Xiaomi Robotics-1: Daha Fazla Veri, Daha Büyük Modelleri Yener — Xiaomi Robot Eğitimini Nasıl Yeniden Şekillendiriyor

Robot Yapay Zekasında Veri Sorunu

Büyük dil modelleri verilere kolayca erişebilir — kamuya açık internetten alınan trilyonlarca kelimeyle eğitilirler: makaleler, kitaplar, forumlar, kod. Robot yapay zekası tamamen farklı bir gerçeklikle karşı karşıyadır. Robot hareketiyle ilgili faydalı veriler — nesneleri nasıl kavrayacağı, kaldıracağı, döndüreceği ve yerleştireceği — kıttır ve üretilmesi pahalıdır. Geleneksel yaklaşım, bir insanın fiziksel bir robotu her hareket için uzaktan yönlendirmesini gerektirir — yavaş, pahalı ve genellikle aynı görevlerden aynı ortamlarda tekrarlayan veriler üreten zahmetli bir süreç.

Xiaomi'nin yeni Xiaomi-Robotics-1 modeli bu darboğazı kırmayı hedefliyor. Model, büyük dil modellerine benzer bir ölçekleme paradigmasını izliyor: daha fazla veri üzerinde eğitildikçe performansı artıyor. Ancak yazılı internetin tamamından yararlanabilen LLM'lerin aksine, Xiaomi kendi veri kümesini sıfırdan oluşturmak zorunda kaldı — ve bunu yapma biçimleri araştırmanın belki de en ilginç kısmı.

Pahalı Robotların Yerini Alan El Tipi Tutucu

Veri toplama darboğazını aşmak için Xiaomi, veri toplama aşamasında büyük ölçüde fiziksel robotlardan vazgeçti. Bunun yerine ekip, kameralarla donatılmış taşınabilir el tipi tutucular geliştirdi — bir kişinin eline alıp elle çalıştırdığı basit bir cihaz. Bu düzenek, mutfaklarda, ofislerde, mağazalarda, fabrika katlarında ve dış mekanlarda bir robot olmadan manipülasyon görevlerinin kaydedilmesini sağlıyor.

Sonuç, 1.700'den fazla farklı ortamda 100.000 saatin üzerinde hareket kaydı oldu — robot eğitim verileri için benzeri görülmemiş bir ölçek. Bu büyüklükteki bir veri kümesi kendi zorluğunu yaratıyor: her kaydın, modelin öğrenebileceği bir metin açıklamasına ihtiyacı var. Manuel etiketleme pratik değildi, bu nedenle Xiaomi her hareket segmentini metin olarak tanımlamak için başka bir AI modeli kullandı. Ekip, tüm veri kümesinin yaklaşık iki hafta içinde etiketlendiğini bildiriyor.

Bu yaklaşım, Xiaomi'nin laboratuvarlarının ötesinde de önem taşıyor. Robotik araştırmalarının henüz emekleme aşamasında olduğu ülkeler ve bölgeler için — Türkiye ve daha geniş bölge dahil — uygun fiyatlı taşınabilir araçlarla yüksek kaliteli eğitim verileri toplama yeteneği, giriş engelini önemli ölçüde düşürüyor. Araştırma gruplarının robot AI gelişimine anlamlı katkı sağlamak için artık milyon dolarlık robot filolarına ihtiyacı yok.

Neden Daha Fazla Veri, Model Boyutundan Daha Önemli

Xiaomi-Robotics-1 araştırmasının temel bulgusu hem açık hem de sonuçludur: model boyutunu artırmak performansı iyileştirse de, daha fazla eğitim verisi eklemek, daha fazla bilgi işlem gücü eklemekten çok daha büyük kazançlar sağlar. Araştırmacılar, robot AI'sındaki ilerlemenin öncelikle daha büyük ve daha çeşitli veri kümeleri toplamaya bağlı olacağını açıkça belirtiyorlar.

