Xiaomi Robotics-1. Ավելի շատ տվյալները հաղթում են ավելի մեծ մոդելներին — ինչպես Xiaomi-ն փոխում է ռոբոտների ուսուցումը

Տվյալների խնդիրը ռոբոտային AI-ում

Լեզվական խոշոր մոդելները հեշտությամբ մուտք ունեն տվյալներին — նրանք վարժեցվում են հանրային ինտերնետի տրիլիոնավոր բառերի վրա՝ հոդվածներ, գրքեր, ֆորումներ, կոդ: Ռոբոտային AI-ն բախվում է բոլորովին այլ իրականության: Ռոբոտների շարժման վերաբերյալ օգտակար տվյալները — ինչպես բռնել, բարձրացնել, պտտել և տեղադրել օբյեկտները — սակավ են և թանկ՝ արտադրելու համար: Ավանդական մոտեցումը պահանջում է, որ մարդը հեռակա կարգով ղեկավարի ֆիզիկական ռոբոտին յուրաքանչյուր շարժման միջոցով՝ դանդաղ, թանկարժեք գործընթաց, որը հաճախ տալիս է կրկնվող տվյալներ նույն առաջադրանքներից նույն պայմաններում:

Xiaomi-ի նոր Xiaomi-Robotics-1 մոդելը նպատակ ունի կոտրել այս խցանումը: Մոդելը հետևում է լեզվական խոշոր մոդելներին նման մասշտաբավորման պարադիգմային. դրա կատարողականությունը բարելավվում է, քանի որ այն վարժեցվում է ավելի շատ տվյալների վրա: Սակայն, ի տարբերություն LLM-ների, որոնք կարող են օգտվել ամբողջ գրավոր ինտերնետից, Xiaomi-ն ստիպված էր սեփական տվյալների հավաքածուն ստեղծել զրոյից — և դա անելու ձևը, հավանաբար, հետազոտության ամենահետաքրքիր մասն է:

Ձեռքի գրիպերը փոխարինում է թանկարժեք ռոբոտներին

Տվյալների հավաքագրման խցանումը շրջանցելու համար Xiaomi-ն մեծապես հրաժարվեց ֆիզիկական ռոբոտներից տվյալների հավաքագրման փուլում: Փոխարենը, թիմը մշակեց տեսախցիկներով հագեցած շարժական ձեռքի գրիպերներ — պարզ սարք, որը մարդը վերցնում է ձեռքը և ղեկավարում ձեռքով: Այս կարգավորումը թույլ է տալիս ձայնագրել մանիպուլյացիոն առաջադրանքները խոհանոցներում, գրասենյակներում, խանութներում, գործարանային հարկերում և դրսի տարածքներում՝ առանց ռոբոտի ներկայության:

Արդյունքը եղավ ավելի քան 100,000 ժամ շարժման ձայնագրություն ավելի քան 1,700 տարբեր միջավայրերում — աննախադեպ մասշտաբ ռոբոտների ուսուցման տվյալների համար: Այս մեծության տվյալների հավաքածուն ստեղծում է իր սեփական մարտահրավերը. յուրաքանչյուր ձայնագրության կարիք ունի տեքստային նկարագրություն, որից մոդելը կարող է սովորել: Ձեռքով պիտակավորումը գործնական չէր, ուստի Xiaomi-ն օգտագործեց մեկ այլ AI մոդել՝ շարժման յուրաքանչյուր հատվածը տեքստով նկարագրելու համար: Թիմը հայտնում է, որ ամբողջ տվյալների հավաքածուն պիտակավորվել է մոտավորապես երկու շաբաթում:

