آزمایش GPT-6 Astra در رباتی که آشپزخانه‌ای ناآشنا را مرتب می‌کند

پژوهشگران Stanford و Caltech سامانه‌ای به نام HomeBody ساخته‌اند که به ربات Unitree G1 اجازه می‌دهد در آشپزخانه‌ای ناآشنا حرکت کند، وسایل را مرتب کند و اشیایی را از کشوها بردارد؛ آزمایشی که بنا بر گزارش The Decoder، مدل بینایی‌ـ‌زبانی GPT Astra را مستقیماً به مهارت‌های ربات متصل می‌کند. اهمیت رویکرد در این است که سامانه، به‌جای قراردادن یک لایه کنترلی آموزش‌دیده میان مدل زبانی و ربات، مدل را به کتابخانه‌ای از مهارت‌های قابل‌استفاده وصل می‌کند. این طراحی امکان می‌دهد مدل برای انجام کار، مراحل را برنامه‌ریزی کند و در صورت بروز خطا مسیرش را اصلاح کند؛ هرچند تأخیر، محدودیت‌های سخت‌افزاری و هزینه محاسباتی همچنان مانع‌اند.

اتصال مستقیم مدل به مهارت‌های ربات

در بسیاری از سامانه‌های رباتیک، مدل هوش مصنوعی مستقیماً فرمان‌های حرکتی را صادر نمی‌کند. یک لایه کنترلی که برای کار با ربات آموزش دیده، میان مدل و سخت‌افزار قرار می‌گیرد و دستورهای کلی را به کنش‌های قابل‌اجرا تبدیل می‌کند. در شرح HomeBody، پژوهشگران این لایه متعارف را کنار گذاشته‌اند و مدل بینایی‌ـ‌زبانی را به کتابخانه‌ای توسعه‌پذیر از مهارت‌ها متصل کرده‌اند.

مدل بینایی‌ـ‌زبانی یا VLM سامانه‌ای است که می‌تواند اطلاعات تصویری را در کنار زبان پردازش کند. در HomeBody، مدل می‌تواند از میان مهارت‌هایی مانند گرفتن اشیا، حرکت در محیط یا بازکردن کشو استفاده کند. به این ترتیب، برای انجام یک درخواست کلی مثل مرتب‌کردن آشپزخانه، لازم است کار را به گام‌های کوچک‌تر تقسیم کند و برای هر گام مهارت مناسب را فراخوانی کند.

این اتصال مستقیم به معنای آن نیست که مدل بدون محدودیت، هر حرکت فیزیکی را از ابتدا تولید می‌کند. آنچه گزارش توصیف می‌کند دسترسی مدل به مجموعه‌ای از قابلیت‌های مشخص است. توسعه‌پذیر بودن این کتابخانه نیز به این معناست که مهارت‌های بیشتری می‌توانند به آن افزوده شوند؛ اما منبع درباره تعداد مهارت‌ها یا جزئیات فنی پیاده‌سازی اطلاعاتی ارائه نمی‌کند.

ساخت نقشه از آشپزخانه ناآشنا

پیش از انجام وظیفه، ربات محیط را بررسی می‌کند و تصویری دیجیتال از آن می‌سازد. به گزارش The Decoder، این نسخه دیجیتال با استفاده از Isaac Sim شرکت Nvidia تهیه می‌شود. «دوقلوی دیجیتال» اصطلاحی برای بازنمایی دیجیتال یک محیط واقعی است؛ در این آزمایش، چنین بازنمایی‌ای به سامانه کمک می‌کند اشیا و محل قرارگیری آن‌ها را ثبت کند.

HomeBody همچنین اطلاعات مربوط به اشیا و مکان آن‌ها را در حافظه‌ای فضایی نگه می‌دارد. حافظه فضایی در اینجا به سامانه امکان می‌دهد موقعیت اشیا را در محیط دنبال کند، حتی زمانی که آن‌ها دیگر در میدان دید مستقیم ربات نیستند. این ویژگی برای کارهایی مانند پیدا کردن وسیله‌ای که جابه‌جا شده یا برداشتن چیزی از کشو اهمیت دارد: ربات لازم نیست در هر لحظه همه اشیا را ببیند تا از محل ثبت‌شده آن‌ها استفاده کند.

