El proceso de entrenamiento de los grandes modelos comienza a aparecer con mayor frecuencia ante la vista del público.
Anteriormente, Luo Fuli, responsable de MiMo de Xiaomi, hizo públicos los avances del entrenamiento en la fase de aprendizaje por refuerzo de MiMo-V2.6, permitiendo al exterior ver algunos detalles concretos del entrenamiento de grandes modelos.
Ahora, el campo de Physical AI también cuenta con un intento similar.
El 21 de octubre, el equipo de modelos mundiales de Shengshu Technology inició oficialmente la transmisión en directo pública de todo el proceso de entrenamiento de Motubrain 2.0, con una duración prevista de medio mes, para mostrar al público el proceso de entrenamiento y los avances de investigación del modelo encarnado.
Esta transmisión se centra en una pregunta: ¿cómo se logra realmente Physical AI?
Physical AI, es decir, la inteligencia artificial física, busca que la IA pueda comprender el entorno físico y completar tareas reales mediante robots. En comparación con los grandes modelos de lenguaje, Physical AI también necesita resolver problemas como la toma de decisiones de movimiento, la ejecución de tareas y la generalización entre escenarios.
La serie Motubrain es el modelo encarnado desarrollado por Shengshu Technology, dedicado a construir un «cerebro» con capacidades generales para los robots, explorando la generalización de capacidades entre diferentes tareas, escenarios y cuerpos de robots.
Motubrain 2.0 será pronto de código abierto. Antes de su publicación oficial como código abierto, el equipo ha optado por mostrar primero todo su proceso de entrenamiento, exhibiendo al exterior el proceso de este modelo desde el entrenamiento, las pruebas hasta la iteración de capacidades.
Este entrenamiento público abarca cuatro etapas:
1. Preentrenamiento: observar cómo afecta la escala de entrenamiento al rendimiento del modelo y a su capacidad de generalización de cero ejemplos.
2. Postentrenamiento: entrenamiento adicional dirigido a tareas específicas para mejorar la capacidad de ejecución de tareas.
3. Ejecución de tareas Agent: explorar si el modelo puede transferir la experiencia existente a otras tareas.
4. Exploración de RSI (mejora recursiva de sí mismo): investigar si el modelo puede evaluar y mejorar sus propias acciones según la retroalimentación de la ejecución.
Lo especial de esta transmisión es el intento de abrir la «caja negra» del entrenamiento de modelos encarnados.
En el pasado, el exterior conocía los avances de la inteligencia encarnada principalmente a través de demos de robots, resultados de evaluaciones y artículos científicos. Qué entrenamiento había experimentado el modelo y cómo cambiaban sus capacidades en las distintas etapas solía ser difícil de observar directamente.
Motubrain 2.0 ha elegido hacer público todo el proceso, desde el entrenamiento y las pruebas hasta la iteración de capacidades, con la esperanza de que el exterior pueda ver cómo el modelo forma gradualmente sus capacidades, y también ver los fallos, los ensayos y errores y los ajustes durante el entrenamiento.
Para la industria de la inteligencia encarnada, este enfoque hace más transparente el proceso de desarrollo de modelos. Los investigadores y desarrolladores no solo pueden ver el resultado final, sino que también tienen la oportunidad de conocer los problemas concretos encontrados durante el entrenamiento y cómo el equipo mejora continuamente el modelo mediante experimentos y retroalimentación.
Al mismo tiempo, el equipo también espera aprovechar esta transmisión para compartir con colegas técnicos las experiencias, los problemas y las reflexiones de la investigación, discutir conjuntamente cuestiones clave como el entrenamiento a gran escala, la generalización entre tareas y la mejora autónoma, y aportar más referencias para la exploración del paradigma de realización de Physical AI.
Por supuesto, la investigación relacionada aún se encuentra en fase de exploración, y los efectos concretos deberán ser verificados mediante experimentos y evaluaciones posteriores. En comparación con mostrar únicamente lo que el robot puede hacer finalmente, hacer público cómo se entrena el modelo y cómo se forman sus capacidades tiene igualmente valor investigador.
Enlace a la transmisión: www.motubrain.com/motubrain2.0-live
Enlace al sitio web oficial: www.motubrain.com
Este artículo ha sido proporcionado por Shengshu Technology; QbitAI lo reproduce con autorización y las opiniones pertenecen al autor original.