شرکت Skild AI از مدل پایه S1 رونمایی کرد: یادگیری کارهای ۱۰ دقیقه‌ای توسط ربات‌ها تنها با یک ویدیو

وقتی یک مدل زبانی بزرگ باید کار جدیدی را یاد بگیرد، کاربران شبکه عصبی آن را بازآموزی نمی‌کنند؛ بلکه فقط یک دستور جدید در کادر پرامپت تایپ می‌کنند. مدل پایه و تازه‌معرفی‌شده S1 از شرکت Skild AI دقیقاً همین سازوکار را در رباتیک فیزیکی به کار می‌گیرد، اما با یک تفاوت اساسی: پرامپت در اینجا، یک ویدیوی تکی از انسانی است که آن کار را انجام می‌دهد.

این سیستم با در نظر گرفتن ویدیوی آموزشی به‌عنوان یک دستورالعمل فوری (و نه نقطه شروعی برای یک چرخه طولانی جمع‌آوری داده)، تلاش می‌کند تا از سد اصلی اتوماسیون رباتیک عبور کند.[3]

مدل S1 که در اواخر آگوست ۲۰۲۶ معرفی شد و امروز توسط انویدیا به‌عنوان یکی از پیاده‌سازی‌های کلیدی زیرساخت هوش مصنوعی فیزیکی این شرکت مورد توجه قرار گرفت، برای اجرای کارهای دستکاری طولانی‌مدتی طراحی شده است که پیش از این هرگز ندیده است. این مدل به هیچ‌گونه تنظیم دقیق برای کارهای خاص یا به‌روزرسانی وزن‌ها نیازی ندارد. در عوض، کاملاً بر یادگیری در-بافت (in-context learning) تکیه می‌کند؛ تغییر پارادایمی که رباتیک را به انعطاف‌پذیری تولیدکنندگان متن امروزی نزدیک‌تر می‌سازد.[1][2]

از نظر تاریخی، آموزش یک مهارت جدید به ربات، تمرینی طاقت‌فرسا در جمع‌آوری داده بوده است. برای اینکه یک بازوی رباتیک بتواند پیراهنی را تا کند یا نوع جدیدی از بسته‌ها را مرتب سازد، مهندسان معمولاً ده‌ها تا صدها ساعت داده تله‌اپریشن (teleoperation) جمع‌آوری می‌کنند — جایی که یک انسان به‌صورت دستی ربات را در طول حرکات هدایت می‌کند — و سپس یک سیاست تخصصی را پس‌آموزش (post-train) می‌دهند. این بازآموزیِ کار-به-کار، گران و کند است و ربات‌ها را به محیط‌های بسیار ساختاریافته و تکراری محدود می‌کند.[2][3]

شرکت Skild AI استدلال می‌کند که همین گلوگاه داده است که رباتیک را در آزمایشگاه‌ها گرفتار کرده است. مدل S1 فاز پس‌آموزش را به‌طور کامل دور می‌زند. به ربات یک ویدیوی خودمحور (زاویه دید اول‌شخص) از انسانی که در حال انجام کار است نشان داده می‌شود. این ویدیو در پنجره بافت (context window) مدل بارگذاری می‌شود و وزن‌های ثابت شبکه عصبی، قصد انسان، تناظرهای عملکردی و حرکات فضایی را مستقیماً به کنترل‌های حرکتی ربات نگاشت می‌کنند.[2]

دیپاک پاتاک، هم‌بنیان‌گذار و مدیرعامل Skild AI می‌گوید: «یادگیری از طریق تجربه، و نه برنامه‌نویسی از پیش تعیین‌شده، تغییر گام‌به‌گامی است که در رباتیک رخ داده است.» این شرکت خاطرنشان می‌کند که در اصطلاحات فرا-یادگیری (meta-learning)، پیش‌آموزش عظیم این مدل به‌عنوان یک حلقه بیرونی عمل می‌کند که به سیستم یاد می‌دهد چگونه از بافت یاد بگیرد. در زمان استنتاج، ویدیوی آموزشی حلقه داخلی را هدایت کرده و بدون تغییر حتی یک پارامتر در مدل، اقدامات ربات را دیکته می‌کند.[1][2]

کارهایی که S1 می‌تواند انجام دهد، حرکات کوتاه و سه‌ثانیه‌ایِ برداشتن و گذاشتن نیستند. شرکت Skild نشان داد که این مدل می‌تواند کارهایی با مدت‌زمان تا ۱۰ دقیقه را در قالب ده‌ها مرحله دستکاری اجرا کند. نمونه‌ها شامل تعویض گلدان یک گیاه، دم کردن قهوه، مونتاژ یک کیت و پختن پنکیک بود. این‌ها توالی‌هایی هستند که ربات را ملزم می‌کنند مهارت‌های اتمی را به روش‌هایی ترکیب کند که پیش از این هرگز انجام نداده است.[1][2]

