Das chinesische Unternehmen X Square Robot, das im Bereich der verkörperten künstlichen Intelligenz tätig ist, legt eine klare Vision für den Bau allgemeiner Roboter vor, die zwischen Aufgaben und Plattformen wechseln können: einen integrierten Stack, der mit Interaktionsdaten beginnt, über ein Modell der physikalischen Welt führt und mit einem Aktionsmodell endet, das Wahrnehmung, Planung, Schlussfolgern und Entscheidungsfindung verbindet, um ausführbares Verhalten zu erzeugen. Dieser Ansatz kommt zu einer Zeit, in der Roboter noch überwiegend auf getrennten Komponenten beruhen, die nicht unbedingt eine allgemeine Fähigkeit hervorbringen, die sich von einer Aufgabe auf eine andere oder von einer Maschine auf eine andere übertragen lässt.
Im Gegensatz zu großen Sprachmodellen, die von einem Rezept profitiert haben, das auf dem Vortraining mit umfangreichen Daten beruht, gibt es im Bereich der Robotik bislang keine Einigkeit über ein entsprechendes Rezept zum Aufbau allgemeiner verkörperter Intelligenz. X Square Robot setzt darauf, dass dieses Rezept nicht in einem einzigen umfassenden Modell besteht, sondern in miteinander verbundenen Schichten, die innerhalb einer umfassenderen Ausrichtung arbeiten, die das Unternehmen World Unified Model nennt und die Sehen, Sprache, Handlung und die Vorhersage physikalischer Veränderungen verbindet.
Interaktion statt Bewegungsbahn
Die Vision des Unternehmens beruht auf drei Hauptprinzipien. Das erste besagt, dass die grundlegende Einheit von Roboterdaten die Interaktion und nicht allein die Bewegungsbahn sein sollte; eine Demonstration ist nicht schon deshalb erfolgreich, weil sich die Gelenke bewegen, sondern erst dann, wenn sie die Welt auf die beabsichtigte Weise verändert. Das zweite Prinzip lautet, dass Vortraining eine nutzbare Fähigkeit hervorbringen sollte und nicht lediglich einen Ausgangspunkt, der eine intensive Feinabstimmung erfordert. Das dritte Prinzip besteht darin, Verhalten an physikalischen Ereignissen und nicht an festen Zeitabschnitten auszurichten.
Diese Prinzipien machen die Schichten des Stacks miteinander verbunden. Roboterfreie Daten, die zum Training des Aktionsmodells verwendet werden, werden auch organisiert, um das Weltmodell zu speisen. Das Unternehmen stellt jedoch klar, dass das Weltmodell und das Aktionsmodell zwei unabhängige und sich ergänzende Modellfamilien sind, die innerhalb der umfassenderen World-Unified-Model-Struktur eine gemeinsame Softwarebasis nutzen.
Günstigere und besser kontrollierte Daten
X Square Robot ist der Ansicht, dass der Engpass bei allgemeinen Robotern weniger mit der Anzahl der Parameter als mit den Kosten und der Qualität von Interaktionsdaten zusammenhängt. Deshalb entwickelte das Unternehmen das Datenerfassungssystem QUANXTA Zero Series, eine Schnittstelle zur Interaktion mit Robotern, bei der Menschen eine mit zwei Greifern ausgestattete Plattform tragen, anstatt einen Roboter während der Aufzeichnung von Demonstrationen per Fernsteuerung zu bedienen.
Der wichtigste Unterschied besteht darin, dass die physikalische Validierung in die Qualitätssicherungsschleife integriert wird. Die Plattform zeichnet die Bahnen auf, anschließend wird eine Stichprobe davon auf einem echten Roboter wiedergegeben, und nur Demonstrationen, die die Aufgabe tatsächlich ausführen, werden gezählt. Das Schließen des Greifers einen Sekundenbruchteil zu früh kann in den Daten wie ein erfolgreicher Greifvorgang aussehen, in der Realität jedoch dazu führen, dass das Objekt weggestoßen wird. Nach Angaben des Unternehmens lag der Anteil gültiger Daten in seiner Pipeline bei etwa 85 Prozent.
Das Unternehmen kombiniert außerdem eine große Menge aufgezeichneter menschlicher Demonstrationen ohne Roboter mit einer kleinen Menge echter Roboterdaten, um das Modell auf die Dynamik einer bestimmten Maschine abzustimmen. Es erklärt, dass diese Methode eine Leistung erzielt, die der einer vollständig auf Robotern beruhenden Datensammlung nahekommt, und die Erfassungskosten um etwa das 20-Fache senkt. Dies ist hauptsächlich auf die geringeren Kosten der tragbaren Plattform im Vergleich zu Fernsteuerungsaufbauten zurückzuführen. Die stärksten genannten Ergebnisse wurden jedoch an den Robotern und mit den Datenerfassungspipelines des Unternehmens gemessen, weshalb umfassendere unabhängige Tests erforderlich sind, um die Übertragbarkeit zu überprüfen.
Ereignisbasiertes Weltmodell
Das Weltmodell des Unternehmens trägt den Namen WALL-WM und verwendet handlungsbezogene semantische Ereignisse als grundlegende Einheit. Dazu gehören zusammenhängende Verhaltensweisen wie das Erreichen eines Objekts, das Greifen danach oder das Platzieren; es handelt sich um Handlungen, die sprachlich beschrieben, in einem Video gesehen und als Bewegung ausgeführt werden können.
