AnswersPublished19 sources
AgiBot GE-Act 2.0: Vad försöket med 30 000 robottimmar faktiskt visar
AgiBot uppger att en ökning av träningsdata från 300 till 30 000 timmar höjde nollskottsresultatet på fysiska robotar från 17,1 till 44,1 procent för G1 OP och från 13,4 till 31,1 procent för G2 90D. GE Act 2.0 tränas från slumpmässig initiering på data från fysisk manipulation, snarare än att byggas ovanpå en redan...
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- AgiBot uppger att en ökning av träningsdata från 300 till 30 000 timmar höjde nollskottsresultatet på fysiska robotar från 17,1 till 44,1 procent för G1 OP och från 13,4 till 31,1 procent för G2 90D.
- GE Act 2.0 tränas från slumpmässig initiering på data från fysisk manipulation, snarare än att byggas ovanpå en redan tränad videomodell från webben.
- Det mest intressanta resultatet är att fler uppgifter började fungera över huvud taget vid större datamängder, bland annat handduksvikning och att stapla muggar i varandra.
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 är AgiBots försök att bygga en världs–handlingsmodell direkt för robotar. I stället för att anpassa en generell videomodell som först tränats på webbdata startas modellens träningsbara visuella, framtidspredicerande och handlingsstyrande delar från slumpmässiga värden och förtränas på data från fysisk manipulation. Huvudpoängen är alltså inte bara att roboten blir mer pålitlig med mer data: AgiBot rapporterar att finmotoriska uppgifter som tidigare misslyckades börjar fungera när träningsmängden växer från 300 till 30 000 timmar. 17
Det är ett betydelsefullt forskningsresultat, men det måste läsas med rätt avgränsning. Underlaget kommer från AgiBots egen utvärdering med två robotutföranden och 100 atomära uppgifter. Det visar inte att GE-Act 2.0 självständigt kan hantera godtyckliga hem, fabriker eller nya robotplattformar.
Först föreställa sig ett användbart resultat – sedan agera
En världs–handlingsmodell kopplar ihop perception, förutsägelse och styrning. När roboten får en språkinstruktion, exempelvis att lägga ett föremål på en viss plats, måste den förstå den aktuella situationen, förutse hur ett lyckat nära framtida tillstånd ser ut och ge motoriska kommandon som kan åstadkomma det.
GE-Act 2.0 delar enligt AgiBot upp arbetet i tre komponenter:
- Kontrollinriktad autoencoder (CoAE): komprimerar visuella intryck men behåller information som är relevant för instruktionen och robotens rörelser.
- Visuell planerare i ett steg (SVP): genererar ett färdigt, användbart framtida visuellt tillstånd i en enda differentierbar beräkning, i stället för en lång kedja av videosimuleringar.
- Modell för invers dynamik (IDM): härleder körbara robothandlingar ur det aktuella tillståndet och det planerade framtida tillståndet.
17
Träningsmetoden kallas Knowledge-Aligned Selective Optimization (KASO). I artikeln beskrivs den som ett sätt att samordna visuell planering och handlingsinlärning, samtidigt som delarna kan förtränas på kompletterande datakällor. 17
Teamet uppger också att ett handlingssegment kan beräknas på 104 millisekunder med ett enda RTX 5090-grafikkort. Det är relevant eftersom en manipulationsrobot måste observera och korrigera sina rörelser löpande; en visuellt trovärdig plan räcker inte om nästa styrsignal kommer för sent. 5
Vad innebär det att modellen tränas från grunden?
Många system för robotinlärning bygger vidare på modeller som först tränats på stora bild- eller videodatamängder från webben. GE-Act 2.0 startar i stället sina träningsbara generativa och handlingsrelaterade komponenter från grunden och tränar dem på manipulationsdata. 17
Det gör skalningsexperimentet mer avgränsat. Forskarna undersöker om mer förkroppsligad data – data kopplad till faktiska interaktioner och handlingar i den fysiska världen – systematiskt ger bättre robotmanipulation. Det är alltså inte främst ett test av värdet i en redan existerande grundmodell för webbvideo.
