Китайская компания AGIBOT представила GO-3 Preview — модель искусственного интеллекта, которая позволяет роботам осваивать новые навыки, адаптироваться к незнакомым условиям и совершенствовать свои действия непосредственно во время работы. В испытаниях человекоподобного робота G2 в настоящем магазине показатель успешного выполнения полного рабочего процесса вырос с 28,6% до 85,7% за пять дней.
Главная особенность разработки заключается в том, что робот не просто следует заранее подготовленным инструкциям. Он анализирует результаты своих действий, выявляет причины неудач и использует полученный опыт для последующих попыток. Такой подход может приблизить человекоподобных роботов к самостоятельной работе в магазинах, на производстве и в других местах, где невозможно заранее предусмотреть каждую ситуацию.
Как работает GO-3 Preview?
В основе системы лежит архитектура WRAM (World Reasoning Action Model) — модели, объединяющей рассуждение о задаче, прогнозирование последствий и формирование действий. Она связывает понимание происходящего с физическими движениями робота.
Например, чтобы взять незнакомый предмет, машине недостаточно распознать его камерой. Необходимо также оценить, как лучше подвести руку, каким образом захватить объект и что произойдёт после приложения усилия. GO-3 Preview предназначена для того, чтобы объединить эти этапы в единый процесс принятия решений.
Разработчики стремятся создать систему, способную переносить уже приобретённые навыки на новые задачи, а не требовать отдельного обучения для каждого действия.
Для этого модель использует несколько источников данных:
- Видео от первого лица. Записи показывают, как люди взаимодействуют с предметами и выполняют повседневные действия.
- Данные реальных роботов. Траектории движений связывают визуальную информацию с физическими действиями и их результатами.
- Компьютерные симуляции. В виртуальной среде роботы могут многократно отрабатывать действия, прежде чем применять их в реальном мире.
- Практический опыт. После развёртывания системы роботы продолжают учиться на собственных попытках и корректировать поведение.
Такое сочетание позволяет модели извлекать общие закономерности из разных примеров. В идеале робот, научившийся манипулировать одними объектами, сможет использовать этот опыт при работе с другими, даже если раньше не встречал их в точности в таком виде.
От приготовления еды до сборки конструктора
GO-3 Preview рассчитана на выполнение многоэтапных задач, требующих точных и согласованных движений. В качестве одного из примеров AGIBOT приводит приготовление цзяньбина — традиционной китайской лепёшки с начинкой.
Для этого роботу необходимо выполнить целую последовательность операций, координируя движения и взаимодействуя с ингредиентами и кухонными принадлежностями. Это гораздо сложнее, чем просто переместить предмет из одной точки в другую: действия должны следовать в правильном порядке, а их результаты — соответствовать текущей ситуации.
Другой пример — сборка конструкций из деталей LEGO после дополнительной настройки модели. Здесь искусственный интеллект координирует отдельные этапы, превращая последовательность небольших действий в выполнение общей задачи.
Подобные демонстрации важны потому, что показывают потенциальную способность модели работать с многоступенчатыми процессами. Вместо создания отдельного алгоритма для каждого сценария разработчики рассчитывают использовать общие навыки, которые робот сможет адаптировать к различным условиям.
При этом демонстрация возможностей ещё не означает, что робот уже способен безошибочно выполнять такие задачи в любом доме или на любой кухне. Для оценки практической готовности необходимы дополнительные испытания в разнообразных условиях.
Как робот учится на собственных ошибках?
Одна из ключевых частей разработки — система Genie Evolver, предназначенная для совершенствования навыков после первоначального обучения. Она объединяет данные примерно от 100 физических роботов, компьютерные симуляции и модели окружающего мира, помогая системе совершенствоваться на основе повторяющихся попыток.
Робот может пробовать разные способы выполнения задачи, оценивать результат и корректировать дальнейшие действия. Симуляции дополняют практические испытания, позволяя получать больше обучающего опыта без необходимости проводить каждую попытку на физической машине.
В ходе демонстрации настольного кёрлинга робот после четырёх часов обучения непосредственно во время работы показал результат выше среднего показателя испытанных людей. В другом эксперименте машина пять раз подряд извлекла блоки из башни, не обрушив конструкцию.
Эти примеры иллюстрируют способность системы совершенствовать физические навыки посредством практики и обратной связи. Однако сами по себе они не доказывают, что робот сможет добиться аналогичных результатов при выполнении любых незнакомых задач.
Испытание в настоящем магазине: результат вырос до 85,7%
Наиболее показательный эксперимент AGIBOT провела с роботом G2, работавшим в реальном магазине шаговой доступности.
В этом испытании использовалась система Genie Master — агентная платформа, которая связывает принятие решений, выполнение задач и анализ обратной связи. Она позволяет роботу выявлять причины собственных неудач, менять стратегию действий и сохранять полезный опыт для будущих попыток.
Согласно данным компании, в начале испытаний успешность выполнения всего рабочего процесса составляла 28,6%. Через пять дней показатель вырос до 85,7% и стабилизировался на этом уровне.
В отдельном эксперименте, посвящённом обращению с небольшими крючками, AGIBOT сообщила об улучшении успешности выполнения отдельной задачи на 17,7 процентного пункта по сравнению с традиционным методом дополнительного обучения с учителем.
Особенность подхода заключается в том, что улучшение происходит не только на этапе подготовки модели. Робот продолжает совершенствоваться уже после внедрения, используя результаты реальной работы.
Впрочем, приведённые цифры следует рассматривать как результаты испытаний, о которых сообщила сама компания. Они не означают, что аналогичная эффективность гарантирована в других магазинах, на производстве или при выполнении совершенно иных операций.
Что это означает для будущего человекоподобных роботов?
Одна из главных проблем современной робототехники — необходимость адаптировать машины к условиям, которые отличаются от обучающих примеров. Даже небольшое изменение расположения предметов, освещения или последовательности операций может потребовать дополнительной настройки.
GO-3 Preview призвана уменьшить эту зависимость от предварительной подготовки. Если робот способен самостоятельно извлекать уроки из опыта, его внедрение на новом рабочем месте потенциально потребует меньше ручной настройки и специально собранных данных.
Это особенно актуально для логистики, розничной торговли, промышленного производства и бытовых задач. В подобных сферах роботы регулярно сталкиваются с изменениями окружающей среды, поэтому способность адаптироваться может оказаться не менее важной, чем скорость или точность движений.
AGIBOT планирует открыть исходный код полной версии модели до конца 2026 года. Если компания выполнит это обещание, исследователи и разработчики получат возможность изучить архитектуру и использовать её в собственных проектах.
Таким образом, GO-3 Preview представляет интерес не только как очередная модель искусственного интеллекта для роботов. Её главная идея — переход от машин, которые выполняют заранее освоенные действия, к системам, способным накапливать практический опыт и совершенствовать поведение после начала эксплуатации. Насколько хорошо этот подход проявит себя за пределами демонстрационных испытаний, покажет дальнейшее применение технологии.
