OpenAI i robot Figure 01 ili ChatGPT u telu robota

U videu robot "Figure 01" je prikazan kao humanoidni, konverzacijski robot koji je privukao pažnju na internetu zbog svog zapanjujućeg demonstracionog snimka. Način na koji je opisan može da asocira na scene iz naučnofantastičnog filma, kao što je "Ja, robot", zbog čega komentator izražava iznenađenje što scena nije izbrisana iz nekog sličnog filma.

U demonstraciji, robotu "Figure 01", koji koristi tehnologiju OpenAI, postavljeno je pitanje šta može "videti". Pokazujući svoju sposobnost vizuelnog prepoznavanja, ovaj napredni robot precizno objašnjava šta se nalazi ispred njega: crvena jabuka, sušilica za sudove sa posuđem i čovek koji mu je postavio pitanje. Ova sposobnost robota da vizuelno prepozna i artikuliše šta vidi demonstrira napredak u oblasti veštačke inteligencije i robotike, omogućavajući robotima da na sličan način kao ljudi interpretiraju svoje okruženje.

Demonstracija sposobnosti robota "Figure 01" može delovati pomalo neobično ili nerealno, ali koncept nije nešto što već nismo videli. Na primer, Google je prethodne godine demonstrirao kako njihov AI model Gemini može da prepozna različite predmete postavljene ispred sebe, od plave gumene patkice do raznih ručno crtanih ilustracija. Iako je kasnije otkriveno da su sposobnosti ovog modela donekle preuveličane kroz sofisticirano uređivanje, ideja o mašinama koje mogu vizuelno prepoznati i reagovati na predmete u svom okruženju nije nova.

Međutim, scena gde robot "Figure 01" uzima jabuku i pruža je čoveku na zahtev "Mogu li dobiti nešto za jelo?" predstavlja napredak u interakciji robota i ljudi. Robot je jasno prepoznao da je jabuka jedini jestivi objekat na stolu i adekvatno reagovao na postavljeno pitanje, što sugeriše sofisticiran nivo razumevanja i prilagođavanja.

Osnovni mehanizam koji omogućava "Figure 01" da tako glatko interaguje sa ljudima je novi Vizuelno-jezički model (VLM). Ovaj model transformiše "Figure 01" iz običnog sklopa metala u futurističkog robota koji deluje gotovo previše slično ljudima. VLM je rezultat saradnje između OpenAI i startup kompanije Figure, koja stoji iza robota "Figure 01".

Vizuelno-jezički modeli kombinuju sposobnosti vizuelnog prepoznavanja sa obradom prirodnog jezika, omogućavajući robotu ne samo da "vidi" i identifikuje objekte u svojoj okolini, već i da razume jezičke upite i odgovara na njih na relevantan način. Ova integracija vizuelnih i lingvističkih podataka čini "Figure 01" izuzetno sposobnim za interakciju sa ljudima na načine koji prevazilaze osnovne komande, unoseći elemente konteksta, prepoznavanja namera i prilagođavanja akcija na osnovu tih informacija.

Nakon što je predao jabuku, robot "Figure 01" pokazuje da može obavljati više zadataka istovremeno kada mu je postavljeno pitanje zašto je dao jabuku dok istovremeno treba da pokupi smeće. Robot uspešno prepoznaje šta je smeće (a šta nije) i pravilno smešta predmete u ono što identifikuje kao kantu za smeće, istovremeno objašnjavajući da je ponudio čoveku jabuku jer je to bila jedina stvar ispred njega koja se mogla pojesti. To pokazuje impresivnu sposobnost multitaskinga!

Na kraju, kada ga čovek pita kako misli da se snašao, robot odgovara na razgovorni način: "Mislim da sam se snašao prilično dobro. Jabuka je pronašla svog novog vlasnika, smeće je uklonjeno, a posuđe je tamo gde mu je mesto."

Prema rečima Breta Adkoka, osnivača kompanije Figure, "Figure 01" koristi kamere koje pružaju podatke VLM-u (Vizuelno-jezičkom modelu), što mu omogućava da "razume" scenu ispred sebe i omogućava glatku interakciju sa ljudima. "Figure 01" je rezultat zajedničkog rada ključnih ljudi iz kompanija kao što su Boston Dynamics, Tesla, Google Deep Mind i Archer Aviation.

Adkok se osvrće na Elona Muskovog robota Optimusa, naglašavajući da "Figure 01" nije teleoperisan. Drugim rečima, za razliku od Optimusa, koji je postao viralan zbog savijanja majice, "Figure 01" može samostalno da funkcioniše.

Krajnji cilj Adkoka? Da obuči super-napredni AI sistem koji će upravljati milijardama humanoidnih robota, potencijalno revolucionarišući više industrija. Izgleda da je "Ja, Robot" mnogo realniji nego što smo mislili.