AnswersPublished19 sources
GE-Act 2.0 від AgiBot: що насправді показало дослідження роботів на 30 000 годин
За даними AgiBot, збільшення обсягу навчальних даних зі 300 до 30 000 годин підвищило успішність zero shot завдань на реальних роботах: з 17,1% до 44,1% для G1 OP і з 13,4% до 31,1% для G2 90D. GE Act 2.0 навчається з випадкової ініціалізації на даних фізичних маніпуляцій, а не донавчається поверх моделі відео з інт...
ОпублікувавВідредаговано за допомогою GPT-5.6 TerraЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- За даними AgiBot, збільшення обсягу навчальних даних зі 300 до 30 000 годин підвищило успішність zero shot завдань на реальних роботах: з 17,1% до 44,1% для G1 OP і з 13,4% до 31,1% для G2 90D.
- GE Act 2.0 навчається з випадкової ініціалізації на даних фізичних маніпуляцій, а не донавчається поверх моделі відео з інтернету; вона поєднує візуальне планування з моделлю зворотної динаміки для формування дій робота.
- Найцікавіший заявлений результат — ширше охоплення навичок: на великому наборі даних почали вдаватися, зокрема, складання рушників і вкладання стаканчиків один в один, а також покращився перенос між різними корпусами...
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 — це спроба AgiBot створити модель «світ—дія» для роботів із нуля. Замість адаптації загальної відеомоделі, попередньо навченої на вебданих, її компоненти для зору, прогнозування майбутнього стану та керування ініціалізують випадково й навчають на даних фізичних маніпуляцій.
Головна теза роботи не просто в тому, що з більшими даними робот стає надійнішим. AgiBot повідомляє: коли обсяг навчання зріс із 300 до 30 000 годин, почали виконуватися тонкі маніпуляційні завдання, які раніше не мали жодного успішного результату. 17
Це змістовний науковий результат, однак читати його слід обережно. Дані отримано в межах протоколу оцінювання, про який повідомляє сама AgiBot: дві конструкції роботів і 100 атомарних завдань. Це не означає, що GE-Act 2.0 уже здатна автономно працювати в довільній квартирі, на виробництві чи на будь-якому новому роботі.
Як модель переходить від побаченого до руху
Модель «світ—дія» має поєднати сприйняття, передбачення та контроль. Якщо робот отримує мовну команду покласти предмет у певне місце, він повинен розпізнати важливі об’єкти й поточний стан сцени, уявити бажаний найближчий результат, а потім видати рухові команди для його досягнення.
У GE-Act 2.0 це завдання розділено на три компоненти:
- Control-oriented autoencoder (CoAE) — автоенкодер, орієнтований на керування; стискає візуальний вхід, зберігаючи деталі, важливі для команди та рухів робота.
- Single-step visual planner (SVP) — однокроковий візуальний планувальник; за один диференційований прохід генерує корисний завершений майбутній візуальний стан, а не розгортає довгу послідовність відеопрогнозів.
- Inverse-dynamics model (IDM) — модель зворотної динаміки; за поточним і запланованим станами виводить виконувані команди для робота.
17
Метод навчання AgiBot називає Knowledge-Aligned Selective Optimization (KASO). У статті його описано як спосіб узгодити візуальне планування та навчання дій, водночас дозволяючи попередньо навчати ці частини на взаємодоповнювальних даних. 17
Команда також заявляє час формування фрагмента дій у 104 мс на одній RTX 5090. Це важливий показник для маніпуляцій: робот має постійно спостерігати за змінами й реагувати на них, а не лише будувати правдоподібний, але повільний візуальний план. 5
Що означає «навчена з нуля»
Чимало систем роботичного навчання використовують модель, яку спочатку навчили на великих масивах зображень або вебвідео. Натомість у GE-Act 2.0 навчувані генеративні та керувальні компоненти стартують із випадкової ініціалізації й навчаються на даних маніпуляцій. 17
Тому експеримент із масштабуванням має чіткіший зміст: дослідники перевіряють, чи дають додаткові втілені дані — тобто дані, пов’язані з фізичною взаємодією та діями, — систематичне покращення маніпуляцій робота. Йдеться не про перевагу вже готової фундаментальної моделі, навченої на вебвідео.
