Skild AI S1 وخريطة تقييم تحويل الفيديو إلى مهمة للروبوتات طويلة الأفق

لماذا يغير Skild AI S1 سؤال تقييم الروبوتات

تعد روبوتات Skild AI S1 الموجهة بالفيديو مثيرة للاهتمام لأنها تغير طريقة تحديد مهمة الروبوت. يمكن لأمر نصي قصير أن يقول: "ركب هذا الجزء"، لكنه يترك خارجا التوقيت، واتجاه الجسم، وعمليات التسليم، والتوقفات، والإشارات الفيزيائية الصغيرة التي تحدد غالبا ما إذا كانت المهمة ستنجح. يمكن للفيديو أن يحمل ذلك السياق المفقود. إنه يعرض شكل العمل.

هذا مفيد. لكنه ليس دليلا على الاستقلالية.

يبقى السؤال الصعب تشغيليا: هل يستطيع الروبوت إنهاء المهمة في ظروف واقعية، عبر تسلسل طويل، من دون مساعدة مخفية؟ وإذا كانت المساعدة مطلوبة، فما نوعها؟ إعادة ضبط؟ إنسان يعيد جسما إلى موضعه؟ إيقاف للسلامة؟ خطوة تعاف بعد فشل في الإمساك؟ هذه التفاصيل هي التي تحدد ما إذا كانت نتيجة الروبوتات جاهزة للتشغيل أم أنها ما زالت تنتمي إلى حلقة تعلم.

تقدم Skild نموذج S1 باعتباره موضوع أول منشور في سلسلة بحثية مخطط لها، وتصفه بأنه روبوتات موجهة بالفيديو. جلب مقال NVIDIA في 10 سبتمبر اهتماما جديدا ب S1، بدلا من إطلاق نموذج من NVIDIA. تختلف التواريخ النسبية: تقول NVIDIA إن S1 أطلق في الأسبوع السابق، بينما يقول منشور النشر من Skild بتاريخ 9 سبتمبر إن ذلك حدث قبل أسبوعين. لا تثبت هذه التصريحات تاريخ إطلاق واحدا دقيقا.

تحتاج المواد العامة أيضا إلى حدود واضحة. يوجد S1 كما وصفته الكتابة العامة من Skild. وتوجد عروض توضيحية ناقشتها Skild و NVIDIA. وهناك أيضا Skild Brain، وهي طبقة نشر تجارية موصوفة على نحو منفصل. هذه الأشياء متصلة، لكنها ليست الشيء نفسه. لا تثبت المواد وجود أوزان مفتوحة، أو كود قابل للتنزيل، أو واجهة API عامة بخدمة ذاتية، أو معدل موثوقية عام للمصانع. في تحديث النشر بتاريخ 9 سبتمبر، تسمي Skild برنامجا تجريبيا ل S1 في مطبخ تجاري مع Mitsui وعملا باتجاه نشر لدى Sumitomo Wiring Systems. هذه برامج محددة أبلغت عنها الشركة، وليست دليلا على أن كل نشر في مصنع يستخدم سياسة البحث نفسها من دون تعديل.

النقطة الأساسية: قد تجعل توجيهات الفيديو تعليمات الروبوت أوضح، لكنها ترفع معيار التقييم. يجب أن يؤدي التوجيه الأغنى إلى أدلة أدق. الأداة المفيدة هي خريطة تقييم تحويل الفيديو إلى مهمة، التي تحول العرض التوضيحي إلى متطلبات وسجلات ومعايير قبول قابلة للقياس.

ماذا تعني ادعاءات S1

تبلغ Skild عن 66% للسياسة داخل السياق مقابل 9% لنموذج VLA مطابق ومشروط باللغة في مقارنة التوسع للمهام غير المرئية. المقياس هو متوسط النجاح التراكمي لكل خطوة على مجموعات داخلية طويلة الأفق، مع استخدام تدخلات التعافي البشرية أساسا لخط الأساس. هذه نتائج أبلغ عنها المؤلفون، وليست قياسات مستقلة. يمكن أن تكون ذات معنى مع بقائها سهلة القراءة على نحو خاطئ.