Den rapporterade träningsmetoden kan använda flera datatyper: robotbanor från teleoperation, förstapersonsvideo från människor, omärkta körningar och data från misslyckade försök. Det är viktigt eftersom bra robotdemonstrationer är dyra att samla in. En metod som kan lära även från ofullständig eller delvis omärkt interaktionsdata kan göra datainsamlingen mer praktiskt genomförbar. 6
20
Experimentet: 100 gånger mer träningsdata
AgiBot tränade versioner av modellen med 300, 1 200, 5 000 och 30 000 timmar manipulationsdata. Den största jämförelsen spänner därmed över en hundrafaldig ökning av datamängden. 4
17
Huvudutvärderingen var ett nollskottstest på fysiska robotar, vilket innebär att modellen inte finjusterades för just testuppgifterna:
- 100 atomära manipulationsuppgifter
- 20 färdighetsgrupper
- obekanta scener, bakgrunder, ljusförhållanden och objektinstanser
- två robotutföranden: humanoiden G1-OP och den mobila manipulatorn G2-90D
- ingen uppgiftsspecifik finjustering, inga demonstrationer och inget modellbyte för utvärderingsuppgifterna.
4
I detta upplägg ökade den rapporterade sammanlagda framgångsgraden med datamängden:
| Robotutförande | Framgång vid 300 timmar | Framgång vid 30 000 timmar |
|---|---|---|
| G1-OP | 17,1 % | 44,1 % |
| G2-90D | 13,4 % | 31,1 % |
Detta är resultat som rapporteras i GE-Act 2.0-studien. 3
17
Den mest direkta slutsatsen är att mer förkroppsligad data, för just denna modell och uppgiftsfördelning, hängde samman med klart högre nollskottsresultat. Kurvorna mellan 5 000 och 30 000 timmar visade enligt rapporten ingen tydlig platå, vilket författarna tolkar som att ytterligare skalning fortfarande kan hjälpa. 5
Varför den rapporterade ”upptändningseffekten” är intressant
En högre genomsnittlig framgångsgrad kan bara betyda att en robot blir stabilare på uppgifter den redan klarar. AgiBot menar att den större modellen och datamängden visade något mer: antalet uppgifter med minst någon lyckad genomförandegrad ökade.
För G1-OP steg det rapporterade antalet atomära uppgifter som klarades från 39 till 76 av 100 när träningsdata ökade från 300 till 30 000 timmar. 4
Exemplen som lyfts fram är:
- att vika handdukar
- att sätta muggar i varandra
- att ta av och sätta på pennlock
- att arrangera blommor.
8
Detta är grunden för artikelns beskrivning av en ”upptändningseffekt”. I de rapporterade försöken kopplades större datamängder inte enbart till bättre utförande av etablerade färdigheter, utan också till att finare färdigheter började fungera i nollskottsmiljöer efter att ha misslyckats vid mindre skala.
Men ordet bör inte tolkas som ett bevis på plötsligt uppkommen generell intelligens. Det beskriver observerad uppgiftstäckning i ett begränsat test. Om samma mönster gäller för mer varierade objekt, uppgifter med längre tidshorisont, säkerhetskritiska miljöer eller helt nya robotkonstruktioner är fortfarande en öppen fråga.
Vad G2-90D-resultatet säger om överföring mellan robotar
G2-90D står för studiens evidens om överföring mellan olika robotkroppar. AgiBot uppger att denna hjulförsedda, mobila manipulator utgjorde mindre än 2 procent av samträningsdatan, men att dess sammanlagda framgångsgrad ändå ökade med 17,7 procentenheter mellan förhållandena med liten respektive stor datamängd. 3
17
Resultatet talar för att åtminstone en del av den visuella och handlingsrelevanta struktur som modellen lär sig kan delas mellan robotar med olika kroppar. Det är ett lovande tecken för en framtid där styrsystem inte behöver byggas om helt för varje ny maskin.
