Pozoruji miniaturní Moravcův paradox v robotice: gymnastika, která je pro člověka obtížná, je pro roboty mnohem jednodušší než "nesexy" úkony jako vaření, úklid a sestavování. To vede ke kognitivní disonanci u lidí mimo obor: "Takže roboti mohou parkour a breakdance, ale proč se nemohou postarat o mého psa?" Věřte mi, rodiče se mě na to ptali víc, než si myslíte ... "Robot Moravcův paradox" také vytváří iluzi, že fyzické schopnosti umělé inteligence jsou mnohem pokročilejší, než ve skutečnosti jsou. Nevyzdvihuji Unitree, protože se široce vztahuje na všechna nedávná akrobatická dema v oboru. Zde je jednoduchý test: pokud před robota s překlápěním do strany postavíte zeď, narazí do ní plnou silou a vytvoří podívanou. Protože je to jen přeučení toho jediného referenčního pohybu, bez jakéhokoli uvědomění si okolí. Zde je důvod, proč existuje tento paradox: je mnohem snazší trénovat "slepého gymnastu" než robota, který vidí a manipuluje. První z nich lze vyřešit zcela v simulaci a přenést do reálného světa, zatímco druhý vyžaduje extrémně realistické vykreslování, kontaktní fyziku a chaotickou dynamiku reálných objektů - nic z toho nelze dobře simulovat. Představte si, že můžete trénovat LLM ne z internetu, ale z čistě ručně vytvořené textové konzolové hry. Robotici měli štěstí. Náhodou žijeme ve světě, kde jsou akcelerované fyzikální motory tak dobré, že nám projde působivá akrobacie s použitím doslova nulových reálných dat. Zatím jsme však neobjevili stejný cheat kód pro všeobecnou obratnost. Do té doby se nás budou stále ptát naši zmatení rodiče.

Můj bar pro AGI je mnohem jednodušší: umělá inteligence, která uvaří dobrou večeři u kohokoli doma pro jakoukoli kuchyni. Fyzikální Turingův test je velmi pravděpodobně těžší než Nobelova cena. Moravcův paradox nás bude pronásledovat i v nadcházejících deseti letech, rýsovat se ve větší i temnější podobě.

Nedávno jsem byl trochu potichu, když jsem byl ohledně X potichu. Uplynulý rok byl transformační zkušeností. Grok-4 a Kimi K2 jsou úžasné, ale svět robotiky je úžasný divoký západ. Připadá si to jako NLP v roce 2018, kdy byl GPT-1 publikován, spolu s BERT a tisíci dalšími květinami, které rozkvetly. Nikdo nevěděl, který z nich se nakonec stane ChatGPT. Debaty byly vášnivé. Entropie byla nebetyčně vysoká. Nápady byly šíleně zábavné. Věřím, že GPT-1 robotiky už je někde na Arxivu, ale nevíme přesně který. Mohou to být modely světa, RL, učení se z lidského videa, sim2real, real2sim, atd. atd., nebo jakákoli kombinace z nich. Debaty jsou vášnivé. Entropie je nebetyčně vysoko. Nápady jsou šíleně zábavné, místo toho, abyste posledních pár % vymáčkli na AIME & GPQA. Povaha robotiky také značně komplikuje prostor návrhu. Na rozdíl od čistého světa bitů pro LLM (textové řetězce), my robotici se musíme vypořádat s chaotickým světem atomů. Koneckonců, ve smyčce je kus softwarově definovaného kovu. Pro LLM normies to může být těžké uvěřit, ale zatím se robotici stále nemohou shodnout na měřítku! Různí roboti mají různé schopnosti - někteří jsou lepší v akrobacii, zatímco jiní v manipulaci s objekty. Některé jsou určeny pro průmyslové použití, zatímco jiné jsou určeny pro domácí úkoly. Křížové ztělesnění není jen výzkumnou novinkou, ale zásadní funkcí univerzálního robotického mozku. Mluvil jsem s desítkami vedoucích pracovníků z různých robotických společností, starých i nových. Někteří prodávají celé tělo. Někteří prodávají části těla, jako jsou šikovné ruce. Mnoho dalších prodává lopaty na výrobu nových karoserií, vytváření simulací nebo shromažďování obrovského množství dat. Prostor podnikatelských nápadů je stejně divoký jako samotný výzkum. Je to nová zlatá horečka, jakou jsme neviděli od vlny ChatGPT v roce 2022. Nejlepší čas pro vstup je, když nekonsensus vrcholí. Stále jsme na začátku ztrátové křivky - jsou zde silné známky života, ale daleko, daleko od konvergence. Každý krok přechodu nás zavede do neznáma. Ale jedna věc vím jistě - neexistuje AGI bez dotyku, cítění a ztělesnění v chaotickém světě. Na osobnější notu - provoz výzkumné laboratoře přichází se zcela novou úrovní odpovědnosti. Poskytování aktualizací přímo generálnímu řediteli společnosti za 4 biliony dolarů je, mírně řečeno, vzrušující a zároveň všepohlcující váhu mé pozornosti. Pryč jsou doby, kdy jsem mohl mít přehled o každé novince v oblasti umělé inteligence a ponořit se do hloubky. Pokusím se vyčlenit si čas, abych se s vámi podělil o více ze své cesty.

