Eğitim için gereken hesaplama bin kattan fazla azaldı: Tam olarak ne iyileşti?

  • SuperMimic, insansı robotların tüm vücut hareketlerini kontrol etmeye yönelik eğitim gereksinimini önemli ölçüde düşürdü: Makalenin yazarlarına göre tek bir H100 GPU ile üç saatlik eğitimin ardından performansı SONIC’in yayımlanmış modelini geçti. SONIC modelinin eğitimi yaklaşık 21 bin GPU saati kullandı; GPU saatiyle ölçülen düşüş bin kattan fazla oldu.
  • Hesaplama ihtiyacı azalırken hareket takibi performansı da iyileşti. 129,514 hareketten oluşan karşılaştırma testinde SuperMimic 25 kez, SONIC ise 179 kez başarısız oldu; SuperMimic iki GPU ile 9.8 saat eğitildikten sonra sıfır başarısızlığa ulaştı. Kontrolör daha sonra gerçek bir Unitree G1 robotunda yana yuvarlanma ve 360 derecelik takla hareketlerini gerçekleştirdi.

Eğitim ortamını değiştirmek neden bu kadar hesaplama tasarrufu sağlıyor?

  • Geleneksel yöntemlerde robot, fizik simülatöründe tekrar tekrar deneme yanılma yoluyla öğrenir; hareket kütüphanesi büyüdükçe hesaplama ihtiyacı artar. SuperMimic önce aynı bedenin nasıl hareket ettiğini öğrenir, ardından kontrolörün bu beden modelinde alıştırma yapmasını sağlar; farklı hareketler aynı beden kurallarını yeniden kullanabilir.
  • Tasarruf hem eğitim hızından hem de öğrenme verimliliğinden kaynaklanıyor: Yaygın yığın boyutlarında model içinde alıştırma yapmak simülatöre göre 10 kattan fazla hızlı. Model ayrıca hareketin hangi yönde düzeltilmesi gerektiğine dair bilgiyi doğrudan sağlayabiliyor; yalnızca bu mekanizma, gerekli alıştırma adımı sayısını yaklaşık 64 kat azaltıyor.
  • Hareket verisi 1 saatten 264 saate çıktığında beden modelinin tahmin hatası sabit kaldı; dolayısıyla ek hareketlerin getirdiği hesaplama ihtiyacı daha yavaş arttı. Nomura buna dayanarak ilerlemenin anahtarının veri eklemek değil, alıştırmanın yapıldığı yeri değiştirmek olduğunu düşünüyor.

Bu atılım genel amaçlı robotlardan ne kadar uzakta?

  • “Bin kattan fazla” karşılaştırması tamamen aynı temele dayanmıyor: SuperMimic daha az hareket verisi kullandı, SONIC’in veri miktarı bunun yaklaşık 2.3 katıydı ve SuperMimic daha yeni bir GPU modeli kullandı. Makalenin yazarları, bu farkların bin katlık farkı açıklamaya yetmediğini düşünüyor.
  • Sonuçlar düz zemindeki vücut hareketleriyle sınırlı; nesne manipülasyonunu ve karmaşık araziyi kapsamıyor. Beden modeli yalnızca simülasyon verilerinden öğrendi ve karşılaştırma testindeki hareketler de eğitim hareketleri arasındaydı. Nomura bu nedenle bunu hareket kontrolünün “beyinciğinde” bir ilerleme olarak konumlandırıyor; yeteneklerin sınırı hâlâ beden kontrolü düzeyinde kalıyor.

Hareket yazılımına giriş engelleri düşerken kim avantajını korumaya daha yakın?

  • Nomura’nın sektör araştırması, Çin’de yaklaşık 300 şirketin önemli bir hareket kontrolü işlevini sunabildiğini ve Unitree’nin donanım ile hareket kontrolündeki bir ila iki yıllık mevcut liderliğinin daralıyor olabileceğini gösteriyor. Banka, eğitimin daha da basitleşmesiyle Unitree’nin rekabet gücünün maliyete ve ölçeğe daha fazla bağlı olacağını düşünüyor.
  • Yazılımın çok sayıda robotta yeniden kullanılıp kullanılamayacağı, robot gövdelerinin yeterince tutarlı olmasına bağlı. Makaledeki simülasyonlarda eklem kalibrasyonu değişimi yalnızca ±0.01 radyandı; Nomura, 20’den fazla eklemin hareket özellikleri birbirinden farklıysa aynı pekiştirmeli öğrenme kodunun yalnızca az sayıda makineye uygun olabileceğini tahmin ediyor.
  • Nomura’nın tahminine göre aktüatörler, insansı robotların bileşen maliyetinin yaklaşık %50–%75 kadarını oluşturuyor. Banka, tutarlılığı kontrol edebilen robot üreticilerini ve kritik tedarikçileri daha olumlu değerlendiriyor; seri üretim deneyiminin birikmesi yıllar aldığı için Unitree’nin kendi donanımını geliştiren model şirketlerine göre daha avantajlı olduğunu düşünüyor. Potansiyel faydayla bağlantılı unsur, yalnızca hareket algoritmalarına sahip olmak değil, üretim istikrarı.