با این حال، گزارش نمی‌گوید این حافظه در چه شرایطی دقیقاً به‌روز می‌شود یا ربات تا چه اندازه در موقعیت‌یابی اشیای جابه‌جاشده موفق است. آنچه مشخص است، ترتیب کلی کار است: ربات ابتدا فضا را کاوش می‌کند، بازنمایی دیجیتال می‌سازد و اطلاعات مکانی را ثبت می‌کند؛ سپس مدل برای انجام درخواست، از آن اطلاعات در برنامه‌ریزی گام‌ها بهره می‌گیرد.

برنامه‌ریزی و اصلاح خطا در حین کار

درخواست‌هایی مانند «آشپزخانه را مرتب کن» به‌تنهایی دستور حرکتی مشخصی نیستند. مدل باید آن را به کارهایی مانند یافتن وسایل، برداشتن آن‌ها یا بازکردن کشو تبدیل کند. طبق گزارش، GPT Astra مراحل انجام وظیفه را برنامه‌ریزی می‌کند و اگر خطایی رخ دهد، می‌تواند مسیر خود را اصلاح کند.

این توانایی، تفاوت میان اجرای یک دستور ازپیش‌تعریف‌شده و برخورد با محیطی ناآشنا را برجسته می‌کند. در حالت دوم، ربات باید از اطلاعات محیطی که گردآوری کرده استفاده کند و مهارت‌های مناسب را برای رسیدن به هدف کنار هم بگذارد. با این حال، منبع نتیجه‌ای درباره میزان موفقیت، سرعت انجام کار یا مقایسه HomeBody با سامانه‌های دیگر ارائه نمی‌کند؛ بنابراین نمی‌توان از این گزارش به‌تنهایی درباره برتری قطعی این رویکرد داوری کرد.

همچنین اتصال مستقیم مدل به مهارت‌های فیزیکی، مسئولیت تصمیم‌گیری را به بخشی از سامانه می‌سپارد که زبان و تصویر را تفسیر می‌کند. این موضوع می‌تواند کار با درخواست‌های متنوع را آسان‌تر کند، اما برای سامانه‌ای که در فضای واقعی حرکت می‌کند، قابل‌اعتماد بودن تصمیم‌ها اهمیت ویژه دارد. گزارش به پژوهش‌های قبلی اشاره می‌کند که در کنار پیشرفت توانایی‌های فضایی Astra، نگرانی‌هایی درباره ایمنی آن هنگام کنترل ربات مطرح کرده‌اند؛ جزئیات آن نگرانی‌ها در متن گزارش‌شده بیان نشده است.

محدودیت‌های سخت‌افزاری و هزینه اجرا

HomeBody در کنار قابلیت‌هایش با چند مانع عملی روبه‌رو است. بنا بر گزارش، تأخیر Astra یکی از محدودیت‌هاست. در تعامل ربات و محیط، فاصله زمانی میان تصمیم مدل و اجرای عمل می‌تواند بر جریان انجام کار اثر بگذارد؛ اما منبع اندازه این تأخیر یا پیامد دقیق آن را مشخص نمی‌کند.

چالش دیگر به سرووهای انگشتان ربات مربوط است. سرووها قطعاتی هستند که حرکت بخش‌های مکانیکی، از جمله انگشتان، را کنترل می‌کنند. گزارش می‌گوید سرووهای انگشتان در آزمایش داغ می‌شوند، مسئله‌ای که نشان می‌دهد محدودیت سامانه فقط به توانایی مدل در فهم صحنه یا برنامه‌ریزی محدود نیست و اجزای فیزیکی نیز بخشی از مسئله‌اند.