تخبر درجة تراكمية لكل خطوة الفريق ما إذا كان الروبوت يحقق تقدما عبر تسلسل. لكنها لا تجيب عن السؤال المنفصل: "هل أكمل الروبوت المهمة كلها من دون مساعدة؟" إذا تدخل شخص لتعافي الروبوت بعد فشل، فلا ينبغي أن تختفي الجولة داخل خانة نجاح نظيفة. إنها تنتمي إلى فئة بمساعدة، مع تسجيل التدخل.

يحتاج مثال 11 دقيقة إلى العناية نفسها. تصف Skild مثالا يمتد من بدء التسجيل حوالي 9:16 إلى تنفيذ الروبوت حوالي 9:27. تعامل مع ذلك كتسلسل عرض واحد، لا كزمن إعداد عالمي. سيرغب المراجع الجاد في معرفة ما كان معدا مسبقا: تخطيط المشهد، والمعايرة، وألفة الأجسام، والتدريب السابق، وعدد المحاولات، وخيارات المشغل قبل المقطع العام.

يجب أيضا أن يبقى تقرير المقارنة بفيديو واحد، المكافئ تقريبا ل 380 حلقة في إعداد محدد، داخل إطاره. قد يشير إلى كفاءة حقيقية في تلك المقارنة. لكنه لا يضمن أن فيديو واحدا يغطي التباين الذي ستواجهه عملية فيزيائية. ما زال يجب اختبار تآكل الأجسام، والإضاءة، وموضع الكاميرا، واحتكاك السطح، وتفاوت التركيبات، والتعافي من الفشل الجزئي.

خريطة تقييم تحويل الفيديو إلى مهمة

خريطة تقييم تحويل الفيديو إلى مهمة هي طريقة من خمس طبقات لقراءة ادعاءات الروبوتات الموجهة بالفيديو. تسأل عما تلقاه الروبوت، وما إذا كان الجسم يستطيع أداء العمل، ونوع المهمة التي جرت محاولتها، وما حدث أثناء التنفيذ، وما الذي عد إنجازا.

يعكس هذا تفكير القبول في مجالات أخرى من الذكاء الاصطناعي. في مقال Optijara عن اختبار قبول أداة الإثبات، يجب أن تثبت الأداة الخاصية المطالب بها. تحتاج الروبوتات إلى الانضباط نفسه. يمكن أن يكون فيديو العرض مقنعا، لكن أداة القبول هي سجل الإنجاز المقاس.

تستحق ملاءمة التجسد اهتماما خاصا. يطرح مقال Optijara عن Arm AI Portal واختبارات وضع النموذج على العتاد نقطة مرتبطة بوضع النماذج: يعتمد الذكاء الاصطناعي المفيد على توافق النموذج وبيئة التشغيل وقيود العتاد. تجعل الروبوتات ذلك فيزيائيا. قد تكون المهمة واضحة في الفيديو بينما يملك الروبوت المستهدف القابض الخطأ، أو المدى الخطأ، أو زاوية الكاميرا الخطأ، أو نطاق الحمولة الخطأ.

يساعد تفكير المعايير المرجعية أيضا. يفصل مقال Optijara عن معيار Qdrant Supernova بين دقة المعيار المرجعي الدقيقة وملاءمة الإجابة اللاحقة. تحتاج الروبوتات إلى فصل مشابه بين تقدم الخطوات والإنجاز التشغيلي.

تغير الخريطة الجيدة المحادثة. بدلا من السؤال عما إذا كان S1 يفهم الفيديو، يسأل المقيم أي فئة مهمة حددها الفيديو، وأي روبوت نفذها، وما الذي تغير في المشهد، وكم المساعدة التي لزمت، وما الدليل الذي يثبت الإنجاز.

خطة اختبار عملية

ابدأ بمقارنات مطابقة. شغل توجيها لغويا وتوجيها بالفيديو مقابل الهدف نفسه، والروبوت نفسه، والأجسام نفسها، والمشهد نفسه، وسياسة المشغل نفسها، ومقياس الإنجاز نفسه. الهدف ليس إعلان أن الفيديو أفضل في كل حالة. الهدف هو تعلم أين يحمل الفيديو معلومات تفوتها النصوص غالبا، مثل زاوية الإدخال، أو توقيت الحركة، أو تسلسل الأجسام، أو إشارة تعاف.

