Model ya Dunia ya Orca ya China Inalingana na Roboti Maalum Bila Lebo za Vitendo
Ugunduzi mkubwa kutoka kwa watafiti nchini China unapinga tafsiri ya msingi ya akili ya AI kwa kuthibitisha kuwa model ya dunia iliyounganishwa inaweza kutawala roboti bila usimamizi wa moja kwa moja. Model ya Orca inaonyesha kuwa kwa kutazama tu jinsi dunia inavyobadilika kupitia video, AI inaweza kukuza uelewa wa ndani wenye uwezo wa kuendesha vitendo tata vya kimwili.
Injini ya Mafunzo ya Njia Mbili: Hali ya Kutojitambua na ya Kutambua
Orca inatofautiana na model maalum za jadi kwa kutumia mbinu ya mafunzo ya pande mbili ili kujenga "hali ya dunia" (world state) yake ya ndani. Njia ya kwanza, "unconscious learning" (mafunzo ya kutojitambua), inahusisha kuchakata saa 125,000 za video zisizo na lebo. Katika awamu hii, model inatabiri fremu za baadaye katika nafasi ya kidhahania, hali inayoiwezesha kuelewa mifumo ya mwendo, vizuizi vya vitu, na mienendo ya mandhari bila kuhitaji maelezo hata moja.
Njia ya pili, "conscious learning" (mafunzo ya kutambua), inaleta maelekezo na maelezo ya maneno. Kwa kugawa video katika sehemu na kuweka lebo kwenye mabadiliko ya hali yanayotokea, Orca inajifunza uhusiano wa kisababishi kati ya kitendo fulani na matokeo yake ya kimwili. Mchanganyiko huu unaruhusu model kuziba pengo kati ya utambuzi wa picha mbichi na mantiki ya juu ya kilugha.
Kiini Kilichoganda chenye Moduli za Akili Zinazoweza Kubadilishwa
Muundo wa Orca umeundwa kwa ajili ya uwezo mkubwa wa kubadilika. Inatumia model ya lugha-picha ya Qwen3.5 iliyofundishwa tayari kama "kiini kilichoganda" (frozen core). Badala ya kufundisha upya mfumo mzima kwa kila kazi, watafiti huunganisha "vichwa" (heads) maalum na vyepesi kwenye msingi huu thabiti:
- Matokeo ya Maandishi: Inatumia kichwa cha lugha cha Qwen3.5 kilichopo.
- Uzalishaji wa Picha: Inatumia viunganishi (adapters) vidogo vilivyounganishwa na Stable Diffusion 3.5 ili kutafsiri hali ya dunia ya ndani kuwa utabiri wa picha.
- Udhibiti wa Roboti: Inatumia moduli ya "Action Expert" iliyotengenezwa maalum iliyofundishwa mahususi kubadilisha hali za dunia kuwa mienendo ya kimwili.
Muundo huu wa moduli unahakikisha kuwa uelewa wa kati wa dunia unabaki kuwa thabiti, iwe model inajibu swali, inazalisha video, au inadhibiti mkono wa mashine.
Kufanya Vizuri Zaidi kuliko Model Maalum na Majitu
Vipimo vya utendaji kwa Orca-4B ni muhimu sana. Katika viwango vya video vya maandishi (text-based video benchmarks), Orca-4B ilifikia wastani wa asilimia 51.8, ikifanya vizuri zaidi kuliko model kubwa zaidi kama Emu3 (34B) na VLMs maalum kama DeepSeek-VL2-3B. Katika kazi za utabiri wa picha kupitia kiwango cha PRICE-V0.1, Orca-4B ilipata asilimia 59.8, ikizidi vizazi vya hali ya juu kama FLUX.2 small.
Jambo la kushangaza zaidi, Orca inaonyesha usawa na $\pi$0.5—mfumo uliojengwa mahususi kwa data za vitendo vya roboti—katika kazi tano za uendeshaji, kama vile kupanga bakuli na kupakua sukari. Muhimu zaidi, Orca ilifikia hili bila kuwahi kuona lebo ya kitendo wakati wa awamu yake kubwa ya mafunzo ya awali (pre-training). Hata ilionyesha uwezo bora wa kurekebisha makosa, ikijaribu tena kushika vitu vilivyoshindwa ambapo model maalum mara nyingi hukwama katika mzunguko wa marudio.
Kwa Nini Hii Ni Muhimu kwa Mustakabali wa AI
Orca inatatua moja ya vikwazo vikubwa zaidi katika roboti za kisasa: uhaba wa muda mrefu wa data za vitendo zenye lebo. Kwa kuthibitisha kuwa AI inaweza kujifunza "fizikia ya dunia" kupitia uchunguzi wa kawaida, utafiti huu unafungua njia kwa roboti za matumizi ya jumla ambazo zinaweza kutumika katika mazingira mapya bila kuhitaji mamilioni ya saa za data za uendeshaji wa mbali (teleoperation) zilizowekwa lebo kwa mkono.
Mambo Muhimu ya Kuzingatia
- Msingi Usiosimamiwa: Orca inajifunza mienendo ya dunia kupitia "unconscious learning" ya video zisizo na lebo, ikipunguza utegemezi wa seti za data za gharama kubwa zilizowekwa lebo na binadamu.
- Muundo wa Moduli: Matumizi ya kiini cha Qwen3.5 kilichoganda chenye viunganishi (adapters) vinavyoweza kubadilishwa huruhusu model moja kuwa bora katika maandishi, picha, na udhibiti wa roboti kwa wakati mmoja.
- Usawa wa Roboti: Orca-4B inalingana na utendaji wa mifumo maalum ya roboti katika kazi za uendeshaji licha ya kutokuwa na uzoefu wa awali wa lebo za vitendo wakati wa mafunzo ya awali.