Заявлений рецепт даних може поєднувати траєкторії телеоперації робота, відео від першої особи з діями людей, нерозмічені дані запусків і дані невдалих спроб. Це важливо, оскільки якісні демонстрації від роботів дорого збирати: підхід, здатний вчитися також на неповних або неідеальних даних взаємодії, потенційно робить збір даних практичнішим. 6
20
Експеримент із 100-разовим масштабуванням даних
AgiBot навчала версії моделі на 300, 1 200, 5 000 і 30 000 годинах даних маніпуляцій. Таким чином, крайні точки порівняння відрізняються у 100 разів. 4
17
Основною перевіркою був zero-shot тест на реальних роботах — тобто без спеціального донавчання під тестові завдання:
- 100 атомарних маніпуляційних завдань;
- 20 груп навичок;
- незнайомі сцени, фони, умови освітлення та екземпляри об’єктів;
- дві конструкції роботів: гуманоїд G1-OP та мобільний маніпулятор G2-90D;
- без донавчання під конкретне завдання, демонстрацій чи заміни моделі під час оцінювання.
4
За цим протоколом сукупна заявлена успішність зросла разом із масштабом даних:
| Робот | Успішність за 300 годин | Успішність за 30 000 годин |
|---|---|---|
| G1-OP | 17,1% | 44,1% |
| G2-90D | 13,4% | 31,1% |
Це результати, про які повідомляється в дослідженні GE-Act 2.0. 3
17
Найпряміший висновок такий: для цієї моделі й цього розподілу завдань більший обсяг втілених даних був пов’язаний із помітно вищою zero-shot успішністю. На заявлених кривих між 5 000 і 30 000 годин не видно виразного плато; автори трактують це як ознаку того, що подальше масштабування ще може допомагати. 5
Чому важливий ефект «поступового увімкнення» навичок
Зростання середньої успішності може означати лише те, що робот став стабільнішим у завданнях, які й так умів виконувати. AgiBot стверджує, що в режимі з більшими даними сталося дещо сильніше: зросла кількість завдань із ненульовою успішністю.
Для G1-OP кількість атомарних завдань, у яких було зафіксовано успішне виконання, зросла з 39 до 76 зі 100 при переході від 300 до 30 000 годин навчальних даних. 4
Серед наведених прикладів:
- складання рушників;
- вкладання стаканчиків один в один;
- знімання та надягання ковпачків на ручки;
- складання квіткових композицій.
8
На цьому ґрунтується формулювання авторів про «увімкнення» навичок. У заявлених випробуваннях масштабування даних було пов’язане не тільки з кращим виконанням уже доступних дій, а й із появою в zero-shot умовах тонких навичок, які не працювали на менших масштабах.
Втім, це не слід тлумачити як доказ раптового виникнення загального інтелекту. Це опис покриття завдань у межах обмеженого бенчмарку. Чи повториться та сама закономірність для значно різноманітніших предметів, довших послідовностей дій, критичних до безпеки сценаріїв або нових конструкцій роботів — відкрите питання.
Що результат G2-90D говорить про перенесення між роботами
G2-90D дає в дослідженні свідчення перенесення навичок між різними конструкціями. AgiBot повідомляє, що на цей колісний мобільний маніпулятор припадало менш ніж 2% даних спільного навчання, але його сукупна успішність між малим і великим режимами даних зросла на 17,7 відсоткового пункта. 3
17
Це вказує, що принаймні частину вивчених візуальних і пов’язаних із діями закономірностей можна переносити між різними тілами роботів. Для майбутніх систем це позитивний сигнал: політику керування не обов’язково доведеться створювати цілком заново для кожної машини.
