Les agents NRN ont annoncé le lancement d'une nouvelle intégration robotique via leur SDK NRN Agent, qui comprend un cadre complet Sim-to-Real et l'introduction des sports robotiques. Cette initiative est conçue pour servir de moyen compétitif pour accélérer la recherche en intelligence artificielle générale (IAG) en mettant l'accent sur l'IA incarnée. Contrairement aux modèles entraînés uniquement sur du texte ou des données statiques, les systèmes d'IA incarnée interagissent avec le monde physique et en tirent des enseignements, introduisant un ensemble distinct de défis et d'opportunités.
IA incarnée
Contrairement aux grands modèles linguistiques, qui opèrent sur des ensembles de données statiques collectés sur Internet, la robotique exige un paradigme différent. Les systèmes d'IA incarnée doivent s'adapter en temps réel, interagir avec des environnements imprévisibles et répondre à des stimuli physiques complexes. Ces systèmes sont dynamiques par nature et ne peuvent pas se fier à une collecte de données unique ou à un seul processus d'entraînement hors ligne. Les variables du monde physique telles que la température, les conditions de surface et l'usure mécanique exigent des robots qu'ils apprennent et s'ajustent continuellement. Ce besoin d'apprentissage en temps réel place l'IA incarnée à l'avant-garde de la poussée vers l'IAG.
Les agents NRN dévoilent les sports robotiques pour faire progresser l'AGI
Combler les lacunes en matière de données et l'apprentissage en situation réelle
Un obstacle critique en robotique est la rareté des données diverses et évolutives. Bien que les environnements simulés puissent aider, ils ne peuvent pas reproduire entièrement la complexité du monde physique. Pour combler cette lacune, NRN développe des pipelines Sim-to-Real de haute fidélité qui permettent aux robots entraînés dans des environnements virtuels de fonctionner efficacement dans des conditions réelles. La collecte de données du monde réel, y compris la capture vidéo, le suivi de mouvement et la téléopération, complète davantage l'entraînement basé sur la simulation en offrant des scénarios diversifiés qui enrichissent le processus d'apprentissage.
De plus, les innovations architecturales telles que l'apprentissage par transfert aident les systèmes robotiques à appliquer les connaissances acquises dans un domaine à un autre. Cela réduit le besoin de réentraînement et permet une adaptation plus rapide. La plateforme de NRN intègre également des boucles d'apprentissage continu, où les robots peuvent apprendre de manière incrémentielle à partir d'expériences du monde réel et conserver les connaissances acquises précédemment. Cette approche aide à réduire les exigences en matière de données et permet des systèmes robotiques plus réactifs et évolutifs.
Les agents NRN dévoilent les sports robotiques pour faire progresser l'AGI
Une plateforme conçue pour la recherche robotique évolutive
NRN Agents a construit une plateforme visant à transformer l'apprentissage robotique d'un processus statique en un système en évolution continue. Le SDK NRN Agent intègre plusieurs composants essentiels qui contribuent à cet objectif. Le SDK comprend une expérience basée sur un navigateur qui permet aux utilisateurs de collecter des données robotiques via une interface de type jeu. Cette approche gamifiée ne nécessite aucune installation ni expertise technique, permettant aux utilisateurs de contrôler intuitivement des robots simulés depuis leurs navigateurs. Les données générées par cette interaction alimentent directement les pipelines d'entraînement de NRN, les rendant accessibles pour une participation plus large à la recherche.
La plateforme comprend également un système de crowdsourcing pour la collecte de données comportementales humaines structurées. En utilisant un modèle d'incitation basé sur le web3, les contributeurs peuvent soumettre des démonstrations comportementales, qui sont ensuite évaluées en fonction de leur valeur et de leur unicité. Ce système augmente non seulement la diversité de l'ensemble de données, mais garantit également la qualité des données grâce à l'attribution algorithmique.
