Ricoh, 31 Ağustos 2026'da, robotlara insan çalışmalarıyla ilişkili eylemleri belirli bir robot yapısına veya kontrol mekanizmasına doğrudan bağlamak yerine görüntü verileri aracılığıyla öğretmeyi amaçlayan fiziksel yapay zekâ (Physical AI) teknolojisi geliştirdiğini açıkladı. Şirket, teknolojinin fiziksel koşullar temelinde oluşturulmuş bir simülasyon ortamındaki etkinliğini doğruladığını ve eğitim sürecini simülasyondan gerçek robotlara taşımayı hedefleyen bir adım attığını belirtti.
Bu adım, Ricoh'un yapay zekâ alanındaki faaliyetlerini genişletme eğiliminin bir parçası olarak ve Physical AI'ın geliştirilmesini hızlandırmak amacıyla model eğitimi ve testlerini destekleyen bilgi işlem kaynakları ile bulut hizmetleri sağlayan AWS Japan programına katılımıyla paralel şekilde atıldı.
Robot komutlarını ezberlemek yerine eylemlerden öğrenme
Teknoloji, Latent Action Model (LAM) veya örtük eylem modeli üzerine kuruludur. Model, çalışma sırasında kaydedilen görüntü ya da videolardaki değişimlerden öğrenerek bir nesneyi kavrama, hareket ettirme, uzaklaştırma veya hedeflenen bir unsuru hareket ettirme gibi eylemleri çıkarır. Ricoh'un açıklamasına göre LAM, gözlem verilerinde hareketin ya da komutların tüm ayrıntıları açıkça tanımlanmadığında bile sahnede gerçekleşen fiilî davranışı öğrenmeye odaklanır.
Şirket, bu yaklaşımın öğrenmenin belirli bir robotun özelliklerine bağımlılığını azaltabileceğini belirtiyor; çünkü model, belirli eklemlere veya kontrol mekanizmalarına bağlı talimatlarla yetinmek yerine eylemin genel bir temsilini öğreniyor. İnsanların ve robotların eylemlerine ait veriler de modelin eğitilmesinde kullanılabiliyor; ardından modelin çıktılarından, görme, dil ve eylemi birleştiren Vision Language Action modellerinin geliştirilmesinde yararlanılabiliyor.
Uygulamada ne değişiyor?
Ricoh'un hedeflediği sorun, eğitim verilerinin toplanma maliyetidir. Her robotun yapısının ve kendine özgü kontrol mekanizmasının farklı olması, genellikle her cihaz için ayrı veri toplanmasını gerektiriyor. Bu durum, insansı robotlarda daha da karmaşık hâle geliyor. Şirket, eylem temsilinin robot yapısından ayrılmasının verilerin daha yüksek ölçüde yeniden kullanılmasını sağlayabileceğini ve modellerin farklı görevlere ve robotlara uyarlanmasını destekleyebileceğini düşünüyor.
Bu, robotlara özgü verilere duyulan ihtiyacın ortadan kaldırıldığı anlamına gelmiyor. Metin, Ricoh'un öğrenme amacıyla simülasyon ortamlarını kullandığını, ardından sonuçları gerçek robotlara aktarmak için Sim2Real tekniklerine başvurduğunu ve çözümlerin farklı robotlara ve çeşitli çalışma ortamlarına uygunluğunu doğrulamaya devam ettiğini açıklıyor.
Eğitim ve simülasyonda AWS'nin rolü
Ricoh, ölçeklenebilir bir öğrenme ortamı oluşturmak, verileri depolamak ve model eğitimini yürütmek için Amazon EC2 ve Amazon S3 dahil AWS bulut hizmetlerini kullanıyor. Şirket, simülasyon ile bulut hizmetlerinin bir arada kullanılmasının fiziksel veri toplama maliyetini azaltmaya yardımcı olduğunu ve büyük veri kümeleri üzerinde eğitimin daha verimli yürütülmesini sağladığını belirtiyor.
Girişim, Ricoh'un yapay zekâ yoluyla dönüşüm için açıkladığı vizyonun bir parçası. Bu vizyon, yapay zekâ belgeleri, üretken yapay zekâ ve yapay zekâ ajanlarıyla başlayan katmanlardan, fiziksel dünyayla etkileşime girebilen Physical AI ajanlarına kadar uzanıyor. Metne göre şirket, ofisler, fabrikalar, lojistik ve bakım alanlarındaki olası uygulamalar üzerinde çalışıyor.
Bu haber neden önemli?
Gelişmenin önemi, yapay zekâya dayalı robotikteki pratik bir engeli ele alma çabasında yatıyor: Her robot veya görev için verileri yeniden toplama ve modeli yeniden eğitme ihtiyacı nasıl azaltılabilir? LAM, daha genel görsel verilerden eylemleri öğrenmek için bir yol sunuyor; ancak tek başına teknolojinin geniş ölçekli üretime hazır olduğunu kanıtlamıyor.
Açıklanan sonuçlar simülasyon ortamları ve doğrulama testleriyle sınırlı kalırken Ricoh, fabrikalarda insansı robotlar için kavram kanıtlama uygulamalarına başladığını ve daha ileri doğrulama aşamalarına kademeli olarak geçmek için çalıştığını belirtiyor. Bu nedenle açık sorular, simülasyondan gerçek dünyaya aktarımın ne ölçüde başarılı olacağı, gereken veri miktarı ve robotlar, görevler ile çalışma ortamları değiştiğinde performansın ne kadar istikrarlı kalacağıyla ilgili olmaya devam ediyor.