Այս մոտեցումը կարևոր է Xiaomi-ի լաբորատորիաներից դուրս: Այն երկրների և տարածաշրջանների համար, որտեղ ռոբոտաշինության հետազոտությունները դեռ սաղմնային փուլում են — ներառյալ Հայաստանը և ավելի լայն Հարավային Կովկասը — մատչելի շարժական գործիքներով բարձրորակ ուսուցողական տվյալներ հավաքելու ունակությունը կտրուկ նվազեցնում է մուտքի արգելքը: Հետազոտական խմբերին այլևս պետք չեն միլիոն դոլարանոց ռոբոտների նավատորմեր՝ ռոբոտային AI-ի զարգացմանը իմաստալից ներդրում ունենալու համար:

Ինչու ավելի շատ տվյալներն ավելի կարևոր են, քան մոդելի չափը

Xiaomi-Robotics-1 հետազոտության կենտրոնական բացահայտումը և՛ պարզ է, և՛ կարևոր. թեև մոդելի չափի մեծացումը բարելավում է կատարողականությունը, ավելի շատ ուսուցողական տվյալներ ավելացնելը տալիս է զգալիորեն ավելի մեծ արդյունք, քան ավելի շատ հաշվողական հզորություն ավելացնելը: Հետազոտողները միանշանակ հայտարարում են, որ ռոբոտային AI-ի առաջընթացը հիմնականում կախված կլինի ավելի մեծ և բազմազան տվյալների հավաքածուների հավաքագրումից:

Այս բացահայտումը համընկնում է այն ամենի հետ, ինչ հետազոտողները ցուցադրեցին տեսողական տվյալների համար 2026 թվականի մարտի սկզբին: Լեզվական մոդելների համար սահմանված մասշտաբավորման օրենքը թելադրում է, որ մոդելի չափը և տվյալների ծավալը պետք է աճեն մոտավորապես նույն տեմպերով՝ ֆիքսված հաշվողական բյուջեի օպտիմալ օգտագործման համար: Այս հավասարակշռությունը փոխվում է, երբ մոդելը պետք է մշակի պատկերներ, այլ ոչ թե միայն տեքստ — տեսողական-լեզվական ոլորտներում տվյալներ ավելացնելը շատ ավելի է օգնում, քան մոդելի չափի մեծացումը: Xiaomi-ն ընդլայնում է այս սկզբունքը ռոբոտաշինության ոլորտում:

Ֆիզիկական ռոբոտների հետ արդյունքները տպավորիչ են: Քանի որ Xiaomi-ն մեծացնում էր ուսուցողական տվյալների քանակը, մոդելի հաջողության մակարդակը անծանոթ միջավայրերում աճեց մոտավորապես 25%-ից մինչև 75%: Հետազոտողները նշում են, որ նրանք դեռ չեն հասել այն կետին, որտեղ ավելի շատ տվյալները դադարում են բարելավել կատարողականությունը — մասշտաբավորման կորը ցույց չի տալիս սարահարթի նշաններ: Սա ցույց է տալիս, որ ռոբոտային AI-ում տվյալներով պայմանավորված բարելավման ներուժը մնում է հսկայական և մեծապես չօգտագործված:

Ռոբոտային AI-ի ստանդարտ չափանիշների վրա Xiaomi-Robotics-1-ը ցույց տվեց մինչ օրս լավագույն արդյունքները: RoboCasa365 առաջատարների աղյուսակում այն առաջատար է զգալի տարբերությամբ, հատկապես չտեսնված բարդ առաջադրանքներում: RoboDojo չափանիշի վրա այն վաստակեց մոտավորապես 58%-ով ավելի բարձր միավոր, քան երկրորդ տեղում գտնվողը, թեև բացարձակ հաջողության մակարդակները մնում են համեստ:

Հարմարում նոր առաջադրանքներին նվազագույն տվյալներով

Հիմնարար մոդելի իրական արժեքը կայանում է նոր առաջադրանքներին արագ հարմարվելու ունակության մեջ: Xiaomi-ն փորձարկեց Xiaomi-Robotics-1-ը չորս չտեսնված առաջադրանքների վրա՝ հեռախոսի փաթեթավորում, լվացքի բեռնում լվացքի մեքենայի մեջ, թուղթ մատակարարել տպիչին և իրերի փաթեթավորում տուփի մեջ:

