Robbyantは、中国のアントグループに属する具身人工知能企業で、最近LingBot-VA 2.0を発表しました。これは業界初のロボット専用に設計された具身ネイティブビデオアクションワールドモデルとして説明されています。このモデルはゼロから構築されており、デジタルコンテンツ作成のために設計されたビデオ生成モデルを改編するのではなく、物理的な世界のタスクに焦点を当てています。LingBot-VA 2.0は自己回帰アーキテクチャを採用し、ロボットの行動が環境をどのように変えるかを予測し、これらの因果関係に基づいて次の行動を決定します。
同社は、このアプローチが物理的な正確性、実行効率、および現実世界のロボットアプリケーションに対する一般化能力を向上させると述べています。
LingBot-VA 2.0はロボット基盤モデルの重要な転換を示す
RobbyantはLingBot-VA 2.0を業界初のロボット専用の具身ネイティブビデオアクションワールドモデルとして説明しており、デジタルコンテンツ生成システムからの改編ではありません。このリリースはロボット基盤モデルの転換を示しており、AIは物理的な世界のために設計されています。従来の方法がビデオ生成モデルを微調整してロボット制御を行うのに対し、LingBot-VA 2.0はゼロから事前トレーニングされ、動的世界のモデリング、因果予測、およびリアルタイム実行に焦点を当てた自己回帰アーキテクチャを採用しています。
同社によれば、これによりモデルはロボットの行動が環境をどのように変えるかを予測し、これらの予測に基づいて次の行動を選択できるようになります。
既存のほとんどの具身AIシステムは、最初にデジタルコンテンツを生成するために開発されたビデオモデルに依存しています。これらのモデルは現実の視覚を生成するのには効果的ですが、物理的な正確性や実行速度よりも画像の質や創造性を優先します。Robbyantは、これらのモデルをロボットに適応させる際、一般化能力が通常低下し、実際のパフォーマンスが制限されると述べています。LingBot-VA 2.0は、四つのアーキテクチャの革新を通じてこれらの課題を解決しました。セマンティックビジュアルアクションマーカーは、視覚と行動情報を共同で圧縮し、モデルが指示をロボットの動作に変換する能力を向上させます。
厳格な因果事前トレーニング戦略は、予測が正しい時間的順序に従うことを保証し、専門家混合アーキテクチャ（Mixture of Experts, MoE）は推論効率を犠牲にすることなくモデルの容量を向上させます。
Robbyantは多様なタスクでLingBot-VAの優れた能力を示す
強化された非同期推論メカニズムにより、ロボットは行動を実行しながら未来の状態を予測し、現実の観察に基づいて継続的に意思決定を更新できます。同社は、これらの進歩により、単一のGPU上で150Hzの速度でリアルタイムの閉ループ制御を実現可能にしたと述べています。このモデルは、最小20回のデモで新しい操作タスクに適応でき、パラメータの更新は不要です。
LingBot-VAは未来のビデオ予測とポリシー学習を一つの自己回帰フレームワークに統合し、視覚的なダイナミクスとロボットの行動を共同で学習します。このシステムは大規模なロボットビデオアクションデータセットで事前トレーニングされ、その後、下流タスクのために微調整されます。運用中、システムはまず現在の観察と言語指示に基づいて未来の視覚状態を予測します。次に、逆動的モデルがこれらの予測を実行可能なロボットの行動に変換し、現実の観察が予測状態を継続的に置き換え、制御ループの現実性を維持します。
Robbyantは、朝食の準備、荷物の開封、パイプの挿入、ネジの拾い上げ、衣服の折りたたみ、引き出しの開閉など、長期的かつ正確な操作タスクにおけるこのモデルの能力を示しました。同社はまた、RoboTwin 2.0およびLIBEROシミュレーションベンチマークで印象的な結果を報告し、複数のタスク設定で既存の方法を超えています。同社はさらに、LingBot-VAの長期記憶保持能力を強調し、ロボットが視覚的に同じだが文脈が異なる状況を区別し、カウント、ソート、繰り返しの行動を必要とする複数のステップタスクを正確に実行できることを示しました。
RobbyantのCEO、朱星は声明の中で次のように述べています。「Robbyantは、具身知能の新たな限界を探求し続け、産業および現実世界のシーンにおけるロボットの展開を促進するために、オープン技術とアプリケーションエコシステムの発展を加速させていきます。」