Yapay zeka alanında fiziksel etkileşim yeteneklerini geliştirmek için yeni bir yaklaşım hayatımıza giriyor. Allen Enstitüsü’nün geliştirdiği MolmoBot, simülasyon verileri kullanarak gerçek dünya robotlarının öğrenme süreçlerini hızlandırıyor ve maliyetleri önemli ölçüde azaltıyor. Bu gelişme, robotik ve yapay zekanın endüstri, bilim ve teknoloji alanlarında kullanımını yeni bir seviyeye taşıyabilir.
Geleneksel robotik öğrenme sistemleri, gerçek dünyada insan operatörler tarafından toplanan büyük veri setlerine dayanır. Google DeepMind ve diğer büyük araştırma kurumları milyonlarca saatlik insan müdahalesiyle robotları eğitirken, bu yöntem hem yüksek bütçeler hem de sınırlı erişim anlamına geliyor. Örneğin, DeepMind’ın RT-1 modeli, 17 ay süren 130 bin eğitim bölümü gerektirdi. Bu durum, fiziksel yapay zekanın gelişimini belli başlı büyük laboratuvarlarla sınırlıyor.
Allen Enstitüsü, bu engeli aşmak için MolmoBot adlı açık kaynaklı bir robotik maniple etme modeli seti sundu. Bu model, tamamen sanal ortamda oluşturulan ve prosedürel olarak üretilen 1.8 milyon uzman hareket rotasından oluşan MolmoBot-Data veri setiyle eğitiliyor. Süreçte MuJoCo fizik motoru ve alan rastgeleleştirmesi gibi tekniklerle farklı nesneler, kamera açıları, ışıklandırma koşulları gibi çevresel değişkenler yapay olarak çeşitlendiriliyor. Böylece insan eliyle veri toplama ihtiyacı ortadan kalkıyor.
Araştırmacılar, simülasyon ile gerçek dünya arasındaki “sim-to-real” boşluğunu doldurmak için daha fazla gerçek dünya verisi yerine simülasyon çeşitliliğini artırmanın önemli olduğunu savunuyor. Ai2 PRIOR takımından Ranjay Krishna, simülasyon ortamlarının çeşitliliğinin robotik öğrenmede anahtar rol oynadığını belirtiyor. Bu yaklaşım, robotik araştırmalarının önündeki en büyük engellerden biri olan manuel veri toplamanın getirdiği yüksek maliyet ve zaman kaybını ciddi şekilde azaltıyor.
MolmoBot, Rainbow Robotics RB-Y1 ve Franka FR3 gibi donanımlarda test edildi. Model, görüntü ve dil komutlarını algılayarak, gerçek dünya nesneleri üzerinde sıfır ince ayar ile başarılı manipülasyon görevleri gerçekleştirdi. Özellikle masada nesne alma-bırakma testlerinde %79,2 başarı oranıyla, geniş çaplı gerçek dünya verisiyle eğitilmiş modellere göre daha iyi sonuçlar elde etti. Bu da simülasyon verisinin fiziksel yapay zekanın doğruluğunu artırmadaki potansiyelini gösteriyor.
Geliştirilen MolmoBot-SPOC gibi hafif modeller, sınırlı kaynaklara sahip kenar cihazlarda bile etkili çalışabiliyor. Ai2’nin açık kaynak felsefesi, araştırmacıların kendi geliştirmelerini yapabilmesini, modelleri denetlemesini ve ihtiyaçlarına göre uyarlamasını sağlıyor. Bu, yapay zekanın fiziksel dünyadaki uygulamalarının hızla yayılması ve çeşitlenmesi açısından büyük önem taşıyor.
Bu yenilik, yapay zekanın bilimsel araştırmalar ve endüstriyel uygulamalardaki rolünü daha da genişletebilir. MolmoBot’un başarısı, robotların öğrenme süreçlerinin simülasyon temelli hale gelmesiyle daha erişilebilir ve ekonomik hale gelebileceğini gösteriyor. Önümüzdeki yıllarda bu yaklaşımın gelişerek, robot teknolojilerinin yeni alanlarda keşif ve üretimde öncü rol üstlenmesi bekleniyor.
📎 Kaynak: artificialintelligence-news.com