Det visar däremot inte hårdvaruoberoende robotintelligens. Evidensen är begränsad till två utvärderade robotutföranden och studiens uppgiftsfördelning. G2-90D fanns dessutom representerad i samträningen, så resultatet visar inte överföring utan data till en helt godtycklig ny robot.
GE-Act och GE-Sim har olika roller
GE-Act ingår i AgiBots bredare plattform Genie Envisioner (GE), som beskrivs som ett gemensamt videogenerativt ramverk för robotpolicyer, utvärdering och simulering. 18
I den strukturen är GE-Act den handlingsinriktade delen, medan GE-Sim är en världssimuleringskomponent som ska kunna generera handlingsstyrda simuleringar för utveckling och utvärdering. 18
19
Skillnaden är viktig: huvudresultatet för GE-Act 2.0 bygger på nollskottstester med fysiska robotar. GE-Sim kan vara relaterad infrastruktur i den bredare plattformen, men är inte grunden för huvudpåståendet att modellen genomförde de rapporterade verkliga manipulationsuppgifterna utan uppgiftsspecifik finjustering eller demonstrationsdata under utvärderingen.
Finjusterade benchmarkresultat är ett separat resultat
AgiBot rapporterar även finjusterade resultat på simuleringsorienterade benchmarktester. I den tillhandahållna rapporteringen nådde GE-Act 2.0 60,52 procents framgång i RoboTwins test med obekanta miljöer och 0,770 i GenieSims instruktionsefterlevnad. Det senare uppgavs vara högre än de jämförda resultaten för π0.5 och GR00T N1.7. 20
Sådana resultat kan vara användbara mått på anpassningsförmåga och benchmarkprestanda, men de besvarar en annan fråga än experimentet med nollskottstyrning på fysiska robotar. Finjusterade benchmarkpoäng ska inte användas som belägg för att samma förmåga uppnåddes utan uppgiftsspecifik anpassning.
Slutsatsen i praktiken
GE-Act 2.0 är intressant eftersom det prövar en enkel men viktig idé inom förkroppsligad AI: kan en världs–handlingsmodell som tränas direkt på manipulationsdata förbättras förutsägbart när mängden sådan data ökar?
I AgiBots rapporterade experiment är svaret ja. När träningsmängden utökades från 300 till 30 000 timmar sammanföll det med stora förbättringar i nollskottsresultat för G1-OP och G2-90D, bredare uppgiftstäckning och att fina färdigheter som handduksvikning och att sätta muggar i varandra fungerade i den större träningsregimen. 3
4
17
Den rimliga slutsatsen är mer begränsad än löftet om en allmän robot: GE-Act 2.0 ger stöd för att skalning av data från fysisk manipulation kan leda till nya, mätbara förmågor i en kontrollerad utvärdering på riktiga robotar. Oberoende replikering, tester på fler robotplattformar samt starkare utvärderingar av långsiktiga uppgifter och säkerhet krävs fortfarande innan systemet kan ses som en generell lösning för 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 "AgiBot GE-Act 2.0: Vad försöket med 30 000 robottimmar faktiskt visar"?
AgiBot uppger att en ökning av träningsdata från 300 till 30 000 timmar höjde nollskottsresultatet på fysiska robotar från 17,1 till 44,1 procent för G1 OP och från 13,4 till 31,1 procent för G2 90D.
What are the key points to validate first?
AgiBot uppger att en ökning av träningsdata från 300 till 30 000 timmar höjde nollskottsresultatet på fysiska robotar från 17,1 till 44,1 procent för G1 OP och från 13,4 till 31,1 procent för G2 90D. GE Act 2.0 tränas från slumpmässig initiering på data från fysisk manipulation, snarare än att byggas ovanpå en redan tränad videomodell från webben.
What should I do next in practice?
Det mest intressanta resultatet är att fler uppgifter började fungera över huvud taget vid större datamängder, bland annat handduksvikning och att stapla muggar i varandra.