در دموی تعویض گلدان، از زمان ضبط ویدیوی آموزشی توسط انسان تا شروع اجرای خودکار ربات روی سخت‌افزار، تنها ۱۱ دقیقه زمان برد. در طول این اجرا، ربات رفتارهای بدیعی را در زمان آزمایش نشان داد که در پیش‌آموزش آن وجود نداشت؛ مانند کندن خاک برای ایجاد فضا برای گیاه و فشار دادن یک فیلتر کاغذی درون قیف قهوه.[1][2]

مدل S1 همچنین نشانه‌هایی از درک فیزیکی مبتنی بر عقل سلیم و بازیابی از خطا را نشان داد. در یک آزمایش داخلی، ویدیوی آموزشی شخصی را نشان می‌داد که با آب‌پاش به گیاهی آب می‌دهد، اما به ربات تنها یک فنجان آب داده شده بود.

مدل خود را با این مغایرت تطبیق داد و با موفقیت از فنجان استفاده کرد. در مثالی دیگر، پرامپت لیوانی را نشان می‌داد که با آب‌میوه پر می‌شود، اما لیوان فیزیکی مقابل ربات از قبل تقریباً پر بود؛ S1 شرایط را سنجید و فقط مقدار کمی به آن اضافه کرد.[2]

برای کمی‌سازی عملکرد مدل، Skild بنچمارک‌های داخلی کنترل‌شده‌ای را اجرا کرد که رویکرد مبتنی بر پرامپت ویدیویی S1 را با یک مدل استاندارد بینایی-زبان-عمل (Vision-Language-Action) مبتنی بر پرامپت متنی مقایسه می‌کرد. در ۱۰۰ هزار ساعت داده پیش‌آموزش، مدل در-بافت به میانگین موفقیت ۶۶ درصدی در مراحل کارهای جدید دست یافت، در حالی که این رقم برای مدل پایه متنی تنها ۹ درصد بود — یعنی بیش از هفت برابر بهبود.[1][2]

این شرکت تخمین می‌زند که رسیدن به عملکرد تک‌ویدیویی S1 از طریق روش‌های سنتی، به حدود ۳۸۰ نمایش تله‌اپریشن نیاز دارد که معادل ده‌ها ساعت جمع‌آوری دستی داده است. این نشان می‌دهد که یک پرامپت ویدیویی می‌تواند به‌طور مؤثری جایگزین هفته‌ها کار مهندسی شود و اقتصاد استقرار ربات‌ها در محیط‌های پویایی مانند طبقات تولید و انبارها را اساساً تغییر دهد.[1]

توسعه این مدل به‌شدت به پشته محاسباتی شتاب‌یافته انویدیا وابسته است. شرکت Skild از NVIDIA Omniverse و Isaac Lab برای شبیه‌سازی فیزیک و تولید داده‌های مصنوعی استفاده می‌کند که به مدل اجازه می‌دهد پیش از لمس سخت‌افزار فیزیکی، سناریوهای متنوعی را تجربه کند. پاتاک در این باره اشاره کرد: «فناوری‌های NVIDIA Isaac Lab و NVIDIA Cosmos به Skild کمک می‌کنند تا تجربیات مقیاس‌پذیر و متنوعی را که ربات‌هایش برای یادگیری در سناریوها و بدنه‌های مختلف نیاز دارند، ایجاد کند.»[1]

این زیرساخت از رشد سریع تجاری نیز پشتیبانی کرده است. به گفته انویدیا، Skild AI تنها ۱۰ ماه پس از اولین استقرار تجاری خود، به نرخ درآمد سالانه ۱۰۰ میلیون دلاری دست یافت. این شرکت بیش از ۶۰ مشارکت استقرار در زمینه‌های تولید، لجستیک، بازرسی، امنیت و آماده‌سازی غذا ایجاد کرده است که نشان می‌دهد تقاضا برای مغزهای رباتیک سازگار و همه‌تن‌حریف بسیار بالاست.[1]

با این حال، نرخ موفقیت ۶۶ درصدی با اما و اگرهایی همراه است. این یک معیار موفقیت مرحله‌ای است که شامل مداخلات بازیابی انسانی نیز می‌شود؛ به این معنی که تضمین نمی‌کند ربات بتواند در ۶۶ درصد مواقع یک کار ۱۰ دقیقه‌ای را کاملاً بدون کمک به پایان برساند.

علاوه بر این، S1 هنوز یک API باز یا مجموعه‌ای از وزن‌های قابل دانلود نیست، به این معنی که محققان مستقل هنوز نمی‌توانند بنچمارک‌ها را راستی‌آزمایی کنند. آزمون واقعی این خواهد بود که آیا یادگیری در-بافت این مدل در خارج از محیط‌های کنترل‌شده آزمایشگاهی و در مواجهه با نورپردازی آشفته، اصطکاک و استهلاک یک کارخانه واقعی نیز دوام می‌آورد یا خیر.[2][3]