AnswersPublished19 sources
GE-Act 2.0: Hva AgiBots studie med 30 000 robottimer faktisk viser
AgiBot oppgir at en 100 dobling av treningsdata, fra 300 til 30 000 timer, løftet nullskuddsresultatene på ekte roboter fra 17,1 til 44,1 prosent for G1 OP og fra 13,4 til 31,1 prosent for G2 90D. GE Act 2.0 trenes fra tilfeldig initialisering på manipulasjonsdata, i stedet for å bygge på en forhåndstrent videomodel...
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- AgiBot oppgir at en 100 dobling av treningsdata, fra 300 til 30 000 timer, løftet nullskuddsresultatene på ekte roboter fra 17,1 til 44,1 prosent for G1 OP og fra 13,4 til 31,1 prosent for G2 90D.
- GE Act 2.0 trenes fra tilfeldig initialisering på manipulasjonsdata, i stedet for å bygge på en forhåndstrent videomodell fra nettet.
- Det viktigste funnet er ikke bare bedre stabilitet: Ved større datamengder fikk roboten ifølge AgiBot til oppgaver som tidligere hadde null treffrate, blant annet å brette håndklær og stable kopper.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is AgiBot’s GE-Act 2.0 native world-action model, and how do its random-initialization training approach, 100-fold embodied-data scalin. Article summary: GE-Act 2.0 is AgiBot’s “native” world–action model: its visual representation, future-state generation, and action-prediction components are trained from random initialization on manipulation data, rather than adapting a. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
GE-Act 2.0 er AgiBots forsøk på å bygge en robotrettet verden–handlingsmodell fra grunnen av. I stedet for å tilpasse en generell videomodell trent på nettdata, starter de trenbare visuelle, framtidsprediktive og handlingsrettede komponentene fra tilfeldig initialisering og forhåndstrenes på data fra fysisk manipulering.
Hovedpåstanden er ikke bare at modellen blir mer pålitelig med mer data. AgiBot rapporterer at finmotoriske oppgaver som tidligere ikke lyktes, begynner å fungere når treningsmengden øker fra 300 til 30 000 timer. 17
Det er et interessant forskningsresultat, men det bør leses med forbehold. Evidensen kommer fra AgiBots egen evalueringsprotokoll på to robotplattformer og 100 avgrensede oppgaver. Den viser ikke at GE-Act 2.0 selvstendig kan håndtere vilkårlige hjem, fabrikker eller robothardware.
Først: forestill deg en nyttig framtidig tilstand – og handle mot den
En verden–handlingsmodell knytter sammen persepsjon, prediksjon og kontroll. Får roboten en språkkommando, som å legge en gjenstand på et bestemt sted, må den forstå den aktuelle situasjonen, forutsi hvordan en vellykket nær framtid ser ut, og sende motoriske kommandoer som kan føre dit.
GE-Act 2.0 deler denne oppgaven i tre komponenter:
- Kontrollorientert autoenkoder (CoAE): Komprimerer visuelle inndata, men forsøker å bevare informasjon som er relevant for instruksjonen og robotens handlinger.
- Ett-trinns visuell planlegger (SVP): Genererer en ferdigstilt, nyttig framtidig visuell tilstand i én differensierbar gjennomkjøring, framfor å basere seg på lange videosekvenser.
- Invers dynamikkmodell (IDM): Utleder robothandlinger som kan utføres, basert på nåtilstanden og den planlagte framtidige tilstanden.
17
AgiBot kaller treningsmetoden Knowledge-Aligned Selective Optimization (KASO). Artikkelen beskriver den som en måte å samordne visuell planlegging og handlingslæring på, samtidig som delene kan forhåndstrenes på utfyllende datasett. 17
Teamet oppgir også en inferenstid på 104 millisekunder per handlingsblokk på ett RTX 5090-kort. Det er relevant fordi en robot som manipulerer gjenstander må observere og reagere gjentatte ganger; en visuelt troverdig plan hjelper lite dersom neste styringskommando kommer for sent. 5
Hva betyr «trent fra grunnen av»?
Mange systemer for robotlæring drar nytte av modeller som først er trent på store mengder bilder eller video fra nettet. GE-Act 2.0 initialiserer derimot de trenbare generative komponentene og handlingskomponentene fra bunnen av og trener dem på manipulasjonsdata. 17
Det gjør skaleringsforsøket mer avgrenset. Forskerne prøver å måle om mer kroppslig forankrede data – data knyttet til fysiske interaksjoner og handlinger – systematisk gir bedre robotmanipulering, snarere enn verdien av en eksisterende grunnmodell fra nettvideo.
Den rapporterte oppskriften kan bruke flere datatyper, blant annet robotbaner samlet inn via fjernstyring, førstepersonsvideo fra mennesker, umerkede kjøringer og data fra mislykkede forsøk. Det er viktig fordi robotdemonstrasjoner er kostbare. En metode som også lærer av ufullkomne eller delvis merkede interaksjoner, kan gjøre datainnsamlingen mer praktisk. 6
20
Eksperimentet med 100 ganger mer data
AgiBot trente modellvarianter med 300, 1 200, 5 000 og 30 000 timer manipulasjonsdata. Den siste sammenligningen dekker dermed en 100-dobling av datamengden. 4
17
Hovedevalueringen var lagt opp som en nullskuddstest på ekte roboter:
- 100 enkeltstående manipulasjonsoppgaver
- 20 ferdighetsfamilier
- ukjente scener, bakgrunner, lysforhold og gjenstandsvarianter
- to robotplattformer: humanoiden G1-OP og den mobile manipulatoren G2-90D
- ingen oppgavespesifikk finjustering, demonstrasjoner eller modellbytte for evalueringsoppgavene.
4
Under denne protokollen økte den rapporterte samlede suksessraten med datamengden:
| Robotplattform | Suksess ved 300 timer | Suksess ved 30 000 timer |
|---|---|---|
| G1-OP | 17,1 % | 44,1 % |
| G2-90D | 13,4 % | 31,1 % |
Dette er resultater rapportert i GE-Act 2.0-studien. 3
17
Den mest direkte konklusjonen er at mer kroppslig forankrede data, for denne modellen og denne oppgavefordelingen, hang sammen med betydelig høyere nullskuddssuksess. Kurvene mellom 5 000 og 30 000 timer viste ifølge forfatterne ingen tydelig utflating, noe de tolker som at ytterligere skalering fortsatt kan hjelpe. 5
Hvorfor «opplysingseffekten» er interessant
En høyere gjennomsnittlig suksessrate kan bety at roboten bare blir mer stabil i oppgaver den allerede kunne gjøre. AgiBot hevder at modellen i det større modell- og dataregimet viste noe mer: Et økende antall oppgaver fikk suksessrate over null.
For G1-OP økte det rapporterte antallet enkeltoppgaver med minst én vellykket gjennomføring fra 39 til 76 av 100 da treningsdataene økte fra 300 til 30 000 timer. 4
Eksemplene som trekkes fram, er:
- å brette håndklær
- å sette kopper inni hverandre
- å ta av og sette på pennehetter
- å arrangere blomster.
8
Dette er grunnlaget for artikkelens formulering om at ferdigheter «lyser opp». I de rapporterte forsøkene var dataskalering knyttet ikke bare til bedre utførelse av etablerte ferdigheter, men også til at finmotoriske ferdigheter ble mulige i nullskuddssituasjoner etter å ha mislyktes ved mindre skala.
Likevel bør dette ikke forstås som bevis på en plutselig generell intelligens. Det beskriver observert oppgavedekning i en avgrenset test. Om samme mønster gjelder flere og mer varierte gjenstander, oppgaver med lengre tidshorisont, sikkerhetskritiske situasjoner eller nye robotdesign, er fortsatt et åpent spørsmål.
Hva G2-90D-resultatet sier om overføring mellom roboter
G2-90D er studiens grunnlag for påstanden om overføring på tvers av robotkropper. AgiBot oppgir at denne hjulgående mobile manipulatoren utgjorde under 2 prosent av samtreningsdataene, men at dens samlede suksessrate likevel økte med 17,7 prosentpoeng mellom den lille og den store datamengden. 3
17
Det antyder at i hvert fall noe av den lærte visuelle og handlingsrelevante strukturen kan deles mellom ulike robotkropper. Det er et nyttig signal for en framtid der policyer ikke må bygges helt på nytt for hver maskin.
Men det dokumenterer ikke maskinvareuavhengig robotintelligens. Evidensen er begrenset til to evaluerte plattformer og studiens oppgavefordeling. G2-90D var dessuten representert i samtreningsdataene, så funnet viser ikke overføring til en vilkårlig ny robot uten data fra den roboten.
Forholdet mellom GE-Act og GE-Sim
GE-Act inngår i AgiBots bredere Genie Envisioner (GE)-plattform, som beskrives som et felles videogenerativt rammeverk for robotpolicy-læring, evaluering og simulering. 18
I denne helheten er GE-Act den handlingsrettede komponenten, mens GE-Sim er en verdenssimulator som skal kunne generere handlingsbetingede forløp for evaluering og utvikling. 18
19
Skillet er viktig: Hovedresultatet for GE-Act 2.0 bygger på nullskuddstester på fysiske roboter. GE-Sim kan være relatert infrastruktur i den bredere plattformen, men den er ikke grunnlaget for hovedpåstanden om at modellen utførte de rapporterte manipulasjonsoppgavene i den virkelige verden uten oppgavespesifikk finjustering eller demonstrasjoner under evalueringen.
Finjusteringsresultater er et separat funn
AgiBot rapporterer også resultater etter finjustering på simuleringsorienterte referansetester. I den foreliggende rapporteringen oppnådde GE-Act 2.0 60,52 prosent suksess i en RoboTwin-test med ukjent miljø og 0,770 på instruksjonsfølging i GenieSim. Sistnevnte ble oppgitt å ligge over de sammenlignede resultatene for π0.5 og GR00T N1.7. 20
Slike resultater kan være nyttige mål på tilpasning og ytelse i referansetester, men de svarer på et annet spørsmål enn nullskuddsforsøket på fysiske roboter. Poengsummer etter finjustering bør ikke brukes som bevis på at samme ferdighet ble oppnådd uten oppgavespesifikk tilpasning.
Den praktiske konklusjonen
GE-Act 2.0 er interessant fordi systemet undersøker et enkelt, men viktig spørsmål for kroppslig forankret KI: Kan en verden–handlingsmodell som trenes direkte på manipulasjonsdata, forbedres forutsigbart når datamengden vokser?
I AgiBots rapporterte eksperiment er svaret ja. Å utvide treningssettet fra 300 til 30 000 timer sammenfalt med store forbedringer i nullskuddssuksess for både G1-OP og G2-90D, bredere oppgavedekning og at finmotoriske ferdigheter som håndklebretting og koppstabling dukket opp i den største dataskalaen. 3
4
17
Den riktige konklusjonen er imidlertid smalere enn et løfte om en allsidig robot: GE-Act 2.0 gir dokumentasjon på at skalering av manipulasjonsdata kan gi nye, målbare ferdigheter i en kontrollert evaluering på ekte roboter. Uavhengig replikasjon, tester på mer variert maskinvare og strengere vurderinger av oppgaver med lang tidshorisont og sikkerhet trengs før dette kan behandles som en generell løsning på robotautonomi.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "GE-Act 2.0: Hva AgiBots studie med 30 000 robottimer faktisk viser"?
AgiBot oppgir at en 100 dobling av treningsdata, fra 300 til 30 000 timer, løftet nullskuddsresultatene på ekte roboter fra 17,1 til 44,1 prosent for G1 OP og fra 13,4 til 31,1 prosent for G2 90D.
What are the key points to validate first?
AgiBot oppgir at en 100 dobling av treningsdata, fra 300 til 30 000 timer, løftet nullskuddsresultatene på ekte roboter fra 17,1 til 44,1 prosent for G1 OP og fra 13,4 til 31,1 prosent for G2 90D. GE Act 2.0 trenes fra tilfeldig initialisering på manipulasjonsdata, i stedet for å bygge på en forhåndstrent videomodell fra nettet.
What should I do next in practice?
Det viktigste funnet er ikke bare bedre stabilitet: Ved større datamengder fikk roboten ifølge AgiBot til oppgaver som tidligere hadde null treffrate, blant annet å brette håndklær og stable kopper.