názvom Helix. Tento model po prvýkrát realizuje vysokorýchlostné kontinuálne ovládanie úplného horného tela humanoidného robota a dokonale integruje vnímanie, porozumenie jazyka a kontrolu učenia.
Príchod modelu Helix je dôležitým krokom vpred v prevádzkovej flexibilite humanoidných robotov. S jednoduchými príkazmi v prirodzenom jazyku môže robot ľahko pochopiť takmer akýkoľvek malý objekt domácnosti, dokonca aj tie, ktoré sa počas tréningu nikdy nedotkli, bez predchádzajúceho demonštrácie alebo vlastného programovania. Táto schopnosť je spôsobená silnou zovšeobecňovacou schopnosťou modelu špirály.
Obrázok AI zdôraznil, že model Helix vytvoril množstvo odvetvia. Prvýkrát umožňuje vysokorýchlostné kontinuálne ovládanie celého horného tela humanoidného robota, vrátane flexibilného ovládania zápästia, trupu, hlavy a každého prsta. Pri testovaní robot úspešne spracoval tisíce nových položiek, ktoré boli preplnené dezorganizáciou, od skla a hračiek po náradie a oblečenie, bez predchádzajúceho demonštrácie alebo programovania.
Ešte úžasnejšie je, že model Helix má aj možnosti spolupráce s viacerými robotmi. V teste boli dvaja roboti schopní spolupracovať na dlhodobých a zložitých úlohách a spolupracovali na nikdy predtým nevídaných predmetoch, ako napríklad vyriešenie neznámych potravín. Táto schopnosť otvára viac možností praktického uplatňovania robotov v domácom prostredí.
Model Helix tiež demonštruje vynikajúce porozumenie scény a sémantické schopnosti analýzy. Keď je výzva na „vyzdvihnutie púštneho objektu“, robot nie je schopný len rozpoznať, že hračkársky kaktus vyhovuje tomuto abstraktnému konceptu, ale tiež vyberie najbližšiu ruku a vykonáva presnú uchopovaciu akciu. Táto univerzálna funkcia uchopenia, od jazyka po pohyb, poskytuje väčšie pohodlie pre nasadenie humanoidných robotov v neštruktúrovaných prostrediach.
Model Helix bol schopný dosiahnuť tieto prielomy vďaka svojej priekopníckej architektúre duálneho systému. Architektúra pozostáva zo systému 1 a systému 2, ktoré sú zodpovedné za vysokorýchlostné presné ovládanie, porozumenie scény a sémantické analýzy. Systém 2 je založený na otvorenom zdrojovom VLM s parametrami 7b, ktorý pracuje pri frekvencii 7-9 Hz, aby sa zabezpečila zovšeobecnenie medzi objektmi a scenármi. Systém 1 je model vizuálnej motorickej stratégie 80 m, ktorý prevádza sémantické znázornenie systému 2 na kontinuálne akčné pokyny pri frekvencii 200 Hz, aby sa dosiahla odozva v reálnom čase na úrovni milisekund. Táto oddelená architektúra umožňuje týmto dvom systémom vykonávať svoje príslušné funkcie a spolupracovať na dosiahnutí efektívnej kontroly humanoidných robotov.
Modely Helix počas tréningu využívajú veľmi málo zdrojov. Tím, ktorý využil iba asi 500 hodín vysokokvalitných údajov pod dohľadom, bol schopný dosiahnuť robustnú zovšeobecnenie objektov. Tieto údaje predstavujú menej ako 5% veľkosti predtým zozbieraných súborov údajov VLA a nespoliehajú sa na zber entít s viacerými botmi alebo viacstupňové školenie. Tento úspech nielen demonštruje účinnosť modelu špirály, ale tiež poskytuje viac možností rozvoja humanoidných robotov v budúcnosti.