El último modelo de fundación encarnado del generalista, GEN-1, ahora apoya una amplia gama de efectos de extremo robot. La empresa dijo que GEN-1 es compatible con las manos de cinco puntas a herramientas especializadas con nuevos modos de accionamiento y todo en medio.
Por formación GEN-1 para trabajar con estas nuevas manos, Generalista dijo que está demostrando que una sola base AI modelo puede aprender políticas sensorimotores sobre robots que transfieren a través de formas radicalmente diferentes de interactuar con el mundo físico.
A continuación, la compañía compartió ejemplos de estas manos en acción y donde piensa que esto se dirige.
Generalizar GEN-1 a muchas manos
GEN-1 está preentrenado en el conjunto de datos de robótica interna del generalista, que ahora abarca una amplia variedad de diferentes terminales en más de medio millón de horas de datos de interacción real. Algunos efectos finales implican nuevos factores de forma con sus propios esquemas de accionamiento y posiciones de cámara, algunos inspirados en casos de uso comercial real. Otras son herramientas fuera de la plataforma, piezas impresas o modificaciones personalizadas a las agarre estándar de dos dedos de la empresa, aproximadamente 9.000 variaciones hasta ahora, todas ellas elegidas para exponer el modelo a una amplia gama de física de contacto.
Guardar la fecha para RoboBusiness 2026Las manos pueden cambiar, la física no
Cada efector final es una interfaz sensorimotor diferente a través de la cual GEN-1 experimenta el mundo físico, una manera de aprender sobre geometría, contacto, fricción, fuerzas y dinámicas. El preentrenamiento de escala en miles de estas interfaces enseña representaciones sensorimotores universales GEN-1: un general físico commonsense que transfiere a nuevas manos y nuevas formas de captar, empujar, tirar, retorcer y más.
Cada mano es un lenguaje diferente para la interacción física
Cada mano es su propio vocabulario para actuar en el mundo. Los destornilladores giran más rápido de lo que los dedos pueden coincidir. Controlar un dispensador de cinta requiere controlar la tensión y la colocación inmediatamente. Tongs introduce el cumplimiento y la dinámica de la fuerza de primavera que cambian cómo se debe abordar un objeto. Las espátulas y raspadores de metal trabajan contra una superficie en lugar de alrededor de un objeto, lo que significa razonar sobre contacto distribuido en lugar de puntos de contacto individuales. Un cortador de caja o un pelador vegetal exige fuerza controlada a lo largo de un camino limitado.
Justo como entrenamiento en varios idiomas produce modelos de lenguaje más capaces (Los conceptos aprendidos en un idioma mejoran la comprensión en otro), aprender a través de muchas manos es beneficiar la inteligencia física. Un modelo formado a través de las encarnaciones puede reunir conocimientos compartidos a través de los casos y más fácilmente separar lo específico a una herramienta de lo que es universal sobre el mundo. Cambiar entre los Efectores finales para alcanzar una meta luego se convierte en una forma de razonamiento físico: usando la herramienta correcta para el trabajo correcto, tanto como cadena multilingüe de pensamiento puede mejorar el razonamiento del modelo de lenguaje para el aprendizaje de refuerzo aguas abajo.
Sin embargo, no todas las manos ayudarán. Algunos efectos finales pueden proporcionar poca señal de aprendizaje, y algunos, como los apretones de dos niveles de Generalista, cargarán más peso del mundo real que otros, tanto como el inglés domina los modelos de lenguaje de hoy. Generalista está estudiando cómo cada nuevo efector final cambia el modelo preentrenado, expandiendo deliberadamente el conjunto de datos y evaluando sobre parámetros reales.
Estudiando cómo GEN-1 se adapta a nuevas manos
Las manos y las herramientas no son sólo formas diferentes; cada una es una forma diferente de interacción que el modelo necesita aprender. El generalista puede medir esto analizando cuántos pesos modelo se mueven durante el ajuste fino como una señal cuantitativa de lo nuevo que es realmente un efecto final.
