A empresa chinesa de inteligência artificial incorporada X Square Robot apresenta uma visão clara para construir robôs gerais capazes de alternar entre tarefas e plataformas: uma pilha integrada que começa com dados de interação, passa por um modelo do mundo físico e termina com um modelo de ações que reúne percepção, planejamento, raciocínio e tomada de decisão para produzir um comportamento executável. Essa proposta surge em um momento em que os robôs ainda dependem, em grande parte, de componentes separados que não necessariamente produzem uma capacidade geral transferível de uma tarefa para outra ou de uma máquina para outra.
Ao contrário dos grandes modelos de linguagem, que se beneficiaram de uma receita baseada no pré-treinamento com dados amplos, ainda não há consenso no campo da robótica sobre uma receita equivalente para construir uma inteligência incorporada geral. A X Square Robot aposta que essa receita não consiste em um único modelo abrangente, mas em camadas interconectadas que operam dentro de uma abordagem mais ampla chamada pela empresa de World Unified Model, que reúne visão, linguagem, ação e previsão de mudanças físicas.
Interação em vez de trajetória de movimento
A visão da empresa baseia-se em três princípios principais. O primeiro é que a unidade básica dos dados robóticos deve ser a interação, e não apenas a trajetória de movimento; uma demonstração não é considerada bem-sucedida simplesmente porque as articulações se moveram, mas quando altera o mundo da maneira pretendida. O segundo é que o pré-treinamento deve produzir uma capacidade utilizável, e não apenas um ponto de partida que exija um ajuste fino intensivo. O terceiro princípio consiste em organizar o comportamento em torno de eventos físicos, e não de segmentos temporais fixos.
Esses princípios tornam as camadas da pilha interconectadas. Os dados sem robô usados para treinar o modelo de ações também são organizados para alimentar o modelo do mundo. Ainda assim, a empresa esclarece que o modelo do mundo e o modelo de ações são duas famílias independentes e complementares de modelos, que compartilham uma base de código dentro da arquitetura mais ampla do World Unified Model.
Dados menos dispendiosos e mais controlados
A X Square Robot considera que o gargalo para os robôs gerais está menos relacionado ao número de parâmetros do que ao custo e à qualidade dos dados de interação. Por isso, desenvolveu o sistema de coleta de dados QUANXTA Zero Series, uma interface para interagir com robôs na qual as pessoas vestem uma plataforma equipada com duas pinças, em vez de controlar remotamente um robô durante o registro das demonstrações.
A principal diferença está na introdução da verificação física no ciclo de controle de qualidade. A plataforma registra as trajetórias, depois uma amostra delas é reproduzida em um robô real, e somente as demonstrações que executam efetivamente a tarefa são contabilizadas. Fechar a pinça uma fração de segundo antes do momento adequado pode parecer nos dados uma operação de preensão bem-sucedida, mas, na realidade, pode empurrar o objeto para longe. Segundo a empresa, a taxa de validade dos dados em seu pipeline chegou a cerca de 85%.
A empresa também combina uma grande quantidade de demonstrações humanas registradas sem robô com uma pequena quantidade de dados de robôs reais para adaptar o modelo à dinâmica de uma máquina específica. Afirma que esse método alcança um desempenho próximo ao de um conjunto de dados baseado inteiramente em robôs, reduzindo o custo de coleta em cerca de 20 vezes, principalmente devido ao menor custo da plataforma vestível em comparação com configurações de controle remoto. No entanto, os resultados mais fortes mencionados foram medidos nos robôs da empresa e em suas linhas de coleta de dados, o que torna necessários testes independentes mais amplos para verificar a generalização.
Um modelo do mundo baseado em eventos
O modelo do mundo da empresa chama-se WALL-WM e adota eventos semânticos associados à ação como unidade básica. Essa unidade inclui um comportamento coerente, como alcançar um objeto, agarrá-lo ou colocá-lo; são ações que podem ser descritas em linguagem, vistas em um vídeo e executadas como movimento.
