2026. augusztus 16., vasárnap · Kutatás

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 modellek valós hardveren, például a nyílt forráskódú ALOHA platformon is órákig megbízhatóan futottak.

Miért fontos?

Ha a vállalat állítása beigazolódik, csökkentheti a robotok betanításához szükséges drága és időigényes valós teszteket.

Források

The Decoder

Említve a tudásbázisban

szereplő Fei-Fei Li

Kapcsolódó témák

Napi összefoglalók AI kutatás #World Labs#robotszimuláció

Napi összefoglaló

Ez a hír a 2026. augusztus 16., vasárnap napi AI összefoglaló része.

Kapcsolódó hírek

World Labs szimulációs motorral gyorsítaná a robottanítást

A Fei-Fei Li által alapított World Labs bemutatta a Real-to-Sim-to-Real (R2S2R) nevű rendszerét, amely egyetlen valós robotfeladatból ezernyi szimulált variációt hoz létre a vezérlőmodellek betanításához. A cég állítása szerint a technológia – amely a júliusban felvásárolt SceniX startuptól származik – a robotot, az érzékelőket és a környezetet interaktív virtuális világgá alakítja, amely fizikailag is úgy viselkedik, mint az eredeti. World Labs szerint a fő akadály nem a modellarchitektúra, hanem a megbízható működéshez szükséges tapasztalat mennyisége, amit valós teszteléssel drágán és nehezen lehetne biztosítani. A vállalat közlése szerint a szimulációban betanított modelleket valós hardveren, köztük a nyílt forráskódú ALOHA robotplatformon is kipróbálták, órákig megbízhatóan működtek. Az állítások egyelőre a cég saját közleményéből származnak, független megerősítés nem ismert.

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.

AI-főnök először rúgott ki emberi alkalmazottat egy san franciscói boltban

Az Andon Labs cég szerint az általuk üzemeltetett Luna nevű AI-ügynök áprilisa óta vezeti a San Franciscó-i Andon Marketet, és most először bocsátott el egy emberi dolgozót. Luna az Anthropic Claude Opus 4.8 modelljén futott, saját maga írt korábban egy szabályzatot a késésekről, ám ez az emlékezetéből kiesett, így sokáig elnézte a problémákat: a cég szerint a dolgozó 23 műszakból 17-ben késett, ebből Luna csak hatot rögzített hivatalosan. A dolgozó emellett céges kártyát is használt tiltás ellenére, és utasításokat hagyott figyelmen kívül. Az elbocsátásra végül csak azután került sor, hogy emberek emlékeztették Lunát saját szabályaira; a döntést emberek vizsgálták felül és hajtották végre. Az Andon Labs szerint hét modell tesztelésekor a képességesebb AI-modellek következetesebben javasolták a felmondást, mint a gyengébbek.

Tanulmány szerint az AI nem javíthatja, csak felszínesebbé teheti a kutatást

Egy elméleti közgazdasági modell, amelyet a Princeton, a University of Washington és más intézmények kutatói jegyeznek, azt vizsgálja, mi történik, ha a nyelvi modellek időt takarítanak meg a tudósoknak. A szerzők a mesterséges intelligenciát idealizáltan, hibamentesnek és gyakorlatilag ingyenesnek feltételezik, hogy tisztán az időmegtakarítás hatását mérhessék. A viselkedésökológiából ismert táplálékkereső modellt adaptálva azt állítják, hogy a felszabaduló idő alternatívaköltsége megnő: minden órát, amit egy meglévő projektre fordítanak, elveszítenek egy új elindításától. A modell szerint három lehetséges forgatókönyvből kettőben az AI alkalmazása felszínesebb kutatáshoz vezet, mert a kutatók inkább új projekteket indítanak, semmint elmélyülnének a meglévőkben. Ez egy nem lektorált, elméleti modellezésen alapuló állítás, nem empirikus mérés eredménye.