GPT-6 ఆస్ట్రా నియంత్రణలో మానవాకృతి రోబోట్ తెలియని వంటగదిని శుభ్రం చేస్తుంది
స్టాన్‌ఫోర్డ్ మరియు కాల్‌టెక్ పరిశోధకులు HomeBody అనే వ్యవస్థను నిర్మించారు. ఇది Unitree G1 మానవాకృతి రోబోట్ ఇంతకుముందు ఎన్నడూ చూడని వంటగదిలోకి వెళ్లి, ఆ ప్రదేశాన్ని శుభ్రం చేయడం మరియు మనిషి దాని కదలికలను నియంత్రించకుండానే సొరుగుల నుండి వస్తువులను బయటకు తీయడం చేయగలదు. ఈ రోబోట్ GPT-6 ఆస్ట్రాపై నడుస్తుంది, మరియు ఈ ప్రదర్శన టెక్స్ట్ మరియు చిత్రాల నుండి భౌతికంగా ప్రపంచంలో కదిలే యంత్రాలకు ఈ మోడల్ ఉపయోగకరంగా బదిలీ అవుతుందని రుజువు చేసే విస్తృత ఆధారాల సమూహానికి జోడిస్తుంది.
ఇక్కడ ప్రత్యేకంగా నిలిచేది రోబోట్ వస్తువులను పట్టుకోగలదనే విషయం కాదు — ఫ్యాక్టరీ ఆర్మ్‌లు దశాబ్దాలుగా అది చేస్తున్నాయి. బదులుగా, ఈ యంత్రం తాను ఎప్పుడూ ఎదుర్కోని లేఅవుట్ ఉన్న గదిలో ఏమి చేయాలో గ్రహించింది, ఆ ఒక్క వంటగది కోసమే ప్రత్యేకంగా రూపొందించిన పైప్‌లైన్‌ను కాకుండా సాధారణ-ఉద్దేశ్య మోడల్‌ను ఉపయోగించి.
HomeBody ఎలా సమావేశపరచబడింది
GPT-6 ఆస్ట్రా నేరుగా నైపుణ్య లైబ్రరీని పిలుస్తుంది
చాలా రోబోట్-అభ్యాస స్టాక్‌లు భాషా మోడల్ మరియు హార్డ్‌వేర్ మధ్య శిక్షణ పొందిన నియంత్రణ పొరను చేర్చుతాయి. ఆ పొర — తరచుగా టాస్క్-నిర్దిష్ట డేటాపై మెరుగుపరచిన పాలసీ నెట్‌వర్క్ లేదా మోషన్ ప్లానర్ — ఉన్నత-స్థాయి ఉద్దేశాన్ని జాయింట్-స్థాయి ఆదేశాలుగా మారుస్తుంది. HomeBody దానిని తొలగిస్తుంది. మార్చగలిగే విజన్-లాంగ్వేజ్ మోడల్, ఈ సందర్భంలో GPT ఆస్ట్రా, గ్రాస్పింగ్, నావిగేషన్ మరియు సొరుగులు తెరవడం వంటి నైపుణ్యాల విస్తరించదగిన లైబ్రరీలోకి నేరుగా కాల్స్ జారీ చేస్తుంది. లైబ్రరీ మాడ్యులర్ కావడం వల్ల, మొత్తం వ్యవస్థను తిరిగి శిక్షణ ఇవ్వకుండానే వ్యక్తిగత సామర్థ్యాలను జోడించవచ్చు లేదా భర్తీ చేయవచ్చు, మరియు అంతర్లీన VLMను మరొక మోడల్‌తో మార్చుకోవచ్చు.
మొదట అన్వేషించండి, తర్వాత గుర్తుంచుకోండి
ఏదైనా నిర్వహించే ముందు, రోబోట్ గదిని పరిశీలిస్తుంది. ఇది Nvidia యొక్క Isaac Sim లోపల వంటగది యొక్క డిజిటల్ ట్విన్‌ను నిర్మిస్తుంది, తర్వాత వస్తువులు మరియు వాటి స్థానాలను ప్రాదేశిక జ్ఞాపకంలో నమోదు చేస్తుంది. ఆ జ్ఞాపకమే రోబోట్ యొక్క దృష్టి క్షేత్రం నుండి బయటకు వెళ్లిన తర్వాత ఒక వస్తువును గుర్తించడానికి యంత్రాన్ని అనుమతిస్తుంది — ఒక వ్యక్తికి ఇది సాధారణం, కానీ కెమెరా ప్రస్తుతం క్యాప్చర్ చేసే దాని గురించి మాత్రమే ఆలోచించే వ్యవస్థలకు ఇది నిజంగా కష్టం.
