2026. július 14., kedd · Kutatás

MIT kutatók AI-ügynökökkel építenek virtuális tereket robotok betanításához

Az MIT CSAIL és a Toyota Research Institute kutatói kifejlesztették a SceneSmith nevű rendszert, amely három mesterséges intelligencia alapú ügynök együttműködésével hoz létre valósághű háromdimenziós virtuális környezeteket robotok betanításához. A rendszer egy tervező, egy kritikus és egy szervező ügynökből áll, amelyek mindegyike vizuális-nyelvi modellre (VLM) támaszkodik a terek megtervezésekor. A kutatók szerint a SceneSmith által generált belső terek – például éttermek, szállodai szobák és hálószobák – részletesebbek és valósághűbbek, mint a korábbi megoldások, így a robotok sokféle feladatot gyakorolhatnak fizikai szimulációban, mielőtt a valós világban tesztelnék őket. A rendszer célja a robotika egyik fő szűk keresztmetszetének, a változatos betanítási adatok hiányának enyhítése, mivel a fizikai környezetben végzett tanítás munka- és időigényes.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A virtuális betanítási környezetek automatikus létrehozása jelentősen gyorsíthatja a robotok valós feladatokra való felkészítését.

Források

MIT News AI Kutatás

Kapcsolódó témák

Napi összefoglalók AI kutatás #MIT CSAIL#robotszimuláció

Napi összefoglaló

Ez a hír a 2026. július 14., kedd napi AI összefoglaló része.

Kapcsolódó hírek

MIT-kutatás: nagy AI-modelleknél elveszik a képek eredete

Az MIT CSAIL kutatói, Zheng Dai és David Gifford, a Nature Communications folyóiratban publikált, lektorált tanulmányukban azt mutatták ki, hogy nagyon nagy adathalmazokon tanított képgeneráló AI-modelleknél gyakran lehetetlen egy adott kimenetet konkrét tanítóképhez kötni. A jelenséget „attribúciós lecsengésnek” nevezik: minél nagyobb a tanítóhalmaz, annál kevésbé számít bármelyik egyedi kép a végeredmény szempontjából. Módszerükkel ténylegesen törölték az egyes képeket – akár egy adott művész összes alkotását, akár egy személy minden fotóját – a tanításból, és sok esetben a modell kimenete nem változott. A kutatók szerint ez az első olyan eljárás, amely pontosan, nem csak közelítőleg bizonyítja, hogy egy adott adat eltávolítása nem befolyásolja az eredményt, ami megkérdőjelezi, hogy a jogvitákban felelősség rendelhető-e egyetlen forráshoz.

World Labs: egy robotfeladatból ezernyi szimulált tanítóváltozat

A Fei-Fei Li által alapított World Labs bemutatta Real-to-Sim-to-Real (R2S2R) nevű motorját, amely egyetlen valós robotfeladatból ezernyi kontrollált szimulációs változatot generál vezérlőmodellek betanításához. A technológia a júliusban felvásárolt SceniX startuptól származik. A cég állítása szerint a fő akadály nem a modellarchitektúra, hanem a megbízható működéshez szükséges tapasztalat mennyisége, mivel a valós adatgyűjtés drága, és sem a tesztek, sem az online videók nem fedik le a tárgyak, körülmények és hibaállapotok teljes skáláját. A rendszer a fényviszonyokat, tárgyak helyzetét, súrlódást és kameraszöget változtatva állít elő variációkat, majd szimulált és valós végrehajtást összevetve ellenőrzi a pontosságot. World Labs szerint a kizárólag szimulációban tanított modelleket valós robotokon is tesztelték – köztük a nyílt forráskódú ALOHA platformon –, és négy további robotplatformon platformonként egy órán át emberi beavatkozás nélkül futottak.

Kutatás: az AI-ügynökcsapatok alig jobbak, mint az önálló modellek

A Vals AI benchmarkja szerint az AI-ügynökcsapatok alig jobbak, mint az önálló ügynökök, miközben sokkal drágábbak. A cég a GPT-6 Sol és a Claude Opus 5.5 modelleket tesztelte a Vibe Code Bench feladatsoron, egyedül és csapatban, közepes és maximális következtetési szinten. A csapatos megoldás 1,8-5,1-szer többe került, de a négy összehasonlításból csak egy mutatott statisztikailag szignifikáns javulást: a GPT-6 Sol közepes szinten 7,3 ponttal jobb lett csapatban. Maximális következtetési erőforrásnál egyik modellnél sem jelentett előnyt a csapat. Az Anthropic saját tesztjei hasonlót mutattak: az Opus 5.5 tudásbázis-pontszáma 0,53-ról 0,74-re nőtt 1-ről 100 ügynökre váltva, de a javulás 10 ügynök után erősen lelassult. Noam Brown OpenAI-kutató a Dwarkesh Podcastben megerősítette: a több ügynökös rendszerek főleg sebességet hoznak, nem minőséget – négy ügynök kétszer gyorsabban dolgozott, de kétszer annyiba is került.

Kutatók: nyelvi modellek saját kontextusukat kezelhetik

A Meta, az MIT és a University of Washington kutatói egy új módszert, a Context Language Models (CLM) nevű megközelítést mutatták be, amelyben a nyelvi modell a saját kontextusát szabadon szerkeszthető fájlként kezelheti, nem pedig előre rögzített szabályok szerint tömöríti vagy hívja le az adatokat. A kutatók szerint ez kiküszöbölheti a hagyományos módszerek – összefoglalás, tömörítés, külső memória – ismert hátrányait, mint az információvesztés vagy a merev szabályrendszer. A csapat háromféle megközelítést tesztelt: tanítás nélküli (zero-shot), kontextusban tanuló és megerősítéses tanulásos módszert, és beszámolójuk szerint mindháromban érdemi teljesítmény- és számításiköltség-javulást mértek. A kutatók azt is kiemelik, hogy a CLM-ek olyan kontextuskezelési stratégiákat is kialakíthatnak, amelyek túlmutatnak az eddigi, emberek által tervezett megoldásokon – ez egyelőre kutatási eredmény, nem kész termék.