پیشی گرفتن اکس‌پنگ از OpenAI در آزمون‌های سنجش ادراک با مدل ۴ میلیارد پارامتری GroundingPI
شرکت خودروسازی برقی اکس‌پنگ از یک مدل پایه هوش مصنوعی برای ادراک در سامانه‌های رباتیک و هوش مصنوعی تجسم‌یافته با نام GroundingPI رونمایی کرده است. این شرکت اعلام کرده که مدل جدید در مجموع ۳۴ آزمون عمومی سنجش ادراک، امتیازی بالاتر از مدل پیشرفته GPT-6 Astra متعلق به OpenAI کسب کرده است.
این مدل با حدود ۴ میلیارد پارامتر طراحی شده و معماری آن در درجه نخست بر قابلیت ادراک متمرکز است. GroundingPI در ارزیابی‌های جامع رتبه نخست را به دست آورده و در وظایف شبیه‌سازی ربات‌ها نیز بهره‌وری بیشتری در پردازش داده‌ها نشان داده است. اکس‌پنگ این مدل را با همکاری گروه‌های پژوهشی دانشگاه پکن و دانشگاه هنگ‌کنگ توسعه داده است. هدف اصلی این همکاری، کاهش چشمگیر هزینه جمع‌آوری دستی داده‌های نمایشی برای آموزش ربات‌هاست.
در مقایسه مستقیم میان ۱۱ دسته از قابلیت‌ها، GroundingPI امتیاز ۷۳٫۶۸ را کسب کرد و با اختلافی اندک از امتیاز ۷۱٫۵۴ مدل GPT-6 Astra پیشی گرفت؛ مدلی که OpenAI در سپتامبر سال جاری میلادی منتشر کرده بود. کد و وزن‌های مدل GroundingPI نیز به‌صورت متن‌باز در دسترس قرار گرفته‌اند.
امتیازهای آزمون‌ها و طراحی فنی
اکس‌پنگ می‌گوید مدل‌های بزرگ و عمومی موجود عمدتاً برای محیط‌های دیجیتال طراحی شده‌اند و هنگام استفاده مستقیم در محیط‌های فیزیکی، مانند رانندگی خودران و رباتیک، با شکاف سازگاری روبه‌رو می‌شوند. از نگاه این شرکت، پیش‌نیاز اصلی تحقق هوش مصنوعی تجسم‌یافته، توانایی درک دقیق موقعیت‌های مکانی و فضایی است.
بر همین اساس، GroundingPI در مرحله آموزش از داده‌های رباتیک دارای برچسب مربوط به حرکت مفاصل استفاده نمی‌کند و آموزش آن کاملاً بر داده‌های خالص ادراکی، بدون برچسب‌های مربوط به عمل، متکی است. این رویکرد به مدل امکان می‌دهد ۱۱ حوزه مختلف از قابلیت‌ها، از جمله تشخیص عمومی اشیا، تشخیص متن و تعیین موقعیت مکانی ربات‌ها در فضا را پوشش دهد.
هوش مصنوعی تجسم‌یافته معمولاً از دو سامانه تشکیل می‌شود: سامانه سریع یا «سیستم ۱» که مسئول ادراک پرسرعت و اجرای حرکات است و سامانه کند یا «سیستم ۲» که درک وظایف و برنامه‌ریزی را بر عهده دارد. به گفته اکس‌پنگ، GroundingPI قرار است زیرساختی پایه و مبتنی بر ادراک برای سامانه سریع فراهم کند، نه اینکه جایگزین قابلیت‌های عمومی مدل‌های بزرگ هوش مصنوعی در سامانه کند شود.
«این پژوهش در حال حاضر در مرحله نمونه اولیه علمی قرار دارد، اما نتایج شبیه‌سازی آن دو چالش اساسی در مسیر استقرار گسترده این فناوری را تأیید کرده است.»
نصف شدن حجم داده‌های موردنیاز در آزمایش‌های انبارداری
این پژوهش هنوز در مرحله نمونه اولیه علمی است، اما نتایج شبیه‌سازی آن دو چالش اصلی در مسیر توسعه و استقرار گسترده ربات‌ها را بررسی کرده است. نخستین چالش، کاهش چشمگیر هزینه جمع‌آوری دستی داده‌های نمایشی برای آموزش ربات‌هاست.
بر اساس نتایج اعلام‌شده، سامانه‌ای که از GroundingPI به‌عنوان زیرساخت بینایی خود استفاده می‌کند، با بهره‌گیری از تنها ۵۰ درصد داده‌های نمایشی موردنیاز، می‌تواند به نرخ موفقیت اجرای وظایف بالاتری نسبت به مدل‌های مقایسه‌ای دست یابد؛ حتی زمانی که این مدل‌ها از ۷۵ درصد داده‌های نمایشی استفاده می‌کنند. دلیل این بهبود آن است که GroundingPI مستقیماً وظیفه مکان‌یابی اشیا را بر عهده می‌گیرد؛ وظیفه‌ای که در مدل‌های سنتی بینایی-زبان-عمل (VLA) به‌عنوان بخشی از فرایند پردازش انجام می‌شود.
