كشفت مجموعة الروبوتات في قسم DeepMind في Google عن ثلاثة منتجات جديدة ستساعد الروبوتات على اتخاذ قرارات أسرع والتصرف بكفاءة وأمان أكبر أثناء أداء المهام حول الأشخاص.
يعتمد نظام جمع البيانات الخاص بـ AutoRT على نموذج اللغة المرئية (VLM) ونموذج اللغة الكبير (LLM) - حيث يساعدان الروبوتات على تقييم البيئة والتكيف مع المواقف غير المألوفة واتخاذ القرارات بشأن أداء المهام. يتم استخدام VLM لتحليل البيئة والتعرف على الأشياء ضمن نطاق الرؤية، في حين أن LLM مسؤول عن التنفيذ الإبداعي للمهام. كان الابتكار الأكثر أهمية في AutoRT هو الظهور في كتلة LLM لـ "Robot دستور" - أوامر موجهة نحو السلامة تخبر الآلة بتجنب اختيار المهام التي تتضمن الأشخاص والحيوانات والأشياء الحادة وحتى الأجهزة الكهربائية. ولأغراض السلامة الإضافية، تتم برمجة العمل للتوقف عندما تتجاوز القوة المؤثرة على المفاصل حدًا معينًا؛ ويحتوي تصميمها الآن على مفتاح مادي إضافي يمكن لأي شخص استخدامه في حالات الطوارئ.
على مدى الأشهر السبعة الماضية، نشرت جوجل 53 وظيفة مع نظام AutoRT في أربعة من مباني مكاتبها وأجرت أكثر من 77 اختبار. تم التحكم في بعض الآلات عن بعد من قبل المشغلين، بينما كان البعض الآخر يؤدي المهام بشكل مستقل إما بناءً على خوارزمية معينة أو باستخدام نموذج المحول الآلي (RT-2) AI. حتى الآن، تتمتع كل هذه الروبوتات بمظهر بسيط للغاية: فهي عبارة عن أطراف مناورة على قاعدة متحركة وكاميرات لتقييم الوضع.
وكان الابتكار الثاني هو نظام SARA-RT (الانتباه القوي للتكيف الذاتي لمحولات الروبوتات)، الذي يهدف إلى تحسين تشغيل نموذج RT-2. ووجد الباحثون أنه من خلال مضاعفة البيانات المدخلة، على سبيل المثال، زيادة دقة الكاميرات، فإن حاجة الروبوت إلى موارد الحوسبة تزيد أربعة أضعاف. تم حل هذه المشكلة من خلال طريقة جديدة لضبط الذكاء الاصطناعي، تسمى التدريب المتقدم - تعمل هذه الطريقة على تحويل النمو التربيعي للحاجة إلى موارد الحوسبة إلى نمو خطي تقريبًا. ونتيجة لهذا، يعمل النموذج بشكل أسرع، مع الحفاظ على الجودة السابقة.
وأخيرًا، قام مهندسو Google DeepMind بتطوير نموذج RT-Trajectory AI، الذي يبسط تدريب الروبوتات على أداء مهام محددة. بعد تحديد المهمة، يوضح المشغل نفسه عينة من تنفيذها، ويقوم RT-Trajectory بتحليل مسار الحركة الذي حدده الشخص ويكيفه مع تصرفات الروبوت.
اقرأ أيضا: