AnswersPublished19 sources
GE-Act 2.0: co naprawdę pokazuje eksperyment AgiBot z 30 tys. godzin danych
Według AgiBot zwiększenie zbioru danych ucieleśnionych 100 razy — z 300 do 30 000 godzin — podniosło skuteczność testów zero shot z 17,1% do 44,1% dla G1 OP oraz z 13,4% do 31,1% dla G2 90D. GE Act 2.0 trenowano od losowej inicjalizacji na danych manipulacyjnych, bez adaptowania gotowego modelu wideo uczonego na dan...
Opublikowane przezEdytowane za pomocą GPT-5.6 TerraObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Według AgiBot zwiększenie zbioru danych ucieleśnionych 100 razy — z 300 do 30 000 godzin — podniosło skuteczność testów zero shot z 17,1% do 44,1% dla G1 OP oraz z 13,4% do 31,1% dla G2 90D.
- GE Act 2.0 trenowano od losowej inicjalizacji na danych manipulacyjnych, bez adaptowania gotowego modelu wideo uczonego na danych z internetu.
- Najciekawszy wynik to nie tylko wyższa średnia skuteczność: przy większej skali danych część wcześniej nieskutecznych zadań, takich jak składanie ręczników czy wkładanie kubków jeden w drugi, zaczęła działać w testach...
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 to próba AgiBot zbudowania od podstaw modelu świata i działania dla robotów. Zamiast dostosowywać ogólny model wideo wcześniej wytrenowany na materiałach z internetu, firma inicjalizuje losowo uczone komponenty odpowiedzialne za obraz, przewidywanie przyszłego stanu i sterowanie, a następnie uczy je na danych z fizycznych manipulacji.
Najważniejsza deklaracja nie brzmi jedynie: „więcej danych poprawia niezawodność”. AgiBot podaje, że wraz ze wzrostem treningu z 300 do 30 000 godzin roboty zaczęły wykonywać precyzyjne zadania, które wcześniej w ogóle nie kończyły się powodzeniem. 17
To istotny wynik badawczy, ale trzeba go czytać we właściwej skali. Dowody pochodzą z opisanego przez AgiBot protokołu testowego, obejmującego dwa typy robotów i 100 prostych zadań składowych. Nie dowodzą, że GE-Act 2.0 samodzielnie poradzi sobie w dowolnym mieszkaniu, zakładzie produkcyjnym czy na każdym nowym sprzęcie robotycznym.
Najpierw przewidzieć użyteczny efekt, potem wykonać ruch
Model świata i działania łączy percepcję, przewidywanie i kontrolę. Gdy robot otrzymuje polecenie językowe, np. aby odłożyć przedmiot w określone miejsce, musi rozpoznać sytuację, przewidzieć, jak powinien wyglądać stan po poprawnym wykonaniu zadania, a następnie wydać komendy ruchu prowadzące do tego rezultatu.
W GE-Act 2.0 opisano trzy główne elementy:
- CoAE (control-oriented autoencoder) — autoenkoder kompresujący obraz, ale zachowujący informacje ważne dla polecenia i ruchów robota;
- SVP (single-step visual planner) — planer, który w jednym różniczkowalnym przebiegu tworzy obraz użytecznego stanu docelowego, zamiast budować długi łańcuch prognoz wideo;
- IDM (inverse-dynamics model) — model dynamiki odwrotnej, który wyprowadza wykonalne działania robota z aktualnego obrazu i zaplanowanego stanu przyszłego.
17
AgiBot nazywa metodę treningu KASO (Knowledge-Aligned Selective Optimization). Według autorów ma ona koordynować uczenie planowania wizualnego i działań, przy jednoczesnym wstępnym trenowaniu tych elementów na uzupełniających się danych. 17
Zespół podaje też czas generowania fragmentu działań wynoszący 104 ms na jednej karcie RTX 5090. To ważny parametr w sterowaniu robotem: system musi wielokrotnie obserwować otoczenie i reagować, a realistycznie wyglądający plan nie wystarczy, jeśli na kolejną komendę ruchu trzeba czekać zbyt długo. 5
Co znaczy „trenowany od zera”
Wiele systemów robotycznych korzysta z modeli wcześniej uczonych na ogromnych zbiorach obrazów lub internetowych nagrań wideo. W przypadku GE-Act 2.0 uczone komponenty generatywne i odpowiedzialne za działania są inicjalizowane od zera, a następnie trenowane na danych dotyczących manipulacji. 17
Dzięki temu eksperyment ze skalowaniem jest bardziej precyzyjny: bada, czy dodatkowe dane ucieleśnione — związane z rzeczywistymi interakcjami i działaniami — systematycznie poprawiają manipulację robotów. Nie mierzy zaś wartości modelu bazowego, który wcześniej przyswoił już wielką porcję wiedzy z internetu.
Opisana receptura danych może łączyć trajektorie z teleoperacji robotów, nagrania z perspektywy pierwszej osoby, nieopisane dane z wykonanych prób oraz dane o niepowodzeniach. To praktycznie ważne, ponieważ dobre demonstracje robotyczne są kosztowne. Metoda zdolna korzystać z niedoskonałych lub częściowo opisanych interakcji może ułatwić gromadzenie materiału treningowego. 6
20
Eksperyment: 100 razy więcej danych
AgiBot wytrenował warianty modelu na 300, 1200, 5000 i 30 000 godzin danych manipulacyjnych. Porównanie obejmuje więc stukrotny wzrost skali danych. 4
17
Główny test był testem zero-shot na fizycznych robotach, czyli bez dodatkowego uczenia modelu pod konkretne zadania. Obejmował:
- 100 atomowych zadań manipulacyjnych,
- 20 rodzin umiejętności,
- nieznane wcześniej sceny, tła, oświetlenie i egzemplarze obiektów,
- dwa robotyczne „ciała”: humanoida G1-OP oraz mobilnego robota manipulacyjnego G2-90D,
- brak dostrajania, demonstracji i wymiany modelu specjalnie na potrzeby zadań ewaluacyjnych.
4
W tym protokole zbiorcza skuteczność rosła wraz z ilością danych:
| Typ robota | Skuteczność przy 300 godzinach | Skuteczność przy 30 000 godzinach |
|---|---|---|
| G1-OP | 17,1% | 44,1% |
| G2-90D | 13,4% | 31,1% |
Są to wyniki raportowane w badaniu GE-Act 2.0. 3
17
Najprostszy wniosek jest ograniczony, ale znaczący: dla tego modelu i tego rozkładu zadań większa ilość danych ucieleśnionych wiązała się z wyraźnie wyższą skutecznością zero-shot. Według raportu krzywe wyników między 5000 a 30 000 godzin nie wykazały oczywistego wypłaszczenia, co autorzy interpretują jako sygnał, że dalsze skalowanie może nadal pomagać. 5
Dlaczego efekt „zapalenia się” umiejętności jest interesujący
Wyższa średnia skuteczność może oznaczać po prostu, że robot lepiej wykonuje zadania, które już wcześniej czasem umiał rozwiązać. AgiBot twierdzi jednak, że przy większej skali modelu i danych zaszło coś więcej: zwiększyła się liczba zadań osiągających choćby niezerową skuteczność.
W przypadku G1-OP liczba atomowych zadań zakończonych powodzeniem wzrosła — według raportu — z 39 do 76 na 100, gdy ilość danych treningowych zwiększono z 300 do 30 000 godzin. 4
Wśród przywoływanych przykładów są:
- składanie ręczników,
- wkładanie kubków jeden w drugi,
- zdejmowanie i zakładanie skuwek długopisów,
- układanie kwiatów.
8
Na tym opiera się narracja o „rozświetlaniu” umiejętności. W opisywanych próbach skalowanie danych wiązało się nie tylko z lepszym wykonywaniem znanych czynności, lecz także z tym, że precyzyjne umiejętności zaczynały być osiągalne w trybie zero-shot po porażkach w mniejszych konfiguracjach.
Nie należy jednak traktować tego jako dowodu na nagłe pojawienie się ogólnej inteligencji. To opis pokrycia zadań w skończonym benchmarku. Nadal otwarte pozostaje pytanie, czy podobny wzorzec utrzyma się przy bardziej zróżnicowanych obiektach, dłuższych sekwencjach pracy, zastosowaniach krytycznych dla bezpieczeństwa czy całkowicie nowych konstrukcjach robotów.
Co wynik G2-90D mówi o przenoszeniu umiejętności
G2-90D dostarcza w badaniu przesłanki dotyczącej transferu między różnymi konstrukcjami robotów. AgiBot podaje, że dane z tego mobilnego robota na kołach stanowiły mniej niż 2% wspólnego zbioru treningowego, a mimo to jego zbiorcza skuteczność wzrosła o 17,7 punktu procentowego między warunkami małej i dużej ilości danych. 3
17
Wynik sugeruje, że część wyuczonych struktur wizualnych i istotnych dla działania może być wspólna dla odmiennych robotycznych ciał. To obiecujący sygnał dla przyszłości, w której polityk sterowania nie trzeba budować całkowicie od nowa dla każdej maszyny.
Nie jest to jednak dowód na niezależną od sprzętu inteligencję robotyczną. Dane dotyczą wyłącznie dwóch ocenianych konstrukcji i określonego zestawu zadań. G2-90D był też obecny we współtreningu, więc eksperyment nie pokazuje transferu bez jakichkolwiek danych na dowolnego nowego robota.
GE-Act a GE-Sim: różne role w tej samej platformie
GE-Act jest częścią szerszej platformy Genie Envisioner (GE), opisywanej jako wspólne środowisko dla uczenia polityk robotycznych, ich oceny i symulacji w ramach generatywnego modelu wideo. 18
W tym układzie GE-Act odpowiada za działania, a GE-Sim jest komponentem symulacji świata, przeznaczonym do tworzenia przebiegów zależnych od akcji na potrzeby testów i rozwoju systemu. 18
19
To rozróżnienie ma znaczenie. Główny wynik GE-Act 2.0 opiera się na testach zero-shot na rzeczywistych robotach. GE-Sim może być powiązaną infrastrukturą całej platformy, ale nie jest podstawą centralnego twierdzenia, że model wykonał raportowane fizyczne manipulacje bez dostrajania pod zadanie i bez demonstracji w czasie ewaluacji.
Wyniki po dostrajaniu to osobna kategoria
AgiBot podał także wyniki po dostrojeniu modelu w benchmarkach nastawionych na symulację. W dostarczonych materiałach GE-Act 2.0 uzyskał 60,52% skuteczności w teście RoboTwin w nieznanym środowisku oraz wynik 0,770 w zadaniu wykonywania instrukcji w GenieSim; ten drugi rezultat raportowano jako wyższy niż porównywane wyniki π0.5 i GR00T N1.7. 20
Mogą to być użyteczne miary adaptacji i osiągów benchmarkowych, ale odpowiadają na inne pytanie niż test zero-shot na fizycznych robotach. Wyników po dostrajaniu nie należy przedstawiać jako dowodu, że tę samą zdolność osiągnięto bez adaptacji do konkretnego zadania.
Najważniejszy wniosek
GE-Act 2.0 jest interesujący, bo sprawdza proste, lecz fundamentalne pytanie dla ucieleśnionej AI: czy model świata i działania uczony bezpośrednio na danych manipulacyjnych może poprawiać się przewidywalnie wraz ze wzrostem tych danych?
W eksperymencie raportowanym przez AgiBot odpowiedź brzmi: tak. Zwiększenie zbioru treningowego z 300 do 30 000 godzin zbiegło się z dużą poprawą skuteczności zero-shot na G1-OP i G2-90D, szerszym zakresem działających zadań oraz pojawieniem się takich umiejętności jak składanie ręczników i wkładanie kubków jeden w drugi. 3
4
17
Właściwy wniosek jest jednak węższy niż marketingowa wizja robota ogólnego przeznaczenia: GE-Act 2.0 dostarcza dowodów, że skalowanie danych o manipulacji może przynieść nowe, mierzalne zdolności w kontrolowanej ocenie na prawdziwych robotach. Zanim uznamy to za ogólne rozwiązanie problemu autonomii robotów, potrzebne są niezależne replikacje, testy na szerszej gamie sprzętu oraz mocniejsze oceny bezpieczeństwa i zadań wymagających długiego horyzontu planowania.
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: co naprawdę pokazuje eksperyment AgiBot z 30 tys. godzin danych"?
Według AgiBot zwiększenie zbioru danych ucieleśnionych 100 razy — z 300 do 30 000 godzin — podniosło skuteczność testów zero shot z 17,1% do 44,1% dla G1 OP oraz z 13,4% do 31,1% dla G2 90D.
What are the key points to validate first?
Według AgiBot zwiększenie zbioru danych ucieleśnionych 100 razy — z 300 do 30 000 godzin — podniosło skuteczność testów zero shot z 17,1% do 44,1% dla G1 OP oraz z 13,4% do 31,1% dla G2 90D. GE Act 2.0 trenowano od losowej inicjalizacji na danych manipulacyjnych, bez adaptowania gotowego modelu wideo uczonego na danych z internetu.
What should I do next in practice?
Najciekawszy wynik to nie tylko wyższa średnia skuteczność: przy większej skali danych część wcześniej nieskutecznych zadań, takich jak składanie ręczników czy wkładanie kubków jeden w drugi, zaczęła działać w testach...