Stanford-Studie VIA: Coding-Agent steuerte Roboter in 24 von 25 Versuchen
Der Kommentator Nate B Jones beschreibt eine Stanford-Studie, in der ein allgemeiner Coding-Agent einen physischen Roboter ohne robotikspezifisches Training durch fünf Aufgaben führte.
Forschende in Stanford haben einen universellen Coding-Agenten eingesetzt, um einen physischen Roboter durch fünf Aufgaben zu lenken. Laut dem Kommentator Nate B Jones, der die Studie beschrieb, bewältigte der Agent 24 von 25 Versuchen, und zwar ohne zusätzliches Robotiktraining. Das System heißt VIA, kurz für Visual Interface Agent.
Der Mechanismus teilt die Arbeit auf. Über eine visuelle Schnittstelle bekommt der Agent ein Kamerabild der Szene zu sehen und setzt ein virtuelles Greifziel dorthin, wo seiner Einschätzung nach der echte Greifer hin soll. Dieses Ziel kann er anpassen, bevor sich irgendetwas bewegt. Ist er zufrieden, weist er die Robotersteuerung an, den physischen Arm an diesen Punkt zu fahren. Danach prüft der Agent das Ergebnis: Hat der Greifer den Griff tatsächlich erfasst, und muss er vor dem Ziehen nachjustieren? Jones betont, dass jede Entscheidung auf ein beobachtetes Ergebnis folgt und nicht einer festen Abfolge entspricht. Sein Beispiel mit dem Schubladengriff (ansteuern, greifen, ziehen) veranschaulicht den Ablauf und ist kein berichteter Versuch.
Der Agent berechnet die Bewegungen des Arms nicht Moment für Moment. Die Steuerung führt die Hand zum gewählten Ziel, und die Wahl dieses Ziels ist ein wesentlicher Teil der Aufgabe. Jones vergleicht das mit dem menschlichen Greifen nach einem Gegenstand: Man wählt ein Ziel, und der Arm kommt dort an, ohne dass man jeden Muskel plant. Er merkt außerdem an, dass ein korrekt platzierter virtueller Greifer noch keinen guten Griff an einer Schublade garantiert. Deshalb ist die physische Kontrolle nach jeder Bewegung so wichtig.
Jones nennt die Studie klein, sagt aber, er habe ähnliche Arbeiten gesehen, die darauf hindeuten, dass ein bestehender universeller Agent physische Aufgaben ohne Anpassung an einen bestimmten Roboter bewältigen kann. Er nennt ein Beispiel aus dem Paper, eine Wischaufgabe. Die Sicht des Roboters auf den Tisch war verdeckt, also bewegte der Agent den Greifer zur Seite, um zu prüfen, ob die Oberfläche sauber war. In einem Versuch ließ sich die Serviette nur umständlich halten, also legte der Agent sie auf den Tisch und schob sie mit geschlossenem Greifer.
Jones verknüpft das Ergebnis mit Richard Suttons Bitter Lesson, der Idee, dass skalierbare allgemeine Methoden von Hand erstelltes Fachwissen in der Regel übertreffen. Seiner Lesart nach enthielt das breite Training des Agenten vermutlich bereits robotikrelevantes Wissen, und die Forschenden mussten seine allgemeinen Fähigkeiten nur noch mit einer Maschine verbinden. Zudem stellt er die Studie neben die Neuorganisation der Robotikarbeit bei OpenAI. Jones zufolge hat das Unternehmen bestätigt, dass seine Robotikforschenden in die Grundlagenforschung wechseln, während angewandte Robotik und Hardware in eine eigene Sparte wandern, und Berichte thematisieren laut Jones finanziellen Druck. Die technische Logik dahinter sei, so Jones, dass Verbesserungen an einem allgemeinen Modell auf die Robotersteuerung übertragbar sein können.
Jones' wichtigster Vorbehalt betrifft die Geschwindigkeit, nicht die Genauigkeit. Er verweist auf eine Studie vom Oktober, die nach seinen Worten nicht denselben Aufbau wie VIA hat: Dort entfielen auf einem G1-Roboter rund 90% der Zeit auf das Nachdenken des Modells, und erfolgreiche Manipulationsversuche dauerten mehr als eine Stunde. Außerdem nennt er eine Studie vom November namens RUA, in der das Basismodell unverändert blieb, während sich das Ergebnis in der Simulation dank der Software rund um das Modell verbesserte. Ihm geht es darum, dass die umgebende Infrastruktur zählt und langsame Reaktionen dazu führen können, dass ein Roboter mehr menschliche Aufmerksamkeit beansprucht, als er einspart.
Was sich ändert
Art: Forschung · Betrifft: VIA
Warum es wichtig ist
Wenn allgemeine Agenten Roboter ohne aufgabenspezifisches Training steuern können, gewinnen Roboterhersteller womöglich mehr Fähigkeiten durch ein Upgrade ihrer zugrunde liegenden KI-Modelle als durch eigene Robotikmodelle. Die von Jones zitierte Studie ist klein. Ein Beweis für kommerzielle Einsätze ist das Ergebnis noch nicht.
Originalquelle
Für diese Meldung haben wir noch keinen Link zur Originalquelle.
Wo wir es gesehen haben
Nate B Jones
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es