اعرض المهام المرئية وغير المرئية نسبة إلى التدريب المسبق، كما تفعل Skild، لا نسبة إلى فيديو التوجيه. إن تغير لون جسم أو وضعية تركيب أو زاوية كاميرا هو تغير مشهد؛ ولا يثبت بحد ذاته أن المهمة كانت غير مرئية أثناء التدريب. تتبع المسافة عن ظروف التدريب والمسافة عن العرض التوضيحي على نحو منفصل. إذا لم يستطع المزود إثبات التعرض في التدريب، فضع حداثة المهمة على أنها غير معروفة بدلا من ادعاء نتيجة مهمة غير مرئية.

المهام القصيرة جيدة لتصحيح الأخطاء. المهام الطويلة هي حيث تكتسب الثقة في النشر. قد ينجز الروبوت عملية إمساك أو وضع واحدة، ثم يفشل عندما تعتمد المهمة على عشرة اختيارات سابقة. يجب أن يتضمن تقرير الأفق الطويل كلا من تقدم الخطوات التراكمي والإنجاز غير المنقطع. إنهما يجيبان عن سؤالين مختلفين.

يجب أن يكون الناتج حزمة أدلة: فيديو التوجيه الأصلي، وسجلات ملاحظة الروبوت، وسجل تدخل بطوابع زمنية، ومقياس الإنجاز، ووصف البيئة، وملاحظات قابلة لإعادة التشغيل. هذه إرشادات تقييم مقترحة. وليست ادعاء بأن Optijara قاست S1 معياريا، أو نزلت نموذجا، أو اختبرت أنظمة Skild مباشرة.

أين تدخل NVIDIA Isaac و Newton والمحاكاة

يهم NVIDIA Isaac Lab لأنه يدعم مسارات عمل تعلم الروبوتات، بما في ذلك التعلم التعزيزي القائم على المحاكاة والتجارب القابلة للتكرار. بالنسبة إلى الروبوتات الموجهة بالفيديو، تستطيع المحاكاة إنشاء تباين في السيناريوهات قبل التجارب الفيزيائية المكلفة. يمكنها تغيير موضع الأجسام، وزاوية الكاميرا، والإضاءة، وافتراضات الاحتكاك، وأنماط الاضطراب. عند استخدامها جيدا، تساعد الفرق على اختيار الاختبارات الفيزيائية الجديرة بالتنفيذ.

مع ذلك لا تستطيع المحاكاة أن تحل محل دليل المهمة الحقيقي. يحتاج الانتقال الفيزيائي إلى تحقق على الروبوت المستهدف، مع الحساسات والأدوات والأجسام والتركيبات وإجراءات السلامة المستهدفة. Newton بنية محاكاة قائمة، وليس مجرد اقتراح مستقبلي. يقول مقال NVIDIA في 10 سبتمبر إن حلول تماس جديدة مسرعة بوحدات GPU، يجري تطويرها مع Skild، ستتاح في Newton قريبا. إصدار الحل المحدد هذا مستقبلي؛ ولا يجعل ذلك كل Newton غير مطروح، كما لا يثبت موثوقية مهام S1.

أخطاء شائعة

أحد الأخطاء هو التعامل مع التقدم بمساعدة كأنه إنجاز مستقل. يمكن أن تكون المساعدة قيمة في البحث، لكن إذا صحح إنسان موضع جسم، أو أعاد ضبط الروبوت، أو عالج فشلا، فيجب وسم النتيجة بأنها بمساعدة.

خطأ آخر هو التعامل مع توجيه فيديو واحد كأنه استراتيجية بيانات كاملة. يمكن أن يكون فيديو واحد غنيا، لكنه لا يغطي بمفرده توزيع ظروف العالم الحقيقي. ما زالت الفرق تحتاج إلى تباين عبر الأجسام، والإضاءة، والتركيبات، والتفاوتات، وتسلسلات المهام.