Účastním se CVPR v Nashvillu! Napište mi e-mail nebo DM. Budu se vznášet po místě konání jako brownovský pohyb. Rekrutování!

Fyzikální Turingův test: váš dům je po nedělním hackathonu v naprostém nepořádku. V pondělí večer se vrátíte domů do neposkvrněného obývacího pokoje a večeře při svíčkách. A nemohli jste říct, jestli tam byl člověk nebo stroj. Zdánlivě jednoduché, šíleně těžké. Je to další Polárka umělé inteligence. Sen, který mi nedá spát 12 hodin ráno v laboratoři. Vize další výpočetní platformy, která automatizuje kusy atomů namísto kousků bitů. Díky Sequoia za hostování mě na AI Ascent! Níže je celá moje přednáška o prvních principech řešení univerzální robotiky: jak přemýšlíme o datové strategii a zákonech škálování. Ujišťuji vás, že to bude 17 minut, kterých nebudete litovat!

Jednoho dne v příštím desetiletí budeme mít roboty v každém domě, každé nemocnici a továrně, kteří budou dělat každou nudnou a nebezpečnou práci s nadlidskou obratností. Tento den bude znám jako "čtvrtek". Ani Turing by se neodvážil vysnít si náš život ve svých nejdivočejších snech.

Vibe kodéry jsou nyní Vibe Artists

Humanoidní olympiáda v roce 2030 bude pěkná podívaná

Humanoidní roboty jsme poslali Cristianu Ronaldovi, LeBronu Jamesovi a Kobemu Byrantovi! Jedná se o neuronové sítě běžící na skutečném hardwaru v naší laboratoři GEAR. Většina robotů ukázky vidíte online rychlost videa nahoru. Ve skutečnosti je *zpomalíme*, abyste si mohli užít plynulé pohyby. Jsem nadšený, že mohu oznámit "ASAP", model "real2sim2real", který ovládá extrémně hladké a dynamické pohyby pro humanoidní ovládání celého těla. Robota nejprve předškolíme v simulaci, ale je zde notoricky známá mezera "sim2real": je velmi obtížné, aby ručně vytvořené fyzikální rovnice odpovídaly dynamice skutečného světa. Naše oprava je jednoduchá: stačí nasadit předtrénovanou politiku na skutečný hardware, sbírat data a přehrát pohyb v simulátoru. Záznam bude samozřejmě obsahovat mnoho chyb, ale to dává bohatý signál pro kompenzaci fyzikálních nesrovnalostí. Použijte jinou neuronovou síť k naučení delty. V podstatě "záplatujeme" tradiční fyzikální engine, aby robot mohl zažít téměř skutečný svět ve velkém měřítku v GPU. Budoucností je hybridní simulace: kombinujte výkon klasických simulátorů zdokonalovaných po celá desetiletí a neuvěřitelnou schopnost moderních NN zachytit chaotický svět.

To, že vypadl *druhý* papír s tunami tajemství setrvačníku RL a *multimodálním* uvažováním ve stylu o1, není dnes na mé bingo kartě. Kimiho (další startup) a DeepSeekovy články se pozoruhodně shodují s podobnými zjištěními: > Není potřeba složité vyhledávání ve stromech jako MCTS. Prostě linearizujte myšlenkovou stopu a udělejte starou dobrou autoregresivní predikci; > Není potřeba hodnotových funkcí, které vyžadují další drahou kopii modelu; > Není potřeba husté modelování odměn. Spoléhat se co nejvíce na základní pravdu, konečný výsledek. Rozdíly: > DeepSeek dělá AlphaZero přístup - čistě bootstrap přes RL bez lidského vstupu, tj. "studený start". Kimi používá přístup AlphaGo-Master: světelný SFT pro zahřátí pomocí promptně vytvořených stop CoT. > váhy DeepSeek jsou licencí MIT (myšlenkové vedení!); Kimi zatím nemá smlouvu s modelem. > Kimi vykazuje silný multimodální výkon (!) v benchmarcích, jako je MathVista, což vyžaduje vizuální porozumění geometrii, IQ testům atd. > Kimiho článek obsahuje MNOHEM více podrobností o návrhu systému: RL infrastruktura, hybridní cluster, sandbox kódu, strategie paralelismu; a podrobnosti o učení: dlouhý kontext, komprese CoT, učební osnovy, strategie vzorkování, generování testovacích případů atd. Optimistické čtení na dovolené!