Ez az a pillanat, amikor a robotikai iparágnak nemcsak a kávéja akad meg a torkán, de a teljes tervrajzait is újra kell gondolnia. Az Ant Group – igen, az Alibaba-birodalomhoz tartozó fintech-óriás – váratlanul egy komplett, a „testet öltött intelligenciához” (embodied intelligence) szükséges technológiai stéket zúdított a gyanútlan világra. A legjobb az egészben? Minden nyílt forráskódú, a meglepően megengedő Apache 2.0 licenc alatt. Ez nem csupán egy újabb modell a sok közül: ez az érzékelés, a cselekvés és a képzelet háromszögére épülő mestermű, amelyet arra terveztek, hogy a következő generációs robotok univerzális agyaként szolgáljon.
Míg a világ nagy része azzal volt elfoglalva, hogy a YouTube-on szaltózó humanoid robotokat bámulja, az Ant Group Robbyant részlege csendben azon szoftvereken dolgozott, amelyek végre tényleg hasznossá is teszik ezeket a gépeket. A LingBot gyűjtőnév alatt nem egy, hanem rögtön három, egymással szorosan összekapcsolódó alapmodellt mutattak be. Ezek a robotika legkeményebb diót jelentő kihívásait célozzák: hogyan lásson, cselekedjen és tervezzen előre egy gép a kaotikus, kiszámíthatatlan való világban. Ez egy merész, stratégiai húzás, amely jelzi a váltást az egyedi robotagyak korszakából egy szabványosított, „Android-szerű” platform felé, amelyre bárki építkezhet.
Háromfogásos menü a testet öltött MI számára
Az Ant Group kiadása egy teljes körű eszköztár a robotikai intelligenciához, amely lefedi az érzékelést, a cselekvést és a „képzeletet”. Ez egy holisztikus megközelítés, amely a teljes folyamatot kezeli: a világ érzékelésétől kezdve az interakcióig.
Elsőként itt a LingBot-Depth, a térbeli érzékelésért felelős modell. Ezt követi a LingBot-VLA, egy látvány-nyelv-akció (Vision-Language-Action) modell, amely a parancsokat fizikai mozgássá fordítja le. Végül pedig a koronaékszer: a LingBot-World, egy interaktív világmodell, amely képes szimulálni a valóságot a tanításhoz és a tervezéshez. Együtt egy komoly kísérletet jelentenek a robotikai MI-probléma teljes körű megoldására.
LingBot-VLA: Egy agy, amit 2,2 évnyi valóságon edzettek
A legnagyobb visszhangot – nem véletlenül – a LingBot-VLA váltotta ki. Döbbenetes mennyiségű, 20 000 órányi valódi robotadat alapján tanították be. Hogy ezt kontextusba helyezzük: ez több mint 2,2 évnyi folyamatos munkát jelent, ahol a robot megállás nélkül feladatokat hajtott végre, tanult a hibáiból, és rájött, hogyan működik a fizikai világ. Ez nem szimuláció; ez kőkemény tapasztalat.
Ezt a masszív adathalmazt kilenc különböző népszerű, kétkarú robotkonfigurációtól gyűjtötték össze, ami kritikus fontosságú az általánosíthatóság szempontjából. A VLA célja egy olyan „univerzális agy” létrehozása, amely képes különféle típusú robotokat irányítani anélkül, hogy minden egyes új hardverhez méregdrága újraiskolázásra lenne szükség. Az Ant Group állítása szerint a LingBot-VLA egyaránt alkalmazható egykarú, kétkarú és humanoid platformokon is, ami régóta vágyott cél a szakmában.
Az eredmények magukért beszélnek. A GM-100-as valódi robotokon végzett benchmark teszteken a LingBot-VLA állva hagyta a versenytársakat, különösen akkor, ha testvérével, a LingBot-Depth modellel párosították a térlátás javítása érdekében. Emellett 1,5–2,8-szor gyorsabb tanítási sebességet produkált a meglévő keretrendszereknél, ami kulcsfontosságú tényező a szűkebb költségvetésből gazdálkodó fejlesztők számára.
Lelki szemek és digitális homokozó
A világ érzékelése a csata fele, és itt lép be a képbe a LingBot-Depth. Ezt az alapmodellt arra tervezték, hogy zajos, hiányos és ritkás szenzoradatokból is tűpontos 3D-s térképet generáljon. Képes akár a rendelkezésre álló mélységi információk kevesebb mint 5%-ából is dolgozni – ez a forgatókönyv mindennapos a csillogó felületek vagy átlátszó tárgyak esetén, amelyek a hagyományos szenzorokat teljesen összezavarják. Pontosan erre a robusztus észlelésre van szükség ahhoz, hogy egy robot a steril laboratóriumokon kívül is működőképes maradjon.
De a leginkább észbontó rész a csomagban a LingBot-World. Ez egy interaktív világmodell, amely az MI „digitális homokozójaként” funkcionál. Képes közel 10 percnyi stabil, irányítható és fizikailag megalapozott szimulációt generálni valós időben. Ez közvetlen választ ad a legtöbb videogeneráló modellt sújtó „hosszú távú sodródás” (long-term drift) problémájára, ahol a jelenetek néhány másodperc után szürreális rémálommá hullanak szét.
Ami még lenyűgözőbb, hogy a LingBot-World interaktív. Körülbelül 16 képkocka/másodperc sebességgel fut, kevesebb mint egy másodperces késleltetéssel, így a felhasználók szöveges utasításokkal irányíthatják a karaktereket vagy változtathatják meg a környezetet, és azonnali visszacsatolást kapnak. Rendelkezik a „zero-shot” általánosítás képességével is: elég neki egyetlen fotót mutatni egy valódi helyszínről, és képes abból egy teljesen interaktív világot generálni, mindenféle helyszínspecifikus előtanítás nélkül.
A robotika Android-stratégiája
Adódik a kérdés: miért öli egy fintech cég az erőforrásait ingyenes robotagyak fejlesztésébe? A válasz az anyavállalatnál, az Alibabánál keresendő. E-kereskedelmi és logisztikai óriásként az Alibaba rengeteget nyerhet a széles körben elterjedt, olcsó és intelligens automatizáción. Azzal, hogy az alapréteget nyílt forráskódúvá tették a megengedő Apache 2.0 licenc alatt, az Ant Group az egész világot arra invitálja, hogy az ő platformjukra építsék a robotika következő generációját. Ez egy klasszikus ökoszisztéma-építő húzás.
A Hugging Face-en közzétett anyag nem csak egy egyszerű adatcsomag; tartalmaz egy teljes, éles bevetésre kész kódbázist, adatfeldolgozó eszközökkel, finomhangolási lehetőségekkel és értékelő szoftverekkel együtt. Az Ant Group nemcsak halat ad, hanem egy egész halászflottát és a tervrajzokat is, hogy még többet építhessünk.
Bár a versenytársaknak is vannak lenyűgöző modelljeik, sokukat zárt API-k vagy korlátozó licencek mögé rejtik. Az Ant Group döntése a teljes nyitottság és az üzletbarát megközelítés mellett lehet az a szikra, amely beindítja a robotikai innováció „kambriumi robbanását”. A verseny már nem csak arról szól, kinek van a legokosabb MI-je, hanem arról, ki tudja köré a legélőbb és legtermékenyebb ökoszisztémát felépíteni. A LingBot-trilógiával az Ant Group éppen most tett egy igen meggyőző kezdőlépést.
