Prométheusz tüzet lopott az embereknek, és ezért örök kárhozatra ítéltetett. Az NVIDIA most egy robotot tanított meg ugyaneerre – vélhetően a harmadik negyedéves részvényesi jelentés fényének emelése érdekében. A vállalat Generalist Embodied Agent Research (GEAR) laborja nemrégiben tette közzé a GR00T-2 projektről készült videóját, ami a zavarba ejtően precíz manipuláció mesterkurzusa. Itt már nem kockákkal szerencsétlenkedő, darabos mozgású automatákról van szó: ez a kétkarú robotrendszer olyan magabiztossággal gyújt meg egy gyufát, lobbantja lángra a borszeszégőt, vagy használja az ollót, amiről a koffeintúladagolástól remegő emberi kéz csak álmodozhat.
A robotika évtizedek óta küzd a finommotorika „utolsó mérföldjének” problémájával. Vannak robotjaink, amik autókat emelgetnek és raktárakban navigálnak, de ha megkérjük őket, hogy fűzzenek be egy tűt vagy dugjanak be egy USB-kábelt, nagyjából akkora sikerrel járnak, mintha a posztmodern irodalomról faggatnánk őket. Pontosan ettől olyan letaglózó a GR00T-2 bemutatója. Ez egy frontális támadás a finommotoros gátak ellen, egy olyan ügyességi szintet demonstrálva, amivel a robotok végre kilépnek az egyfeladatos gépek skatulyájából, és valódi, általános célú eszközökké válnak.
Az ész az erő mögött
A valódi mágia nem a spéci, alacsony költségvetésű hardverben rejlik, hanem a szálakat mozgató AI-modellben. A GR00T-2 az, amit az NVIDIA világ-akció modellnek (world-action model – WAM) hív, ami egy komoly szintlépés a területet eddig uraló látás-nyelv-akció (VLA) modellekhez képest. Ahelyett, hogy csak a következő mozdulatot jósolná meg, a GR00T-2 a jövőbeli videókockákat és az azokhoz vezető akciókat is vizionálja. Lényegében elsajátítja a fizikai következmények modelljét – egyfajta intuíciót arra nézve, hogyan változtatja meg mozgása a környező világot.
A modellt egy kolosszális és sokszínű adathalmazon tanították be: több mint 400 000 órányi belső nézetes (first-person) emberi videón, valamint több tízezer órányi robot-távirányítási adaton. Ez az „X-Adapt” névre keresztelt keresztadaptációs megközelítés lehetővé teszi a robot számára, hogy puszta megfigyeléssel tanuljon el készségeket az emberektől, még akkor is, ha korábban soha nem próbálta az adott feladatot. Például a GR00T-2 pusztán videók alapján 65%-os sikerrel tanulta meg egy szűrőpapír behelyezését a laboratóriumi tölcsérbe.
Az eredmények pedig magukért beszélnek. A dobozból kivéve, mindenféle feladatspecifikus útmutatás nélkül, a GR00T-2 az 50 vizsgált feladatból 40-et legalább egyszer hiba nélkül teljesített. Egyetlen bemutató után az átlagos sikerességi rátája 71%-ra ugrott. Ha pedig kap öt demonstrációt – ami feladatonként kevesebb mint három percnyi adatot jelent –, egy rövid finomhangolás után ez az arány 95%-ra lő ki.
A laborból a gyárszalag mellé
Bár a gyufagyújtás látványos partitrükk, az NVIDIA és partnerei ennél jóval praktikusabb alkalmazásokban gondolkodnak. A GR00T-2 által felvonultatott kézügyesség kritikus fontosságú a gyártásban, a logisztikában, sőt, még a vendéglátásban is. A deformálható tárgyak – például kábelek és textilek – kezelésének képessége, amit az új Isaac Lab 3.0 szimulációs platform és a Newton fizikai motor tett lehetővé, az automatizálás teljesen új határvidékeit nyitja meg.
Az iparági óriások már sorban állnak. A Foxconn a GR00T-2-t a szervergyártás automatizálására használja, míg a Siemens az ipari alkalmazások széles skáláján teszteli a rendszert. Egy másik cég, a Nexuni, már a robotizált mosodai munka sziszifuszi feladatára készíti fel a modellt. Ezek már nem csupán elméleti kísérletek, hanem kézzelfogható lépések az általános célú robotok komplex, valós környezetben történő bevetése felé.
Ez a törekvés szerves része az NVIDIA azon stratégiájának, hogy a teljes robotikai iparág központi idegrendszerévé váljon. Az alapmodellekkel (GR00T), a szimulációs környezettel (Isaac Lab) és a fedélzeti számítógépekkel (Jetson Thor) a vállalat egy olyan ökoszisztémát épít, amely az autonóm gépek fejlődését hivatott brutálisan felgyorsítani.
Nyugtalanító pillantás a jövőbe
Vajon ez a robotika „ChatGPT-pillanata”, amit Jensen Huang vezérigazgató megjövendölt? Még nem egészen, de a kanócot már meggyújtották. A kifinomult alapmodellek, a hiperrealisztikus szimuláció és a hatalmas, nem-robotikai forrásokból származó adatokon alapuló tanulás egy olyan öngerjesztő folyamatot indított el, aminek a vége beláthatatlan.
A GR00T-2 bemutatója több mint egy látványos technológiai demó: ez egy hadüzenet a korlátoknak. Azt mutatja, hogy a robotika szűk keresztmetszete a hardverről a szoftverre, az egyedi mérnöki megoldásokról a skálázható AI-ra tevődik át. Egyelőre a GR00T-2 csak laborfelszereléseket gyújtogat ellenőrzött körülmények között. Holnap viszont már lehet, hogy ő rakja össze a kütyüinket, válogatja a csomagjainkat, vagy – és ez az igazi kihívás – végre élére hajtogatja a gumis lepedőt. Na, az lenne az igazi áttörés.