Le cadre d'apprentissage continu du SDK NRN prend en charge davantage l'adaptabilité. Les robots peuvent mettre à jour leur comportement grâce à des boucles de rétroaction sim-to-real-to-sim, répondant aux changements de leur environnement tout en maintenant les performances. Le traitement léger en périphérie et les mécanismes de mise à jour efficaces aident à garantir que les comportements restent alignés sur les réalités physiques, même lorsque les conditions matérielles varient.
Les agents NRN dévoilent les sports robotiques pour faire progresser l'AGI
De l'AI Arena aux sports robotiques
La fondation de NRN Agents dans le développement de l'IA a commencé avec AI Arena, une plateforme compétitive où les agents IA virtuels apprenaient par imitation et par apprentissage par renforcement. La transition de l'AI Arena aux sports robotiques représente une progression logique, apportant les principes de l'apprentissage adaptatif basé sur le jeu dans le domaine physique. Dans ce nouveau contexte, les sports robotiques servent d'environnements de test réels pour l'IA incarnée, poussant les systèmes à gérer l'imprévisibilité, les contraintes physiques et les cas limites difficiles à reproduire dans les simulations virtuelles.
Ces scénarios compétitifs peuvent inclure des courses robotiques, de l'athlétisme et des combats, mettant en évidence l'apprentissage en temps réel et l'adaptabilité. Les sports robotiques ne sont pas seulement des vitrines de performance ; ce sont des environnements de recherche où les systèmes d'IA incarnée peuvent être testés, améliorés et évalués par rapport à des défis du monde réel.
Les agents NRN dévoilent les sports robotiques pour faire progresser l'AGI
L'impact de la robotique sur la recherche en IAG
Les sports robotiques sont positionnés par NRN comme un composant essentiel dans la poursuite plus large de l'IAG. La plateforme fait progresser la recherche grâce à des architectures d'IA modulaires qui s'adaptent à différentes plateformes matérielles, à des données comportementales provenant d'un large éventail d'utilisateurs humains, à des systèmes d'apprentissage par transfert qui réduisent le temps d'entraînement et à des boucles d'apprentissage continu qui améliorent l'adaptabilité à long terme. Ces éléments combinés créent un environnement où l'IA peut évoluer en réponse aux entrées physiques, progressant vers des systèmes à la fois intelligents et capables d'interaction physique.
Feuille de route et développement futur de NRN
NRN Agents déploie sa feuille de route en deux phases principales. La première phase se concentre sur la validation des concepts de base à l'aide d'un système de bras robotique appelé RME-1. Les démonstrations initiales incluent la manipulation d'objets, le contrôle moteur fin et des défis physiques simples. Ces premières implémentations sont conçues pour confirmer la robustesse des systèmes de collecte de données et d'apprentissage continu de NRN.
La deuxième phase vise à étendre les capacités du système aux sports robotiques à grande échelle. Cela inclura des formats compétitifs tels que le combat robotique humanoïde, les courses de drones et les compétitions athlétiques qui mettent l'accent sur l'adaptation au terrain et la précision du contrôle. Ces applications serviront de repères pratiques pour évaluer les progrès de l'IAG dans les systèmes incarnés.
Les agents NRN dévoilent les sports robotiques pour faire progresser l'AGI
Pousser l'IA vers la frontière physique
Alors que l'IA a fait des progrès substantiels dans des domaines comme le traitement de texte, d'images et de vidéos, ce sont en grande partie des environnements structurés. La robotique, en revanche, introduit l'imprévisibilité et exige un engagement avec le monde physique. Cela fait de la robotique un terrain d'essai vital pour l'IAG, où les systèmes doivent démontrer non seulement une intelligence computationnelle, mais aussi une compétence physique et une adaptabilité en temps réel.
Grâce à son travail dans les sports robotiques et l'IA incarnée, NRN Agents construit l'infrastructure nécessaire pour tester et améliorer les systèmes d'IA à usage général. En combinant la collecte de données communautaire, l'apprentissage adaptatif et la validation en situation réelle, NRN contribue à une compréhension plus complète de ce qu'il faudra pour atteindre l'IAG. Pour ceux qui souhaitent suivre les progrès de NRN, des informations supplémentaires sont disponibles dans le livre blanc NRN Robotics.
