ByteDance Seed команда щойно продемонструвала робота, який справді навчився зав'язувати шнурки — звучить просто, але насправді технологічна складність дуже висока.
Ключовий прорив полягає у їхній розробці GR-RL фреймворку. Ця система поєднує візуально-мовну стратегію дій, що навчається за допомогою підкріплювального навчання, здатна обробляти довготривалі послідовності завдань і точне мікроманіпулювання м’якими, деформованими об’єктами, такими як шнурки.
Інакше кажучи, робот не лише має "розуміти" весь процес, а й навчитися точно контролювати кожен рух під час роботи з м’якими, легко деформованими об’єктами. Це суттєвий прогрес у галузі робототехніки — перехід від теоретичних моделей до практичних навичок. Враховуючи сучасний напрям розвитку ШІ, такі прориви у сфері тілесного інтелекту змінюють наше уявлення про машинне навчання.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
10 лайків
Нагородити
10
7
Репост
Поділіться
Прокоментувати
0/400
GamefiHarvester
· 12-18 14:13
Чи справді можна грати на такому рівні, зав'язуючи шнурки? Фреймворк GR-RL від Byte виглядає абсурдно
---
Точна маніпуляція м'якими предметами на рівні міліметра... Говорячи прямо, робот нарешті навчився тонким рухам, що є дуже корисним проривом
---
Байт втіленого інтелекту — це серйозно, набагато надійніше, ніж ті проєкти, які можна лише розірвати
---
Чи можна використовувати цю систему для іншої складної ручної роботи? Складається враження, що простір для додатків просто надто великий
---
Перехід від теорії до практики звучить просто і смертельно, тож не дивно, що він такий складний
---
Це і навчання за допомогою підкріплення, і візуальна мовна стратегія, і з цим технологічним стеком щось не так
---
З'явилися роботи, які справді можуть працювати? Зараз індустрія може рухатися
Переглянути оригіналвідповісти на0
HalfBuddhaMoney
· 12-18 13:30
Ці хлопці з ByteDance справді жорсткі, навіть зав'язування шнурка може перетворитися на науковий прорив? Точне управління з точністю до міліметра — звучить неймовірно
Переглянути оригіналвідповісти на0
orphaned_block
· 12-18 00:17
Я вже навчився зав'язувати шнурки, чи не настав час, щоб робот пранув мені носки?
Переглянути оригіналвідповісти на0
BrokenRugs
· 12-15 17:48
Нічого собі, навіть навички зав'язування шнурків можна навчитися, тепер роботам справді доведеться втратити роботу
Але якщо говорити відверто, то мікрометровий точний маніпуляторний софт здається набагато складнішим за гру в шахи
Команда Byte має щось у рукаві, GR-RL фреймворк звучить досить складно
Зачекайте, чи не буде цей робот швидшим за мене у зав'язуванні шнурків... трохи соціофобічно
Нарешті хтось займається справді корисним штучним інтелектом, а не просто хайпом навколо концепцій
Робототехніка раптово стала популярною, Byte, Tesla — всі цим займаються
Чесно кажучи, від розуміння до реальної роботи — цей перехід справді хардкорний
Може колись і нам доведеться вчити роботів, як зав'язувати шнурки...
Якщо це дійсно стабільно працюватиме, вся індустрія робототехніки зміниться, мабуть
Переглянути оригіналвідповісти на0
GweiObserver
· 12-15 17:46
Зав’язувати шнурки — це дрібниця, але можна зробити з точністю до міліметра. Чи далеко ще до універсальних роботів... Відчувається, що цього разу все справді інакше
Переглянути оригіналвідповісти на0
LongTermDreamer
· 12-15 17:36
Зав'язування шнурків здається не такою важливою справою, але за три роки ця технологія має поширитися на промислове виробництво. Тоді буде звільнення ліквідності, і нам потрібно буде сісти в цю поїздку.
ByteDance Seed команда щойно продемонструвала робота, який справді навчився зав'язувати шнурки — звучить просто, але насправді технологічна складність дуже висока.
Ключовий прорив полягає у їхній розробці GR-RL фреймворку. Ця система поєднує візуально-мовну стратегію дій, що навчається за допомогою підкріплювального навчання, здатна обробляти довготривалі послідовності завдань і точне мікроманіпулювання м’якими, деформованими об’єктами, такими як шнурки.
Інакше кажучи, робот не лише має "розуміти" весь процес, а й навчитися точно контролювати кожен рух під час роботи з м’якими, легко деформованими об’єктами. Це суттєвий прогрес у галузі робототехніки — перехід від теоретичних моделей до практичних навичок. Враховуючи сучасний напрям розвитку ШІ, такі прориви у сфері тілесного інтелекту змінюють наше уявлення про машинне навчання.