Dieser Ansatz kritisiert die Aufteilung von Verhalten in feste Zeitfenster, da die Grenzen eines Fensters mitten in einer einzelnen Bewegung liegen oder zwei unterschiedliche Bewegungen zusammenfassen können. Daher arbeitet WALL-WM im Ereignismodus mit Segmenten variabler Länge, die sich für das Schlussfolgern bei langfristigen Aufgaben eignen, und bietet außerdem einen Modus fester Länge zur Erzeugung stabiler Echtzeitausgaben, die vom Steuermodul verwendet werden können.
Um das in großen Videomodellen vorhandene visuelle Wissen zu bewahren, verbindet das Design ein Text-zu-Video-Transformermodell mit einem neu angepassten Aktionsnetzwerk, das Videomerkmale ausliest, ohne sie zu überschreiben. Nach Angaben des Unternehmens umfassten die Experimente einen Generalisierungstest für langfristige Aufgaben in Konfigurationen, die während des Trainings nicht gesehen wurden. Dabei übertraf das Modell Basismodelle, die auf einschlägigen Daten innerhalb des unternehmenseigenen Benchmarks für echte Roboter feinabgestimmt worden waren. Diese Ergebnisse wurden dem Artikel zufolge jedoch weiterhin an einem internen Benchmark gemessen, während die Veröffentlichung des Codes der Gemeinschaft ermöglicht, sie zu testen und zu reproduzieren.
Ein einsetzbares Aktionsmodell und semantische Kodierung
Wall-OSS-0.5 ist das Seh-, Sprach- und Aktionsmodell des Unternehmens. X Square Robot legt für sich selbst einen strengen Maßstab an: Das vortrainierte Modell sollte auf einem echten Roboter funktionieren, bevor eine aufgabenspezifische Feinabstimmung durchgeführt wird.
Das Modell trainiert gleichzeitig drei Ziele: diskrete Aktions-Token, die Zuordnung von Sprache zu Handlung und die Erzeugung kontinuierlicher Aktionen. Dabei lässt es Gradienten durch diese Komponenten fließen, anstatt Teile des Netzes einzufrieren. Das Unternehmen verweist auf unkontrollierte vortrainierte Verhaltensweisen wie Annäherung, Greifen und Erholung, darunter eine Aufgabe mit verformbaren Objekten, die nicht in den Trainingsdaten enthalten war.
Die Aktionsschnittstelle X-Tokenizer definiert die Umwandlung kontinuierlicher Bewegung in Token als das Erlernen einer semantischen Schnittstelle neu. Das übergeordnete Token drückt die Bewegungsabsicht aus, während die untergeordneten Token die feinen Details tragen; zugleich werden diese Repräsentationen an die Merkmale des Sprachmodells angepasst. Nach Darstellung des Unternehmens führt das Einbringen von Rauschen in die Aktion nur zu einer geringfügigen Änderung des Intentions-Tokens. Dies erleichtert die Wiederverwendung des Tokenizers zwischen verschiedenen Robotern, ohne ihn erneut abstimmen zu müssen.
Was muss noch bewiesen werden?
Der Artikel ist der Ansicht, dass die Kombination aus Datenqualitätskontrolle durch physische Wiedergabe, ereignisbasierter Modellierung und einem Maßstab für die Einsetzbarkeit vor der Feinabstimmung dem Ansatz von X Square Robot eine besondere Kohärenz verleiht. Damit ist die Frage der Skalierbarkeit außerhalb des Unternehmensökosystems jedoch noch nicht geklärt. Der Unternehmenswert stieg auf über 20 Milliarden Yuan, also etwa 2,9 Milliarden US-Dollar. Dies ist ein Hinweis auf das Vertrauen der Investoren in die Bedeutung von Dateninfrastruktur, Basismodellen und skalierbaren Trainingssystemen für verkörperte künstliche Intelligenz, stellt jedoch für sich genommen keinen Beleg für die technische Leistung dar.
Das Unternehmen fordert Forschende auf, drei Dinge zu prüfen: wie gut sich ereignisbasierte Repräsentationen über unterschiedliche Aufgaben, Szenen, Objekte, Roboter und Fehlerbedingungen verallgemeinern lassen; ob Vortraining auf Robotern weiterhin wirksam ist, die das Modell während des Trainings nicht gesehen hat; und ob sich eine gemeinsame Bewertung für echte Roboter entwickeln lässt, die nicht nur Erfolgsraten vergleicht, sondern auch die Ursachen von Fehlschlägen bestimmt, etwa ein Missverständnis der Anweisungen, einen Ausfall der Wahrnehmung oder eine unzureichende Erholung.
Nach der Vision von X Square Robot erfordert der Einzug von Robotern in Haushalte mehr als eine höhere Erfolgsrate bei einer einzelnen Aufgabe. Ein zuverlässiger Haushaltsroboter muss seine Unsicherheit erkennen, bei Bedarf langsamer werden, um Hilfe bitten und die Umgebung wieder in einen sicheren Zustand versetzen, nachdem er einen Gegenstand fallen gelassen oder eine Anfrage missverstanden hat. Außerdem braucht er eine vorsichtige Personalisierung, durch die er die Routinen und Vorlieben einer Familie erlernt und dabei Sicherheit und Vertrauen priorisiert. Angesichts der Tatsache, dass die derzeitigen Belege in hohem Maße auf den Robotern und Benchmarks des Unternehmens beruhen, bleibt diese Vision eine wichtige technische These, die noch einer breiteren Überprüfung durch die Forschungsgemeinschaft bedarf.