Bu bulgu, araştırmacıların Mart 2026 başında görsel veriler için gösterdikleriyle örtüşüyor. Dil modelleri için yerleşik ölçekleme yasası, sabit bir bilgi işlem bütçesinden en iyi şekilde yararlanmak için model boyutu ve veri hacminin yaklaşık aynı oranda büyümesi gerektiğini belirtir. Bir model yalnızca metin yerine görüntüleri işlemek zorunda kaldığında bu denge değişir — görsel-dil alanlarında veri eklemek, model boyutunu artırmaktan çok daha fazla yardımcı olur. Xiaomi bu ilkeyi robotik alanına genişleterek, veri merkezli ölçekleme paradigmasının AI modaliteleri genelinde geniş çapta uygulanabilir olduğunu gösteriyor.

Fiziksel robotlarla elde edilen sonuçlar çarpıcıdır. Xiaomi eğitim verisi miktarını artırdıkça, modelin alışılmadık ortamlardaki başarı oranı yaklaşık %25'ten %75'e yükseldi. Araştırmacılar, daha fazla verinin performansı iyileştirmeyi bıraktığı bir noktaya henüz ulaşmadıklarını belirtiyorlar — ölçekleme eğrisi platoya ulaşma belirtisi göstermiyor. Bu, robot AI'sında veri odaklı iyileştirme potansiyelinin hâlâ çok büyük ve büyük ölçüde kullanılmamış olduğunu gösteriyor.

Standart robot AI kıyaslamalarında, Xiaomi-Robotics-1 bugüne kadarki en iyi sonuçları elde etti. RoboCasa365 liderlik tablosunda, özellikle daha önce görülmemiş bileşik görevlerde önemli bir farkla lider durumda. RoboDojo kıyaslamasında, ikinci sıradaki modelden yaklaşık %58 daha yüksek puan aldı, ancak mutlak başarı oranları mütevazı kalmaya devam ediyor.

Minimum Veriyle Yeni Görevlere Uyum

Bir temel modelin gerçek değeri, yeni görevlere hızla uyum sağlama yeteneğinde yatar. Xiaomi, Xiaomi-Robotics-1'i dört yeni görevde test etti: telefon paketleme, çamaşır makinesine çamaşır yükleme, yazıcıya kağıt besleme ve eşyaları kutuya paketleme.

Görev başına on saatten az eğitim verisiyle model, ortalama %75 başarı oranına ulaştı. Karşılaştırma için, Physical Intelligence'dan rakip bir model aynı kıyaslamada yalnızca %40 başarı gösterdi. Xiaomi, modelinin özellikle kağıt gibi yumuşak, deforme olabilen malzemelerde ve bir oda boyunca hareket gerektiren görevlerde iyi performans gösterdiğini bildiriyor — tarihsel olarak katı, kodlanmış robot sistemleri için zorlu olduğu kanıtlanmış zorluk türleri.

Bu az örnekle uyum yeteneği, pratik dağıtım senaryoları için özellikle önemlidir. Gerçek dünya uygulamalarında — ister bir Türk deposunda, ister otelde veya fabrikada olsun — robotların minimum gösteri verisiyle yeni görevleri hızlıca öğrenmeleri gerekecek. Xiaomi-Robotics-1'in performansı, bu vizyonun giderek daha ulaşılabilir olduğunu gösteriyor.

Robot AI Araştırmalarının Manzarası

Xiaomi'nin yaklaşımı, hızla gelişen robot AI manzarasındaki birkaç rekabetçi stratejiden biridir. Mayıs ayında yapılan bir World Action Models araştırması, yaklaşık 100 çalışmayı incelemiş ve geleneksel yaklaşım olan teleoperasyon verilerinin hassas ancak pahalı ve sınırlı ortamlara mahkum olduğunu bulmuştur. Xiaomi'nin el tipi tutucuları bu sınırlamaları doğrudan ele alıyor.

Nvidia, Carnegie Mellon Üniversitesi ve UC Berkeley, ENPIRE projesiyle farklı bir yol izleyerek sekiz robottan oluşan bir filoya nesneleri kavramayı otonom olarak öğretmek için AI kodlama ajanlarını kullandı. Nvidia ayrıca sentetik eğitim verisi üretimini araştırıyor ve robotiğin veri sorununu bir hesaplama sorununa dönüştürmeyi hedefliyor.