Але цей результат не доводить, що модель має апаратно-незалежний роботичний інтелект. Докази обмежені двома оціненими конструкціями й розподілом завдань дослідження. До того ж G2-90D все ж був представлений у спільному навчанні, отже це не демонстрація перенесення на довільного нового робота без жодних даних.
Зв’язок GE-Act і GE-Sim
GE-Act входить до ширшої платформи AgiBot Genie Envisioner (GE), яку описують як спільну відеогенеративну основу для навчання політик робота, оцінювання та симуляції. 18
У цій рамці GE-Act є компонентом, орієнтованим на дії, тоді як GE-Sim — компонент симуляції світу, призначений для генерації запусків, зумовлених діями, під час розробки та оцінювання. 18
19
Різниця принципова: ключовий результат GE-Act 2.0 ґрунтується на zero-shot тестах на фізичних роботах. GE-Sim може бути пов’язаною інфраструктурою ширшої платформи, але саме він не є підставою для центральної заяви, що модель виконала описані завдання в реальному світі без донавчання під завдання чи демонстрацій під час оцінювання.
Результати з донавчанням — це інше питання
AgiBot також повідомляє про результати після донавчання на бенчмарках, орієнтованих на симуляцію. У наданих матеріалах GE-Act 2.0 досягла 60,52% успішності в тесті RoboTwin на невідомі середовища та оцінки 0,770 у тесті GenieSim на виконання інструкцій; останній показник подано як вищий за порівнювані результати π0.5 і GR00T N1.7. 20
Такі результати можуть бути корисними для оцінки адаптації та бенчмарк-продуктивності, проте вони відповідають на інше запитання, ніж експеримент на фізичних роботах без адаптації. Оцінки після донавчання не варто подавати як доказ тієї самої здатності без спеціального налаштування під завдання.
Практичний висновок
GE-Act 2.0 цікава тим, що перевіряє просту, але важливу для втіленого ШІ гіпотезу: чи може модель «світ—дія», навчена безпосередньо на даних маніпуляцій, передбачувано покращуватися зі зростанням цих даних?
У заявленому AgiBot експерименті відповідь — так. Розширення навчального набору з 300 до 30 000 годин збіглося зі значним підвищенням zero-shot успішності на G1-OP і G2-90D, ширшим охопленням завдань та появою тонких навичок — наприклад, складання рушників і вкладання стаканчиків — у великомасштабному режимі. 3
4
17
Найобережніший висновок вужчий за маркетингову обіцянку універсального робота: GE-Act 2.0 дає свідчення, що масштабування даних фізичних маніпуляцій може породжувати нові вимірювані можливості в контрольованому оцінюванні на реальних роботах. Перш ніж вважати цей підхід загальним розв’язанням проблеми автономності роботів, потрібні незалежні повторення, тести на ширшому наборі платформ і переконливіші перевірки довгих сценаріїв та безпеки.
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 від AgiBot: що насправді показало дослідження роботів на 30 000 годин"?
За даними AgiBot, збільшення обсягу навчальних даних зі 300 до 30 000 годин підвищило успішність zero shot завдань на реальних роботах: з 17,1% до 44,1% для G1 OP і з 13,4% до 31,1% для G2 90D.
What are the key points to validate first?
За даними AgiBot, збільшення обсягу навчальних даних зі 300 до 30 000 годин підвищило успішність zero shot завдань на реальних роботах: з 17,1% до 44,1% для G1 OP і з 13,4% до 31,1% для G2 90D. GE Act 2.0 навчається з випадкової ініціалізації на даних фізичних маніпуляцій, а не донавчається поверх моделі відео з інтернету; вона поєднує візуальне планування з моделлю зворотної динаміки для формування дій робота.
What should I do next in practice?
Найцікавіший заявлений результат — ширше охоплення навичок: на великому наборі даних почали вдаватися, зокрема, складання рушників і вкладання стаканчиків один в один, а також покращився перенос між різними корпусами...