Кожаные мешки напряглись. Qwen выкатили открытую ИИ-модель для робототехники
Одно дело настраивать скрипты для автоматизации процессов в CRM или скармливать принтеру готовую 3D-модель, где каждое движение жестко прописано в координатах. Шаг в сторону и всё идет в брак. Совсем другой уровень, дать железке настоящую автономность в физическом мире.
Команда Qwen (Alibaba) представила Qwen-RobotManip, полноценную Vision-Language-Action (VLA) модель для управления роботами, построенную на базе их визуальной Qwen-VL.
В чем главная киллер-фича?
Разработчики научили нейросеть не просто распознавать картинку, а синхронизировать сразу три слоя:
- Зрение. Что робот видит перед собой.
- Моторику. Как физически должны двигаться его манипуляторы.
- Поведение. Какая логика нужна для решения конкретной задачи.
Всё это загнали в единый фреймворк (unified alignment framework). Данные из зрения и механики больше не конфликтуют, а работают как единый цифровой мозг с общей логикой.
Обучение на опенсорсе и магия обобщения
Самый сок в том, что разработчики не стали тратить миллионы на сбор закрытых проприетарных данных. Модель скормили 38 100 часам открытых датасетов и обычных видео, где люди просто демонстрируют физические действия руками.
И это дало мощнейший результат. Qwen-RobotManip уже показывает emergent generalization (эмерджентное обобщение). Модель перестала быть тупым станком, который зубрит траекторию. Она начала самостоятельно переносить полученные навыки на новые объекты, сцены и задачи, которые вообще не видела при обучении.
Граница между цифровыми ИИ-агентами в браузере и физическими роботами в реальном мире стирается быстрее, чем мы думали. Похоже, не за горами тот день, когда можно будет напечатать пластиковый каркас, накатать на него опенсорсные мозги и получить полноценного автономного помощника прямо на коленке.
Не отставайте от технологий! Подписывайтесь на Telegram-канал, чтобы быть в курсе последних трендов и лайфхаков.