Stellen Sie sich eine Welt vor, in der Roboter abstrakte Aufgaben verstehen und in jeder erdenklichen Umgebung handeln können – Google macht dies mit dem Robotics Transformer 2 (RT-2) zur Realität.
Google bringt mit dem Robotics Transformer 2 (RT-2) eine neue Ära in der Welt der Künstlichen Intelligenz und Robotik. Dieses innovative Modell, bekannt als Vision-Language-Action-Modell (VLA), basiert auf der revolutionären Transformer-Technologie. Es zielt darauf ab, Robotern beizubringen, visuelle und sprachliche Muster zu erkennen, um komplexe, abstrakte Aufgaben in variablen und sogar unbekannten Umgebungen auszuführen.
Im Kern wird RT-2 mit einer Fülle von Text- und Bildmaterial aus dem Internet gefüttert. Diese Daten ermöglichen es dem Modell, direkte Roboteraktionen zu generieren und zu lernen, Anweisungen zu interpretieren sowie die am besten geeigneten Objekte für bestimmte Anfragen zu identifizieren. Diese Fähigkeit hebt sich deutlich von traditionellen Chatbots ab, indem Roboter nicht nur mit theoretischem Wissen ausgestattet werden, sondern auch lernen, Objekte im Kontext zu erkennen und zu manipulieren.
Ein faszinierendes Beispiel für die Anwendung von RT-2 ist der Einsatz eines Roboterarms in einem Küchenbüro, wo er lernen konnte, zwischen improvisierten Werkzeugen wie einem Stein als Hammer und der Auswahl eines Getränks für eine erschöpfte Person (in diesem Fall eine Dose Red Bull) zu unterscheiden. Diese Fähigkeiten basieren auf einer umfangreichen Ausbildung mit Web- und Robotikdaten sowie auf den Forschungsfortschritten in großen Sprachmodellen, wie Googles eigenem KI Bard. Die Integration von VLA-Modellen wie RT-2 in die Robotik verspricht, den Prozess der Roboterprogrammierung grundlegend zu verändern. Früher musste für jede Aufgabe eine individuelle Programmierung erfolgen, ein Prozess, der zeitaufwendig und ineffizient war. RT-2 ermöglicht es Robotern, auf einen größeren Satz an Informationen zuzugreifen und eigenständig zu entscheiden, was als nächstes zu tun ist.