Çin'in BAAI araştırma enstitüsü başka bir yönü keşfediyor. Orca dünya modeli, herhangi bir eylem etiketi olmadan 125.000 saatlik videodan öğreniyor ve yine de beş manipülasyon görevinde uzmanlaşmış pi0.5 modeliyle eşleşiyor. Xiaomi etiketlemeyi otomatikleştirip ölçekte uygularken, Orca etiketleri tamamen ortadan kaldırmaya çalışıyor — ölçeklenebilirse değerli olduğunu kanıtlayabilecek daha radikal bir yaklaşım.

Physical Intelligence her iki kamp için de referans noktası olarak hizmet ediyor. Şirket, Nisan ayında pi0.7 modelinin genelleme yapabileceğini iddia ettikten sonra eleştirilere maruz kaldı, oysa model aslında benzer eğitim verilerini hatırlıyor olabilirdi. Xiaomi'nin veri hacminin hesaplamadan daha önemli olduğu bulgusu, bu soruyu çözmeyi daha da zorlaştırıyor.

Bunun Türkiye ve Gelişmekte Olan Teknoloji Ekosistemleri İçin Anlamı

Türkiye ve daha geniş teknoloji topluluğu için Xiaomi'nin araştırmasının birkaç önemli etkisi var. Birincisi, veri toplamanın demokratikleşmesi — pahalı robotlar yerine basit el tipi araçlar kullanmak — daha küçük ekiplerin ve girişimlerin robot AI geliştirmeye katılabileceği anlamına geliyor. Türkiye'deki bir girişim, teorik olarak yerel ortamlarda manipülasyon verileri toplayabilir, küresel robotik veri kümelerine katkıda bulunabilir veya yerel uygulamalar için özelleşmiş modeller oluşturabilir.

İkincisi, "verinin hesaplamaya üstünlüğü" bulgusu, büyük GPU kümelerine sınırlı erişimi olan ekosistemler için umut vericidir. Veri kalitesi ve miktarı, hesaplama kısıtlamalarını kısmen telafi edebiliyorsa, gelişmekte olan teknoloji merkezlerindeki ekipler altyapı harcamaları yerine inovasyon temelinde rekabet edebilir.

Üçüncüsü, Xiaomi'nin açık kaynak taahhüdü — model ve kod GitHub ve Hugging Face'de yayınlanacak — dünya çapındaki araştırmacılar ve geliştiriciler için anında erişim anlamına geliyor. Türk üniversiteleri, AI laboratuvarları ve bağımsız geliştiriciler bu modellerle deney yapabilir, üzerine inşa edebilir ve potansiyel olarak topluluğa iyileştirmeler katkıda bulunabilir.

Geleceğe Bakış

Xiaomi-Robotics-1 önemli bir ileri adımı temsil ediyor, ancak aynı zamanda ne kadar çok iş kaldığını da vurguluyor. Kıyaslamalardaki mutlak başarı oranları, lider olmakla birlikte, yapılandırılmamış ortamlarda güvenilir ticari dağıtım için gerekenin hâlâ altındadır. Modelin güçlü yönleri — deforme olabilen nesneleri işleme, odalarda gezinme, yeni görevlere uyum sağlama — gerçektir, ancak boşluklar devam etmektedir.

Araştırma ayrıca Xiaomi'nin daha geniş stratejik resmine de uyuyor. Şirket, Mart ayında MiMo-V2 modellerini tanıttığında, bu AI ajanlarının sonunda robotları kontrol edebileceğini belirtti. Xiaomi-Robotics-1, bu vizyonun önemli bir parçasıdır — dil yeteneğine sahip AI ajanları ile gerçek dünyada hareket edebilen fiziksel robotik sistemler arasında bir köprü.

Belki de en derin çıkarım şudur: robot AI çağı artık öncelikle daha büyük modeller inşa etme mühendislik sorunu değildir. Giderek artan bir şekilde bu bir veri sorunudur — çeşitli gerçek dünya etkileşim verilerini toplama, etiketleme ve ölçeklendirme sorunu. Xiaomi, veri toplamada yaratıcılık ve ölçeğe bağlılıkla, robotiğin fiziksel kısıtlamalarının bile veri merkezli AI ile ele alınabileceğini göstermiştir. Dünya çapındaki araştırmacılar, girişimler ve teknoloji toplulukları için — Türkiye dahil — bu, birçok kişinin sıkıca kapalı olduğunu düşündüğü bir kapıyı aralamaktadır.

📖 Kaynak