NRN Agents đã công bố ra mắt một tích hợp robot mới thông qua NRN Agent SDK, bao gồm một khuôn khổ Sim-to-Real hoàn chỉnh và giới thiệu các môn Thể thao Robot. Sáng kiến này được thiết kế để phục vụ như một phương tiện cạnh tranh nhằm đẩy nhanh nghiên cứu về trí tuệ nhân tạo tổng quát (AGI) bằng cách nhấn mạnh AI hiện thân. Không giống như các mô hình chỉ được đào tạo trên văn bản hoặc dữ liệu tĩnh, các hệ thống AI hiện thân tương tác và học hỏi từ thế giới vật lý, mang đến một bộ thách thức và cơ hội riêng biệt.
AI Hiện Thân
Không giống như các mô hình ngôn ngữ lớn, hoạt động trên các tập dữ liệu tĩnh được thu thập từ internet, robot học đòi hỏi một mô hình khác. Các hệ thống AI hiện thân phải thích ứng theo thời gian thực, tương tác với môi trường không thể đoán trước và phản ứng với các kích thích vật lý phức tạp. Các hệ thống này có tính động theo bản chất, và chúng không thể dựa vào việc thu thập dữ liệu một lần hoặc một quy trình đào tạo ngoại tuyến duy nhất. Các biến số trong thế giới vật lý như nhiệt độ, điều kiện bề mặt và hao mòn cơ học đòi hỏi robot phải liên tục học hỏi và điều chỉnh. Nhu cầu học tập theo thời gian thực này đặt AI hiện thân vào vị trí đi đầu trong việc thúc đẩy AGI.
NRN Agents Tiết lộ Thể thao Robot để Thúc đẩy AGI
Giải quyết Khoảng trống Dữ liệu và Học tập trong Thế giới Thực
Một trở ngại quan trọng trong lĩnh vực robot là sự khan hiếm dữ liệu đa dạng và có khả năng mở rộng. Mặc dù môi trường mô phỏng có thể hữu ích, nhưng chúng không thể tái tạo hoàn toàn sự phức tạp của thế giới vật lý. Để thu hẹp khoảng cách này, NRN đang phát triển các đường ống Sim-to-Real có độ trung thực cao, cho phép robot được đào tạo trong môi trường ảo hoạt động hiệu quả trong điều kiện thế giới thực. Việc thu thập dữ liệu thế giới thực, bao gồm quay video, theo dõi chuyển động và điều khiển từ xa, bổ sung thêm cho việc đào tạo dựa trên mô phỏng bằng cách cung cấp các kịch bản đa dạng làm phong phú thêm quá trình học tập.
Ngoài ra, các đổi mới kiến trúc như học chuyển giao giúp các hệ thống robot áp dụng kiến thức đã học ở một lĩnh vực sang lĩnh vực khác. Điều này làm giảm nhu cầu đào tạo lại và cho phép thích ứng nhanh hơn. Nền tảng của NRN cũng tích hợp các vòng lặp học tập liên tục, nơi robot có thể học hỏi dần dần từ kinh nghiệm thế giới thực và giữ lại kiến thức đã thu thập trước đó. Cách tiếp cận này giúp giảm yêu cầu về dữ liệu và cho phép các hệ thống robot phản ứng nhanh hơn và có khả năng mở rộng hơn.
NRN Agents Tiết lộ Thể thao Robot để Thúc đẩy AGI
Một Nền tảng Được Xây dựng cho Nghiên cứu Robot có Khả năng Mở rộng
NRN Agents đã xây dựng một nền tảng nhằm mục đích biến việc học robot từ một quy trình tĩnh thành một hệ thống liên tục phát triển. NRN Agent SDK tích hợp một số thành phần cốt lõi góp phần vào mục tiêu này. SDK bao gồm trải nghiệm dựa trên trình duyệt cho phép người dùng thu thập dữ liệu robot thông qua giao diện giống như trò chơi. Cách tiếp cận trò chơi hóa này không yêu cầu cài đặt hoặc chuyên môn kỹ thuật, cho phép người dùng điều khiển robot mô phỏng một cách trực quan từ trình duyệt của họ. Dữ liệu được tạo ra từ tương tác này được đưa trực tiếp vào các quy trình đào tạo của NRN, làm cho nó có thể truy cập được cho sự tham gia nghiên cứu rộng rãi hơn.
Nền tảng này cũng bao gồm một hệ thống huy động cộng đồng để thu thập dữ liệu hành vi của con người có cấu trúc. Sử dụng mô hình khuyến khích dựa trên web3, những người đóng góp có thể gửi các minh chứng hành vi, sau đó được đánh giá dựa trên giá trị và tính độc đáo. Hệ thống này không chỉ tăng cường sự đa dạng của tập dữ liệu mà còn đảm bảo chất lượng dữ liệu thông qua việc phân bổ thuật toán.