ప్రణాళిక, చర్య, స్వీయ-సవరణ
"వంటగదిని శుభ్రం చేయండి" వంటి వదులుగా ఉన్న సూచన ఇచ్చినప్పుడు, భాషా మోడల్ పనిని దశలుగా విభజిస్తుంది, నైపుణ్య లైబ్రరీ ద్వారా వాటిని నిర్వహిస్తుంది, మరియు ఏదైనా తప్పు జరిగినప్పుడు స్వయంగా సవరించుకుంటుంది. ప్రణాళిక స్థిరమైన స్క్రిప్ట్ కాదు. ఇది రోబోట్ కనుగొన్న దానికి మరియు జరిగే వైఫల్యాలకు అనుగుణంగా మారుతుంది, ఇదే ఆటోమేషన్ మరియు సాధారణ-ఉద్దేశ్య ప్రవర్తనకు దగ్గరగా ఉన్న దాని మధ్య వ్యత్యాసం.
నియంత్రణ పొరను తొలగించడం ఎందుకు ముఖ్యం
శిక్షణ పొందిన మధ్యవర్తిని తొలగించడం మొత్తం వ్యవస్థ యొక్క ఆర్థికత మరియు సౌలభ్యాన్ని అనేక విధాలుగా మారుస్తుంది.
- సాధారణీకరణ: ఒకే వంటగది లేఅవుట్ లేదా సన్నని టాస్క్ జాబితాకు రోబోట్ పరిమితం కాదు, ఎందుకంటే తార్కికం ఒక వాతావరణం కోసం సేకరించిన డేటా నుండి కాకుండా మోడల్ నుండి వస్తుంది.
- మాడ్యులారిటీ: నైపుణ్యాలను స్వతంత్రంగా విస్తరించవచ్చు, మరియు మెరుగైనవి వచ్చినప్పుడు విజన్-లాంగ్వేజ్ మోడల్‌ను మార్చుకోవచ్చు.
- ఉద్దేశం యొక్క వివరణాత్మకత: సూచనలను ప్రత్యేక కంట్రోలర్లుగా కంపైల్ చేయడం బదులుగా సాధారణ భాషలో ఇవ్వవచ్చు.
రాజీ ఏమిటంటే, ఇప్పుడు ఒక ఫ్రాంటియర్ మోడల్ నియంత్రణ లూప్ లోపల కూర్చుంది, ఇది వ్యవస్థ యొక్క బలహీనతలు అత్యంత స్పష్టంగా కనిపించే ప్రదేశం.
వ్యవస్థ ఇప్పటికీ ఎక్కడ కష్టపడుతుంది
బృందం యొక్క వృత్తాంతం లోపాల గురించి నిజాయితీగా ఉంది, మరియు అవి నిజ సమయంలో పెద్ద మోడల్‌పై ఆధారపడటం యొక్క ఖర్చు చుట్టూ కేంద్రీకృతమై ఉన్నాయి.
- లేటెన్సీ: రోబోట్ మారుతున్న భౌతిక దృశ్యానికి ప్రతిస్పందించాల్సినప్పుడు GPT-6 ఆస్ట్రా యొక్క ప్రతిస్పందన సమయాలు పరిమితి కారకం.
- హార్డ్‌వేర్ ఒత్తిడి: దీర్ఘకాలిక నిర్వహణ సమయంలో వేలు సర్వోలు వేడెక్కుతాయి, ఇది ఎంత మోడల్ నాణ్యతతోనూ కప్పిపుచ్చలేని యాంత్రిక పరిమితి.
- కంప్యూట్ ఖర్చు: లూప్‌లో ఫ్రాంటియర్ మోడల్‌ను ఉంచడం ఖరీదైనది, ఇది ప్రయోగశాల కాకుండా ఇంట్లో ఇది నడుస్తుందని ఊహించే ఎవరికైనా ముఖ్యం.
వీటిలో ఏదీ చిన్నవి కావు. లేటెన్సీ మరియు వేడెక్కడం అనేవి డెమో వీడియోలు ముగిసిన తర్వాత, ఒక వ్యవస్థ నిమిషాల కాకుండా గంటల తరబడి నడవాల్సినప్పుడు ఉపరితలంపైకి వచ్చే సమస్యల రకం. కంప్యూట్ ఖర్చు HomeBody వంటి విధానం పరిశోధన సెట్టింగ్‌ను ఎప్పుడైనా విడిచిపెడుతుందో లేదో నిర్ణయిస్తుంది.
భద్రతా ప్రశ్నలు మరియు బెంచ్‌మార్క్ రికార్డు
HomeBody మిశ్రమ నేపథ్యంలో వస్తుంది. మునుపటి బెంచ్‌మార్క్‌లు ఆస్ట్రా యొక్క ప్రాదేశిక తార్కికం గణనీయంగా మెరుగుపడిందని చూపించాయి — వస్తువులు ఎక్కడ ఉన్నాయి మరియు వాటిని ఎలా చేరుకోవాలి అనే దాని గురించి ఆలోచించాల్సిన మోడల్‌కు ఇది ముందస్తు అవసరం. అదే సమయంలో, ఆస్ట్రాకు రోబోట్ నియంత్రణ ఇచ్చినప్పుడు ప్రత్యేక పని భద్రతా సమస్యలను ఎత్తిచూపింది. ఆ రెండు కనుగొన్న విషయాలు అసౌకర్యంగా కలిసి ఉన్నాయి: మోడల్‌ను నిర్వహణకు ఉపయోగకరంగా చేసే అదే సామర్థ్యం దాని తీర్పు తప్పైనప్పుడు పందెం పెరిగేలా చేస్తుంది.
