Nvidia'nun GR00T 2 dünya-aksiyon modeli yüzde 40 zero-shot başarı ve robotlar arası beceri aktarımı iddiasında bulunuyor

Nvidia, robotik araştırmaları için açık bir model olan GR00T 2'yi yayınladı; şirket bu modeli bir "dünya-aksiyon modeli" olarak tanımlıyor: demonstrasyonlardan fiziksel beceriler öğrenen ve bu becerileri farklı gövdelere sahip robotlara taşıyacak şekilde tasarlanmış bir sistem. Nvidia'nun duyurusu ve whitepaper'ına dayanan bir dev.to yazısına göre şirket, 50 görev üzerindeki denemelerde yüzde 40 zero-shot başarı bildiriyor; fine-tuning sonrasında ise daha güçlü sonuçlar elde ediliyor.

Sonraki adımı öngören bir model

GR00T 2 iki tür tahmini bir araya getiriyor: sahnenin bundan sonra nasıl görüneceği ve robotun bundan sonra ne yapacağı. Model bir hareketi izole bir komut olarak ele almak yerine, bir talimatı, gözlemlenen sahneyi ve bir eylemin olası sonuçlarını birbirine bağlıyor; örneğin bir nesnenin temasla nasıl kayabileceğini veya bir kavramışın ne kadar kuvvet gerektirdiğini öngörüyor. Nvidia bunu, özellikle nesnelerin, yüzeylerin veya robot gövdelerinin eğitim örneklerinden farklı olduğu durumlarda, hüner yoğun manipülasyona uygun olarak konumlandırıyor.

Model hem insan hem de robot demonstrasyonlarıyla eğitiliyor. dev.to özetine göre insan videosu bir görevin yapısını insanın bakış açısından aktarırken, robot verisi kontrol, hareket ve fiziksel etkileşim hakkında ayrıntı ekliyor. Nvidia modeli 9 Kasım'da duyurdu ve 13 Kasım'daki bir X paylaşımında onu robotik araştırmaları için en gelişmiş açık "System One" modeli olarak nitelendirdi; model şirketin Cosmos platformu üzerine inşa edildi.

Donanım değişiminden sağlam çıkan beceriler

En etkili iddia tek bir görevdeki performans değil, aktarım: bir platformda öğrenilen beceri, farklı bir kol, gripper veya sensör düzenlemesine sahip bir makinede de kullanılabilir olmalı. Bu, robotikteki kalıcı bir darboğaza işaret ediyor. Fiziksel veri toplamak pahalı ve bazen riskli; her yeni gövdeyi (embodiment) yeniden eğitmek de dağıtımı yavaşlatıyor. Gösterilen bir davranışı her gövdeye uyarlayabilen paylaşımlı bir model, her platform için ayrı bir foundation model karşılayamayacak üniversiteler, girişimler ve üreticiler için bu maliyeti düşürebilir.

Yüzde 40 rakamı bağlam gerektiriyor

Manşetteki rakam itiraz aldı. Post-Hype Tech için yazan Samarth Urs, lansman iddiasını araştırmadan çok başlık açısından "abartılı" buldu. dev.to yazısının aktardığına göre Urs, modelin 50 görevin 40'ının her birinde en az bir kez başarıya ulaştığını, tüm denemelerdeki başarı oranının ise yüzde 40 olduğunu ve görevlerin zaten diğer robot veya insan verisinde temsil edilen becerilerden seçildiğini belirtiyor.

Bu eleştiri modelin değersiz olduğunu göstermiyor, ancak tek başına bir toplam rakamın ne kadar az şey ortaya koyduğunu gözler önüne seriyor. Genel amaçlı bir robotik modelini değerlendirmek için görevlerin nasıl seçildiğini, kaç denemeye izin verildiğini, ne kadar fine-tuning gerektiğini ve performansın tanıdık olmayan nesnelerle ve ortamlarda nasıl korunduğunu bilmek gerekiyor. Kendisi de yapay zekâ ile üretilmiş ve insan incelemesinden geçmeden yayınlanmış olan dev.to yazısı, Nvidia'nın iddialarını destekleyen bağımsız bir değerlendirmenin bulunmadığını, dolayısıyla şirketin whitepaper'ının ana kanıt olarak kaldığını da not düşüyor. Söz konusu whitepaper sınırlamaları ve açık sorunları tartışıyor; bu da robotlar arası (cross-embodiment) aktarımın otomatik veya evrensel olarak güvenilir olmadığına işaret ediyor.

Neden önemli

GR00T 2'nin aktarım iddiaları özenle seçilmiş demonstrasyonların ötesinde geçerli olursa, robot eğitimi tek bir makineyi programlamaktan aktarılabilir bir beceri öğretmeye benzemeye başlar: bir işçi bir süreci bir kez gösterir ve bu, tüm bir filoda uyarlanır. Bu, şu anda her yeni gripper ve gövde şekliyle birlikte büyüyen veri ve yeniden eğitim yükünü küçültür. Şimdilik model, genel amaçlı fiziksel zekânın geldiğinin kanıtı değil, yeniden kullanılabilir robot becerileri yönünde iyi belgelenmiş bir araştırma yönü olarak anlaşılmalı.