گوگل دیپ‌مایند با کمک Gemini 4 Argon به ربات انسان‌نمای آپولو یاد می‌دهد با تماشای ویدئو مهارت‌های جدید بیاموزد
| نویسنده: سم فرانسیس
گوگل دیپ‌مایند روش جدیدی برای آموزش ربات‌ها به نمایش گذاشته است که در آن، مدل هوش مصنوعی Gemini 4 Argon با تماشای یک ویدئو، انجام یک کار فیزیکی را یاد می‌گیرد و سپس رفتار آموخته‌شده را به ربات انسان‌نمای آپولو، محصول شرکت اپترونیک، منتقل می‌کند.
این نمایش بخشی از معرفی Gemini 4 Argon، جدیدترین مدل پیشرفته هوش مصنوعی گوگل، است. به گفته این شرکت، مدل یادشده توانایی استدلال بصری و معنایی، درک دنیای فیزیکی و تولید خودکار کد را برای کاربردهای رباتیک با یکدیگر ترکیب می‌کند.
در یک آزمایش داخلی، ویدئوی خامی از فردی که مشغول بازی کورن‌هول بود به آرگون نشان داده شد. این مدل محیط را تحلیل کرد، مختصات مکانی آن را تعیین کرد و حرکات مفاصل سراسر بدن را که برای انجام این کار لازم بود، محاسبه کرد.
سپس آرگون به‌صورت خودکار کدهای موردنیاز برای شبیه‌سازی را تولید کرد و در مرحله بعد، رفتار آموخته‌شده به ربات انسان‌نمای آپولو، ساخت اپترونیک، منتقل شد.
به گفته گوگل دیپ‌مایند، آپولو در ادامه و طی یک آزمایش در دنیای واقعی، هفت پرتاب پیاپی موفق انجام داد.
این شرکت رویکرد یادشده را خط لوله «از ویدئو به شبیه‌سازی و سپس به دنیای واقعی» (Video-to-Sim-to-Real) می‌نامد. به گفته گوگل دیپ‌مایند، این روش می‌تواند فرایند شبیه‌سازی رباتیک را که معمولاً به هفته‌ها کار دستی نیاز دارد، به چند ساعت کاهش دهد.
گوگل دیپ‌مایند درباره این فناوری می‌گوید: «این خط لوله از ویدئو به شبیه‌سازی و سپس به دنیای واقعی، هفته‌ها کار دستی برای مدل‌سازی شبیه‌سازی را به چند ساعت کاهش می‌دهد و ویدئوهای معمولی را به محیطی آموزشی، مقیاس‌پذیر و نامحدود برای رباتیک تبدیل می‌کند.»
هدف از این نمایش آن است که مشخص شود مدل‌های هوش مصنوعی همه‌منظوره چگونه می‌توانند میزان مهندسی دستی موردنیاز برای آموزش مهارت‌های فیزیکی جدید به ربات‌ها را کاهش دهند.
گوگل دیپ‌مایند همچنین آرگون را با استفاده از معیار سنجش استدلال تجسم‌یافته خود، موسوم به ERQA، ارزیابی کرده است. این معیار توانایی مدل را در استدلال درباره مسائل فیزیکی و مکانی در محیط‌های سه‌بعدی می‌سنجد. به گفته این شرکت، آرگون در این ارزیابی امتیاز ۸۷ درصد را کسب کرده است.
گوگل، Gemini 4 Argon را در سطحی گسترده‌تر نیز برای انجام وظایف پیچیده مهندسی، علمی، برنامه‌نویسی و تجاری معرفی می‌کند. این شرکت می‌گوید تاکنون از این مدل در پروژه‌هایی با دامنه‌ای از بهینه‌سازی مجموعه‌های بزرگ کد نرم‌افزاری تا محاسبات کوانتومی، همجوشی هسته‌ای و پژوهش‌های علوم زیستی استفاده کرده است.
این مدل اکنون از طریق محصولات هوش مصنوعی گوگل و رابط برنامه‌نویسی کاربردی Gemini (Gemini API) در دسترس قرار گرفته است. گوگل، پروژه رباتیک یادشده را بخشی از تلاش گسترده‌تر خود برای به‌کارگیری توانایی‌های پیشرفته استدلال هوش مصنوعی در سامانه‌های فیزیکی می‌داند.