Khung học tập liên tục trong NRN SDK tiếp tục hỗ trợ khả năng thích ứng. Robot có thể cập nhật hành vi của chúng thông qua các vòng lặp phản hồi sim-to-real-to-sim, phản ứng với những thay đổi trong môi trường của chúng trong khi vẫn duy trì hiệu suất. Việc xử lý nhẹ nhàng tại biên và các cơ chế cập nhật hiệu quả giúp đảm bảo hành vi vẫn phù hợp với thực tế vật lý, ngay cả khi điều kiện phần cứng thay đổi.
NRN Agents Tiết lộ Thể thao Robot để Thúc đẩy AGI
Từ AI Arena đến Thể thao Robot
Nền tảng của NRN Agents trong phát triển AI bắt đầu với AI Arena, một nền tảng cạnh tranh nơi các tác nhân AI ảo học hỏi thông qua bắt chước và học tăng cường. Sự chuyển đổi từ AI Arena sang Thể thao Robot đại diện cho một bước tiến hợp lý, đưa các nguyên tắc học tập thích ứng dựa trên trò chơi vào lĩnh vực vật lý. Trong bối cảnh mới này, Thể thao Robot đóng vai trò là môi trường thử nghiệm trong thế giới thực cho AI hiện thân, thúc đẩy các hệ thống đối phó với tính không thể đoán trước, các ràng buộc vật lý và các trường hợp biên khó tái tạo trong các mô phỏng ảo.
Các kịch bản cạnh tranh này có thể bao gồm đua robot, điền kinh và chiến đấu, làm nổi bật việc học tập và thích ứng theo thời gian thực. Thể thao Robot không chỉ là những màn trình diễn hiệu suất; chúng là những môi trường nghiên cứu nơi các hệ thống AI hiện thân có thể được thử nghiệm, cải thiện và đánh giá dựa trên các thách thức trong thế giới thực.
NRN Agents Tiết lộ Thể thao Robot để Thúc đẩy AGI
Tác động của Robot học đối với Nghiên cứu AGI
NRN định vị Thể thao Robot là một thành phần quan trọng trong việc theo đuổi AGI rộng lớn hơn. Nền tảng này thúc đẩy nghiên cứu thông qua các kiến trúc AI mô-đun có khả năng mở rộng trên các nền tảng phần cứng, dữ liệu hành vi có nguồn gốc từ nhiều người dùng, hệ thống học chuyển giao giúp giảm thời gian đào tạo và các vòng lặp học tập liên tục giúp tăng cường khả năng thích ứng dài hạn. Các yếu tố kết hợp này tạo ra một môi trường nơi AI có thể phát triển để phản ứng với các đầu vào vật lý, tiến tới các hệ thống vừa thông minh vừa có khả năng tương tác vật lý.
Lộ trình và Phát triển Tương lai của NRN
NRN Agents đang triển khai lộ trình của mình theo hai giai đoạn chính. Giai đoạn đầu tập trung vào việc xác thực các khái niệm cốt lõi bằng cách sử dụng hệ thống cánh tay robot được gọi là RME-1. Các bản trình diễn ban đầu bao gồm thao tác vật thể, điều khiển vận động tinh và các thử thách vật lý đơn giản. Các triển khai ban đầu này được thiết kế để xác nhận tính mạnh mẽ của hệ thống thu thập dữ liệu và học tập liên tục của NRN.
Giai đoạn thứ hai nhằm mục đích mở rộng khả năng của hệ thống sang Thể thao Robot quy mô đầy đủ. Điều này sẽ bao gồm các định dạng cạnh tranh như chiến đấu robot hình người, đua drone và các cuộc thi thể thao nhấn mạnh khả năng thích ứng địa hình và độ chính xác điều khiển. Các ứng dụng này sẽ đóng vai trò là các điểm chuẩn thực tế để đánh giá sự tiến bộ của AGI trong các hệ thống hiện thân.
NRN Agents Tiết lộ Thể thao Robot để Thúc đẩy AGI
Đẩy AI về Biên giới Vật lý
Trong khi AI đã đạt được những tiến bộ đáng kể trong các lĩnh vực như xử lý văn bản, hình ảnh và video, đây chủ yếu là các môi trường có cấu trúc. Ngược lại, robot học mang đến tính không thể đoán trước và đòi hỏi sự tương tác với thế giới vật lý. Điều này làm cho robot học trở thành một sân thử nghiệm quan trọng cho AGI, nơi các hệ thống phải thể hiện không chỉ trí tuệ tính toán mà còn cả năng lực vật lý và khả năng thích ứng theo thời gian thực.
Thông qua công việc của mình trong Thể thao Robot và AI hiện thân, NRN Agents đang xây dựng cơ sở hạ tầng cần thiết để thử nghiệm và cải thiện các hệ thống AI đa năng. Bằng cách kết hợp thu thập dữ liệu do cộng đồng điều khiển, học tập thích ứng và xác thực trong thế giới thực, NRN đang đóng góp vào sự hiểu biết toàn diện hơn về những gì cần thiết để đạt được AGI. Đối với những người quan tâm theo dõi tiến trình của NRN, thông tin chi tiết hơn có sẵn trong Sách trắng về Robot học của NRN.