Յուրաքանչյուր առաջադրանքի համար տասը ժամից պակաս ուսուցողական տվյալներով մոդելը հասավ միջինը 75% հաջողության մակարդակի: Համեմատության համար, Physical Intelligence-ի մրցակից մոդելը կառավարեց միայն 40% նույն չափանիշի վրա: Xiaomi-ն հայտնում է, որ իր մոդելը հատկապես լավ է աշխատել փափուկ, դեֆորմացվող նյութերի հետ, ինչպիսին է թուղթը, և առաջադրանքներում, որոնք պահանջում են շարժում սենյակով մեկ — հենց այն մարտահրավերները, որոնք պատմականորեն դժվար են եղել կոշտ, ծրագրավորված ռոբոտային համակարգերի համար:

Այս քիչ օրինակներով հարմարվելու ունակությունը հատկապես արդիական է գործնական տեղակայման սցենարների համար: Իրական աշխարհի կիրառություններում — լինի դա հայկական պահեստում, հյուրանոցում կամ գործարանում — ռոբոտներին պետք կլինի արագ սովորել նոր առաջադրանքներ նվազագույն ցուցադրական տվյալներով: Xiaomi-Robotics-1-ի կատարողականությունը ցույց է տալիս, որ այս տեսլականը գնալով ավելի իրագործելի է դառնում:

Ռոբոտային AI-ի հետազոտությունների լանդշաֆտը

Xiaomi-ի մոտեցումը մի քանի մրցակցող ռազմավարություններից մեկն է արագ զարգացող ռոբոտային AI-ի լանդշաֆտում: Մայիսյան World Action Models հետազոտությունը, որը վերանայել է մոտավորապես 100 ուսումնասիրություն, ցույց տվեց, որ հեռակառավարման տվյալները — ավանդական մոտեցումը — ճշգրիտ են, բայց թանկ և սահմանափակված մի քանի պայմաններով: Xiaomi-ի ձեռքի գրիպերները ուղղակիորեն լուծում են այս սահմանափակումները:

Nvidia-ն, Կարնեգի Մելոնի համալսարանը և UC Berkeley-ն այլ ճանապարհով գնացին ENPIRE նախագծի հետ՝ օգտագործելով AI ծրագրավորման ագենտներ՝ ութ ռոբոտից բաղկացած նավատորմին ինքնավար կերպով սովորեցնելու, թե ինչպես բռնել օբյեկտները: Nvidia-ն նաև հետազոտում է սինթետիկ ուսուցողական տվյալների գեներացումը՝ նպատակ ունենալով ռոբոտաշինության տվյալների խնդիրը վերածել հաշվողական խնդրի:

Չինաստանի BAAI հետազոտական ինստիտուտը ուսումնասիրում է մեկ այլ ուղղություն: Նրանց Orca աշխարհի մոդելը սովորում է 125,000 ժամ տեսանյութից՝ առանց որևէ գործողության պիտակների և դեռևս համապատասխանում է մասնագիտացված pi0.5 մոդելին հինգ մանիպուլյացիոն առաջադրանքներում: Այնտեղ, որտեղ Xiaomi-ն ավտոմատացնում է պիտակավորումը և կիրառում այն մասշտաբով, Orca-ն փորձում է ամբողջությամբ վերացնել պիտակները:

Ինչ է սա նշանակում Հայաստանի և զարգացող տեխնոլոգիական էկոհամակարգերի համար

Հայաստանի և ավելի լայն տեխնոլոգիական համայնքի համար Xiaomi-ի հետազոտությունը մի քանի կարևոր հետևանքներ ունի: Նախ, տվյալների հավաքագրման դեմոկրատացումը — թանկարժեք ռոբոտների փոխարեն պարզ ձեռքի գործիքների օգտագործումը — նշանակում է, որ ավելի փոքր թիմերը և ստարտափները կարող են մասնակցել ռոբոտային AI-ի զարգացմանը: Հայաստանյան ստարտափը տեսականորեն կարող է տեղական պայմաններում մանիպուլյացիոն տվյալներ հավաքել՝ նպաստելով գլոբալ ռոբոտաշինական տվյալների բազաներին կամ ստեղծելով մասնագիտացված մոդելներ տեղական կիրառությունների համար:

Երկրորդ, «տվյալները հաշվարկից վեր» բացահայտումը խրախուսական է խոշոր GPU կլաստերներին սահմանափակ հասանելիություն ունեցող էկոհամակարգերի համար: Եթե տվյալների որակը և քանակը կարող են մասամբ փոխհատուցել հաշվողական սահմանափակումները, ապա զարգացող տեխնոլոգիական կենտրոնների թիմերը կարող են մրցակցել նորարարության, այլ ոչ թե ենթակառուցվածքի ծախսերի հիման վրա:

Երրորդ, Xiaomi-ի բաց կոդով հանձնառությունը — մոդելը և կոդը կհրապարակվեն GitHub-ում և Hugging Face-ում — նշանակում է անհապաղ հասանելիություն հետազոտողների և մշակողների համար ամբողջ աշխարհում: Հայաստանյան համալսարանները, AI լաբորատորիաները և անկախ մշակողները կարող են փորձարկել այս մոդելները, կառուցել դրանց վրա և պոտենցիալ ներդնել բարելավումներ համայնքին:

Առջևում սպասվող ճանապարհը

Xiaomi-Robotics-1-ը նշանակալի քայլ է առաջ, բայց այն նաև ընդգծում է, թե որքան աշխատանք դեռ պետք է արվի: Չափանիշների վրա բացարձակ հաջողության մակարդակները, թեև առաջատար են, այնուամենայնիվ ցածր են այն մակարդակից, որը կպահանջվի հուսալի առևտրային տեղակայման համար չկառուցված միջավայրերում: Մոդելի ուժեղ կողմերը — դեֆորմացվող օբյեկտների հետ աշխատելը, սենյակներում նավարկելը, նոր առաջադրանքներին հարմարվելը — իրական են, բայց բացերը մնում են:

Հետազոտությունը նաև տեղավորվում է Xiaomi-ի ավելի լայն ռազմավարական պատկերի մեջ: Երբ ընկերությունը ներկայացրեց իր MiMo-V2 մոդելները մարտին, այն հայտարարեց, որ այդ AI ագենտները ի վերջո կկարողանան վերահսկել ռոբոտները: Xiaomi-Robotics-1-ը այս տեսլականի առանցքային մասն է — կամուրջ լեզվի ունակությամբ AI ագենտների և ֆիզիկական ռոբոտային համակարգերի միջև, որոնք կարող են գործել իրական աշխարհում:

Թերևս ամենախորը եզրակացությունը սա է. ռոբոտային AI-ի դարաշրջանն այլևս հիմնականում ավելի մեծ մոդելներ կառուցելու ինժեներական խնդիր չէ: Այն գնալով ավելի շատ տվյալների խնդիր է — բազմազան իրական աշխարհի փոխազդեցության տվյալների հավաքագրման, պիտակավորման և մասշտաբավորման խնդիր: Xiaomi-ն ցույց տվեց, որ տվյալների հավաքագրման մեջ ստեղծարարությամբ և մասշտաբի նվիրվածությամբ, նույնիսկ ռոբոտաշինության ֆիզիկական սահմանափակումները կարող են լուծվել տվյալներով կենտրոնացված AI-ի միջոցով: Հետազոտողների, ստարտափների և տեխնոլոգիական համայնքների համար ամբողջ աշխարհում — ներառյալ Հայաստանը — սա բացում է մի դուռ, որը շատերը կարծում էին, որ ամուր փակված է:

📖 Աղբյուր