خطأ ثالث هو تجاهل عدم تطابق التجسد. قد يعرض الفيديو مهمة بالأيدي، أو الأدوات، أو بجسم روبوت مختلف. يمكن لنوع القابض، ومدى المعصم، وموقع الكاميرا، والحمولة، وهندسة مساحة العمل أن تغير النتيجة كلها.

تختبر الفرق أيضا مشهد العرض فقط. هنا يمكن لمقاطع الروبوتات المصقولة أن تضلل. أضف تغيرات مشهد مضبوطة مبكرا. حرك التركيب. غير الإضاءة. أدر الجسم. تتبع عدد المرات التي يطلب فيها النظام المساعدة.

الخطأ الأخير هو عرض المتوسطات من دون سياق التدخل. للمتوسطات قيمة، لكن ليس عندما يكون تكرار إعادة الضبط، وزمن التعافي، وإيقافات السلامة غير مرئية.

الحدود ونطاقات التبني

قد تلتقط عروض الفيديو عمالا، وعمليات مملوكة، وتخطيطات أدوات، وتصاميم منتجات، وتفاصيل منشآت. تحتاج الفرق إلى حقوق تسجيل تلك اللقطات وتخزينها وإعادة استخدامها ومشاركتها. ويجب عليها أيضا أن تقرر ما إذا كان الفيديو يستخدم فقط للتقييم، أم لتكييف النموذج، أم لمسارات تدريب مستمرة.

تنجرف بيئات الروبوتات. تتغير الأجزاء، وتتآكل التركيبات، وتتبدل الإضاءة، وتتحرك الكاميرات، وتتسخ الأسطح، وتتطور تعليمات العمل. قد يصبح توجيه فيديو كان مطابقا في الشهر الماضي قديما بعد تغير صغير في العملية. يجب على الفرق إيقاف التوسع عندما تعتمد النتائج على تعافيات يدوية متكررة، أو مطابقة ضيقة للمشهد، أو سجلات سلامة غير مكتملة، أو حقوق بيانات غير واضحة.

تحويل الخريطة إلى موجز قرار

ينبغي ألا يدفن موجز قرار مفيد للروبوتات الواقع تحت نتيجة عنوانية واحدة. يجب أن يبين ما الذي جرى توجيهه، وأي روبوت نفذ، وما الذي تغير في المشهد، وما المساعدة التي لزمت، وما الذي عد إنجازا.

تنتمي خمس خلاصات إلى الموجز. التوجيه بالفيديو هو تحديد أغنى للمهمة. ما زالت الروبوتات طويلة الأفق تحتاج إلى قياس منفصل للإنجاز غير المنقطع. سجلات التدخل دليل أساسي. يمكن لملاءمة التجسد أن تحدد ما إذا كان العرض الواضح قابلا للتنفيذ. يمكن للمحاكاة وبنية الذكاء الاصطناعي الفيزيائي المستقبلية أن تدعم الاختبار، لكن دليل القبول الفيزيائي يظل ضروريا.

قالب JSON التالي هو قالب تسجيل فارغ توضيحي، وليس جولة S1 مقاسة. استبدل القيم null بالنتائج المرصودة فقط.

{
  "task_id": "assembly_shifted_scene_001",
  "prompt_type": "video",
  "scene_condition": "shifted_scene",
  "horizon_class": "long",
  "embodiment_fit": "partial",
  "uninterrupted_completion": null,
  "step_progress_score": "reported_separately",
  "interventions": null,
  "reset_count": null,
  "recovery_time_seconds": null,
  "safety_stops": null,
  "evidence_urls": ["prompt_video", "observation_log", "completion_rubric"]
}

الدرس العملي من S1 ليس خفيا. يمكن لتوجيهات الفيديو أن تجعل تحديد المهمة أكثر طبيعية، لكن الثقة الإنتاجية ما زالت تأتي من الإنجاز المقاس في ظروف واقعية. التوجيه الأفضل ذو قيمة. وسجل الأدلة النظيف هو ما يتيح للفريق الوثوق بالنتيجة.