چالش دوم، افزایش توانایی تعمیم مدل به محیط‌ها و سناریوهای مختلف است. در محیط‌های شبیه‌سازی پرتراکم، مانند مرتب‌سازی مواد فله‌ای و شمارش اقلام داخل محفظه‌ها، سامانه هنگام مواجهه با تغییر جنس مواد، دسته‌بندی اشیا و پس‌زمینه، عملکردی پایدار حفظ می‌کند. این ویژگی می‌تواند زمینه استفاده مجدد از سامانه را در ایستگاه‌های کاری مختلف فراهم کند.
یکپارچه‌سازی هوش ماشینی
توسعه GroundingPI گامی مهم برای خودروساز چینی در مسیر ساخت یک سامانه هوش مصنوعی فیزیکی به شمار می‌رود. اکس‌پنگ طی سال‌های اخیر سرمایه‌گذاری خود در حوزه هوش مصنوعی فیزیکی را افزایش داده و امیدوار است از این طریق، سامانه‌های رانندگی هوشمند، ربات‌های انسان‌نما و کسب‌وکار تاکسی‌های رباتیک خود را توسعه دهد.
اکس‌پنگ پیش‌تر در سال جاری میلادی، مرکز رانندگی خودران و مرکز کابین هوشمند خود را در یک مرکز هوش عمومی ادغام کرده بود. این مرکز زیر نظر لیو شیانمینگ، متخصص هوش مصنوعی، فعالیت می‌کند و با تجمیع منابع دو بخش، قرار است زیرساخت یکپارچه و مشترکی برای توسعه قابلیت‌های هوش مصنوعی در کسب‌وکارهای خودروسازی و رباتیک شرکت فراهم کند.
پیش‌تر نیز یک ربات انسان‌نمای Iron ساخت اکس‌پنگ در نمایشگاه خودروی پکن در آوریل ۲۰۲۶ به نمایش گذاشته شده بود.
پرسش و پاسخ
عملکرد GroundingPI در مقایسه با مدل پیشرفته OpenAI چگونه بود؟
GroundingPI در ارزیابی مستقیم شامل ۱۱ دسته قابلیت و ۳۴ آزمون عمومی، امتیاز ۷۳٫۶۸ را کسب کرد و از امتیاز ۷۱٫۵۴ مدل GPT-6 Astra متعلق به OpenAI پیشی گرفت. این معماری ۴ میلیارد پارامتری همچنین در جریان وظایف شبیه‌سازی ربات‌ها، بهره‌وری بیشتری در پردازش داده‌ها نشان داد.
این مدل چگونه نیاز به داده‌های نمایشی ربات‌ها را کاهش می‌دهد؟
این مدل در مرحله آموزش از داده‌های رباتیک دارای برچسب‌های مربوط به حرکت مفاصل استفاده نمی‌کند و صرفاً بر ورودی‌های ادراکی خالص متکی است. در نتیجه، سامانه‌های رباتیکی مجهز به GroundingPI می‌توانند با کاهش حجم داده‌های نمایشی موردنیاز به ۵۰ درصد، از نظر نرخ موفقیت اجرای وظایف از مدل‌های سنتی پیشی بگیرند.
GroundingPI چه جایگاهی در راهبرد فناوری گسترده‌تر اکس‌پنگ دارد؟
GroundingPI به‌عنوان زیرساختی مبتنی بر ادراک برای سامانه‌های پرسرعت طراحی شده و از توسعه فناوری رانندگی هوشمند، تاکسی‌های رباتیک و ربات‌های انسان‌نمای اکس‌پنگ پشتیبانی می‌کند. این پروژه بخشی از برنامه گسترده‌تر شرکت برای یکپارچه‌سازی فعالیت‌های هوش مصنوعی است؛ برنامه‌ای که پیش‌تر با ادغام واحدهای رانندگی خودران و کابین هوشمند در یک مرکز هوش عمومی دنبال شده بود.
آیا GroundingPI برای استفاده تجاری آماده است؟
این مدل در حال حاضر در مرحله نمونه اولیه علمی قرار دارد، هرچند اکس‌پنگ کد و وزن‌های آن را به‌صورت متن‌باز منتشر کرده است. GroundingPI با همکاری دانشگاه پکن و دانشگاه هنگ‌کنگ توسعه یافته و هدف آن رفع چالش‌های اساسی در مسیر گسترش و استقرار ربات‌ها در مقیاس وسیع است.