నైపుణ్య లైబ్రరీలోకి నేరుగా ఆదేశాలు జారీ చేసే భాషా మోడల్ చెడు నిర్ణయం మరియు భౌతిక పరిణామం మధ్య దూరాన్ని తగ్గిస్తుంది. శిక్షణ పొందిన నియంత్రణ పొర లేకపోవడం గతంలో అసంభవమైన లేదా అసురక్షిత చర్యలను నిరోధించి ఉండే ఫిల్టర్‌ను తొలగిస్తుంది. ఇది విధానాన్ని అసాధ్యం చేయదు, కానీ భద్రతా మూల్యాంకనం సామర్థ్య మూల్యాంకనం వెనుక కాకుండా దానితో పాటు కదలాలని అర్థం.
ఎంబాడీడ్ AI వైపు విస్తృత ప్రయత్నం
HomeBody విస్తృత మార్పు మధ్యలో నిలుస్తుంది. OpenAI ఇప్పటికే రోబోటిక్స్‌కు తిరిగి రావాలనే ప్రణాళికలను ప్రకటించింది, వ్యక్తిగత ఉపయోగం కోసం ఉద్దేశించిన యంత్రాలతో సహా. ఆ ఆశయం ఇలాంటి ప్రదర్శనలకు విద్యాపరమైన దానికి మించిన వాణిజ్య సందర్భాన్ని ఇస్తుంది: ఒక సాధారణ మోడల్ తెలియని గదిలో మానవాకృతిని నడపగలిగితే, ఒకే శక్తివంతమైన మోడల్ చుట్టూ హార్డ్‌వేర్ నిర్మించడానికి వాదన చాలా బలంగా మారుతుంది.
స్టాన్‌ఫోర్డ్ మరియు కాల్‌టెక్ పనిని ఆ ఆధార ప్రతిపాదన యొక్క పరీక్షగా చదవడం ఉత్తమం. ఇది గృహ రోబోటిక్స్‌ను పరిష్కరిస్తానని చెప్పుకోదు. చాలా మంది పరిశోధకులు అవసరమని భావించిన పొర — భాష మరియు కదలికను వంతెన చేసే శిక్షణ పొందిన కంట్రోలర్ — కనీసం ఈ కాన్ఫిగరేషన్‌లో, పునర్వినియోగించదగిన నైపుణ్యాల లైబ్రరీలోకి నేరుగా కాల్స్ ద్వారా భర్తీ చేయవచ్చని ఇది చూపిస్తుంది.
కోడ్ పబ్లిక్, మరియు ప్రశ్నలు తెరిచి ఉన్నాయి
HomeBody కోడ్ GitHubలో అందుబాటులో ఉంది, అంటే ఇతర బృందాలు వేర్వేరు రోబోట్లు మరియు వేర్వేరు గదులపై అదే ఆర్కిటెక్చర్‌ను పరిశీలించవచ్చు. ఆసక్తికరమైన ప్రశ్నలు ఇప్పుడు అనుభవపూర్వకమైనవి. వంటగది మరింత అస్తవ్యస్తంగా ఉన్నప్పుడు, వస్తువులు తెలియనివి అయినప్పుడు, లేదా పని గంటల తరబడి సాగినప్పుడు పనితీరు ఎంత తగ్గుతుంది? విజయంలో ఎంత నైపుణ్య లైబ్రరీ నుండి మరియు ఎంత మోడల్ యొక్క స్వంత తార్కికం నుండి వస్తుంది? మరియు లేటెన్సీ, వేడి, మరియు కంప్యూట్ బడ్జెట్‌లను పాదసూచికలుగా కాకుండా ప్రథమ-శ్రేణి పరిమితులుగా పరిగణించినప్పుడు ఏమి జరుగుతుంది?
ప్రస్తుతానికి, ఈ ప్రదర్శన GPT-6 ఆస్ట్రా రోబోట్లతో బాగా పనిచేస్తుందనే మరో డేటా పాయింట్‌గా నిలుస్తుంది — మరియు ఆకర్షణీయమైన వంటగది డెమో మరియు నమ్మదగిన గృహ యంత్రం మధ్య అంతరం ఇప్పటికీ సర్వోలు, సెకన్లు, మరియు డాలర్లలో కొలవబడుతుందని గుర్తు చేస్తుంది.
ఈ వ్యాసం The Decoder యొక్క రిపోర్టింగ్ ఆధారంగా రూపొందించబడింది. అసలు వ్యాసాన్ని చదవండి.
Originally published on the-decoder.com