هزینه بالای محاسبات نیز از دیگر محدودیت‌های ذکرشده است. اجرای مدل و پردازش اطلاعات موردنیاز برای برنامه‌ریزی و تعامل با محیط به منابع محاسباتی نیاز دارد، اما گزارش عدد یا جزئیاتی درباره هزینه ارائه نمی‌کند. این سه مانع—تأخیر، گرمای سرووها و هزینه پردازش—یادآور می‌شوند که موفقیت یک مدل در کارهای رباتیک تنها با توانایی استدلال یا درک تصویری سنجیده نمی‌شود؛ سامانه باید در زمان مناسب و با سخت‌افزار و هزینه عملی قابل‌قبول نیز کار کند.

جایگاه HomeBody در مسیر ربات‌های عمومی‌تر

آزمایش پژوهشگران Stanford و Caltech در زمانی انجام می‌شود که توجه به کاربرد مدل‌های بزرگ در ربات‌ها افزایش یافته است. گزارش The Decoder می‌گوید آزمایش‌های پیشین، بهبود چشمگیر استدلال فضایی Astra را نشان داده‌اند و در عین حال، پژوهشی دیگر درباره خطرهای ایمنی هنگام کنترل ربات با این مدل هشدار داده است. این دو نکته تصویری دووجهی ارائه می‌کنند: مدل ممکن است در فهم روابط مکانی توانمندتر شده باشد، اما استفاده از آن در محیط فیزیکی پرسش‌های ایمنی را نیز جدی‌تر می‌کند.

گزارش همچنین به اعلام قبلی OpenAI درباره برنامه‌های بازگشت به حوزه رباتیک، از جمله ربات‌های شخصی، اشاره دارد. HomeBody به‌تنهایی اثبات نمی‌کند که ربات‌های خانگی آماده استفاده گسترده‌اند؛ آزمایش توصیف‌شده بیشتر نمونه‌ای از چگونگی پیوند دادن یک مدل چندوجهی با مجموعه‌ای از مهارت‌های فیزیکی است. برای تبدیل چنین نمونه‌ای به محصول قابل‌استفاده، چالش‌های عملکرد پایدار، ایمنی و هزینه باید نیز حل شوند، هرچند گزارش درباره برنامه یا زمان‌بندی مشخصی برای این کار اطلاعاتی نمی‌دهد.

کد HomeBody، طبق گزارش، در GitHub منتشر شده است. انتشار کد می‌تواند امکان بررسی سامانه را برای پژوهشگران و توسعه‌دهندگان فراهم کند، اما متن منبع درباره مجوز، میزان مستندسازی یا شرایط استفاده از آن توضیحی نمی‌دهد. بنابراین ارزش اصلی خبر در این مرحله، معرفی یک روش آزمایشی برای اتصال مدل بینایی‌ـ‌زبانی به مهارت‌های رباتیک و نشان‌دادن هم‌زمان ظرفیت‌ها و دشواری‌های این مسیر است.

این خبر برای چه کسانی اهمیت دارد

این آزمایش برای پژوهشگران رباتیک و هوش مصنوعی اهمیت دارد، زیرا رویکردی را بررسی می‌کند که در آن مدل بینایی‌ـ‌زبانی، به‌جای اتکا به یک لایه کنترلی آموزش‌دیده میانجی، مستقیماً از کتابخانه‌ای از مهارت‌های ربات استفاده می‌کند. برای سازندگان ربات‌های خانگی نیز گزارش نشان می‌دهد که درک محیط و برنامه‌ریزی زبانی باید با محدودیت‌های واقعی سخت‌افزار و زمان پردازش همراه شود.

برای مخاطبان عمومی، پیام اصلی نه آمادگی فوری ربات‌ها برای انجام همه کارهای خانه، بلکه پیشرفت آزمایش‌ها در سپردن وظایف چندمرحله‌ای به ماشین‌هاست. HomeBody می‌تواند آشپزخانه‌ای ناآشنا را بررسی کند و برای مرتب‌کردن آن برنامه بریزد، اما تأخیر مدل، داغ‌شدن قطعات و هزینه محاسباتی همچنان فاصله میان نمایش پژوهشی و کاربرد عملی را نشان می‌دهند.