Essa abordagem critica a divisão do comportamento em janelas temporais fixas, porque os limites da janela podem cair no meio de um único movimento ou reunir dois movimentos diferentes. Por isso, o WALL-WM opera no modo de eventos em segmentos de duração variável, adequados ao raciocínio sobre tarefas de longa duração, e também oferece um modo de comprimento fixo para produzir saídas instantâneas estáveis que a unidade de controle pode utilizar.
Para preservar o conhecimento visual existente nos grandes modelos de vídeo, o projeto conecta um modelo de texto para vídeo a uma rede de ações recém-adaptada, que lê as características do vídeo sem sobrescrevê-las. A empresa afirma que seus experimentos incluíram um teste de generalização para tarefas longas em configurações não vistas durante o treinamento, e que o modelo superou modelos de base ajustados com dados relevantes no benchmark da empresa para robôs reais. No entanto, segundo o material, esses resultados ainda são medidos em um benchmark interno, enquanto a publicação do código permite à comunidade testá-los e reproduzi-los.
Um modelo de ações implantável e uma codificação semântica
O Wall-OSS-0.5 representa o modelo de visão, linguagem e ação da empresa. A X Square Robot estabelece para si um padrão rigoroso: o modelo pré-treinado deve funcionar em um robô real antes de qualquer ajuste fino específico para uma determinada tarefa.
O modelo treina simultaneamente três objetivos: tokens de ações discretos, alinhamento entre linguagem e ação e geração de ações contínuas, mantendo os gradientes passando por esses componentes em vez de congelar partes da rede. A empresa cita um comportamento sem ajuste fino prévio que inclui aproximação, preensão e recuperação, incluindo uma tarefa com objetos deformáveis que não estava presente em seus dados de treinamento.
Já a interface de ações X-Tokenizer redefine a conversão do movimento contínuo em tokens como o aprendizado de uma interface semântica. O token superior expressa a intenção do movimento, enquanto os tokens inferiores carregam os detalhes finos, com esses elementos alinhados às características do modelo de linguagem. Segundo a descrição da empresa, inserir ruído na ação altera apenas ligeiramente o token de intenção, o que ajuda a reutilizar o tokenizador entre robôs diferentes sem reajustá-lo.
O que precisa ser comprovado?
O material considera que a combinação entre controle de qualidade dos dados por meio da reprodução física, modelagem baseada em eventos e um padrão de capacidade de implantação antes do ajuste fino confere coerência diferenciada à abordagem da X Square Robot. Isso, porém, ainda não resolve a questão da escalabilidade para fora do ecossistema da empresa. O valor da empresa ultrapassou 20 bilhões de yuans, ou cerca de 2,9 bilhões de dólares, indicando a confiança dos investidores na importância da infraestrutura de dados, dos modelos fundamentais e dos sistemas de treinamento escaláveis na inteligência artificial incorporada, mas não constitui, por si só, evidência do desempenho técnico.
A empresa convida os pesquisadores a testar três aspectos: em que medida as representações baseadas em eventos se generalizam entre diferentes tarefas, cenários, objetos, robôs e condições de falha; se a eficácia do pré-treinamento continua em robôs que o modelo não viu durante o treinamento; e se é possível construir uma avaliação conjunta para robôs reais que não compare apenas as taxas de sucesso, mas também identifique as causas das falhas, como compreensão inadequada das instruções, falhas de percepção ou recuperação insuficiente.
Segundo a visão da X Square Robot, a chegada dos robôs aos lares exige mais do que aumentar a taxa de sucesso em uma única tarefa. Um robô doméstico confiável deve reconhecer sua incerteza, desacelerar quando necessário, pedir ajuda e devolver o ambiente a um estado seguro após derrubar um objeto ou interpretar mal um pedido. Também precisa de uma personalização cuidadosa, que aprenda a rotina e as preferências da família, mantendo a segurança e a confiança como prioridades. Diante da dependência significativa das evidências atuais em relação aos robôs e benchmarks da empresa, essa visão continua sendo uma tese técnica importante à espera de uma validação mais ampla pela comunidade de pesquisa.