Comparando el GEN-1 preentrenado al mismo modelo después de ajustarse a una nueva herramienta, la empresa puede tratar la diferencia como una “actualización de tareas”. Análisis de vectores de tareas similares han estudiado cómo el ajuste fino mueve modelos de fundación a través del espacio de peso. Aquí, el generalista aplica la lente para encarnar, descomponer las actualizaciones a través del procesamiento de sensores, el razonamiento armónico y la actuación en la arquitectura y visualizarlas a continuación.
Esto le dice a la empresa que los efectos finales llevan la información más nueva y donde esa novedad aterriza en la arquitectura. Los Whisks, por ejemplo, cambian los pesos de procesamiento de sensores mucho más que los peelers, probablemente porque el modelo tiene que percibir la geometría del alambre delgado del whisk. Eso apunta directamente a una intervención de datos: recoger herramientas más finas y visualmente escasas para fortalecer precisamente ese subsistema.
Adaptarse a diferentes manos en la mosca
¿Qué pasa cuando cambias la mano a media hora? El generalista puede probar esto directamente: con el modelo mid-rollout, cambiamos físicamente su efecto final y dejamos que el mismo modelo siga funcionando. Percibe la nueva herramienta, las condiciones en lo que ve, y encuentra una nueva trayectoria y estrategia de contacto para alcanzar el mismo objetivo.
Esto funciona porque el entrenamiento en datos mixtos obliga al modelo a condicionar su comportamiento en la mano delante de él. En lugar de memorizar un conjunto fijo de estrategias de manipulación, aprende algo más cercano a un anterior sobre cómo las formas y las superficies de contacto interactúan con el mundo, y qué estrategia de accionamiento debe seguir. El resultado es un modelo único que reconoce su propia herramienta y se adapta: hacia una inteligencia para muchas manos.
Hacia una explosión cambriana de factores de forma de robot
La naturaleza no converge en una sola solución para manipular el mundo físico.
Explotó en millones. Puedes ver esto en todas partes en la diversidad de la vida que nos rodea: desde el pico de un pájaro, hasta el tronco de un elefante, desde las almohadillas de succión de un pulpo, hasta las cestas de polen de una abeja. Cada uno da a su propietario una manera diferente de agarrar, empujar y tirar, y estos son sólo algunos puntos en un espacio de diseño tan grande que apenas hemos empezado a mapear.
Los robots no están encerrados en las manos con las que nacen.
A diferencia de los humanos, los robots pueden cambiar fácilmente las manos mecánicas, y los cambiadores de herramientas ya son comunes en la automatización. Desarrollado por la inteligencia correcta, los robots pueden cambiar entre los efectos finales y componer modos de accionamiento para realizar tareas de maneras que van más allá de lo que los humanos pueden hacer. A veces una herramienta altamente especializada es exactamente correcta, y los sistemas generalistas deben ser capaces de saber cuándo y cómo utilizar la mejor herramienta para el trabajo.
Construcción de inteligencia física general
Si podemos construir inteligencia general que comprenda la física subyacente de la interacción, entonces la forma de la mano se vuelve secundaria a la inteligencia que la impulsa. Una almohadilla de succión, un agarre, un cepillo, una boquilla de soldadura de plasma, son todas interfaces diferentes a través de las cuales la misma inteligencia puede remodelar el mundo físico.
El futuro de las manos robot no se verá como el generalista, dijo la compañía. Se verá más como una caja de herramientas con mil manos: aumentada, recombinada y escalada. Las manos de cinco manos serán una herramienta entre muchos; limitar los robots a sólo eso sería un fracaso de la imaginación. Los robots siempre estaban destinados a extender lo que los humanos pueden hacer, para empoderar a las personas para formar el mundo físico en lugares y a escalas que nunca antes pudimos.
El puesto El modelo GEN-1 de la fundación del generalista ahora soporta una gama de efectos de extremo robot apareció primero The Robot Report.
Fuente: Leer completo
Líderes en información sobre robótica latinoamérica.
Líderes en información sobre robótica latinoamérica.
Somos tu guía de robótica referente en la región.
