X Square、統合スタックで汎用ロボット開発

中国の具現化AI企業X Square Robotは、汎用ロボットを構築する方法について、異常に明示的な主張を行った。中核的な洞察は、ロボティクスが大規模言語モデルレシピの同等物に欠けているということである。この分野は知覚、計画、制御の独立したモジュールから成るシステムを組み立ててきたが、それは1つのタスクから別のタスクへ、または1つのマシンから別のマシンへロボットが運ぶことができる知性までに至ることはほとんどない。X Squareの答えは、データ収集、ワールドモデル（WALL-WM）、アクションモデル（Wall-OSS-0.5）にわたる統合スタックであり、3つの中核原則で結ばれている。ロボットデータの基本単位は、意図された方法で世界を変更した場合にのみ成功するインタラクションである。事前学習は、単なる初期化ではなく、使用可能な能力を生成すべきである。そして、動作は固定時間スライスではなく、物理的なイベントの周りでモデル化されるべきである。

同社のデータ収集へのアプローチは、スケールよりも品質を優先するという意思的な選択を反映している。ロボットをテレオペレーションするのではなく——オペレーターを各マシンの運動学、遅延、視点内で作業することを強制し、より遅くより多様性の低いデモンストレーションを生じるメソッド——X Squareは人間のスキルを捕捉することの周りに、ユニバーサル操作インターフェース（UMI）データ収集システム、QUANXTA Zero Seriesを構築した。オペレーターはデュアルグリッパー付きのウェアラブル装置を着用し、デモンストレーションはどのロボットにも依存せずに記録される。distinctive stepは物理的な検証である。軌跡のサンプルが実ロボット上で再生され、実際にタスクを完了したものだけが有効なデータとしてカウントされる。この品質管理ループは珍しい。グリッパーが数分の1秒早すぎて閉じる場合、記録ではグラスピングのように見えるが、実はオブジェクトを押し出しており、拒否されるべきである。同社は、大量のロボットなしの人間データで事前学習し、その後、小さな実ロボットデータのアンカーを追加することで、すべてのロボットデータセットと同等のパフォーマンスに達しながら、データ収集コストをおよそ20分の1に削減したと報告している。主に、ウェアラブル装置がテレオペレーション設定よりはるかに安価であるため。

X Squareのワールドモデル、WALL-WMは、主流のアプローチから逸脱している。ほとんどのアクションモデルは現在の画像と指示から固定長のモーション塊を予測し、これは計算的に便利だが、動作を意味的な境界ではなく時間ベースのウィンドウに強制する。WALL-WMは代わりに、アクショングラウンデッドなセマンティックイベント——リーチング、グラスピング、またはプレースメント——をその単位として扱う。言語で名付けられ、ビデオで見られ、動作として実行されることができるコヒーレントな動作である。アーキテクチャは、テキストからビデオへのモデルを、ビデオフィーチャーから読み込み、それらを上書きしない新しく初期化されたアクションネットワークと結合し、大規模なビデオモデルによって学習された視覚的な先行を保持する。このプロセスから、WALL-WMは2つのモードを提供する。長地平線での推論のための可変長セグメントで実行するイベントモードと、安定したリアルタイム制御のための固定長モード。会社が実施した実験では、限定されたデータセットで学習したモデルが、X Squareの実ロボットベンチマーク上の未見の設定で長地平線タスクで評価された場合、関連するデータで微調整されたベースラインを上回った——それが保有する場合は意味のある結果であるが、現在のところ同社のハードウェアでのみ測定されている。

アクション層は2つの結合されたアイデアを導入する。まず、X Squareのビジョン言語アクションモデルであるWall-OSS-0.5は、タスク固有の微調整の前に実ロボット上で実行するように設計されており、ネットワークの部分を凍結する設計からの逸脱である。モデルは3つの目的——離散アクショントークン、言語グラウンディング、連続アクション生成——を一緒に学習しながら、それらすべてを通じて勾配を保持する。2番目のアイデアはX-Tokenizerであり、トークン化をセマンティックインターフェースの学習として枠組みを変える。トップレベルのコードは動作の意図を表し、より低いレベルのコードはより詳細を携行し、すべてが言語モデルのフィーチャーと整列している。実際的な結果として安定性がある。アクションにノイズを追加すると、意図コードはほぼ動かず、1つのトークナイザーを再チューニングなしに機械間で再利用することを可能にする。これらの設計上の選択は、アクション層に機械間で能力を転送する能力を与える。

X Squareの評価額は200億元（約29億ドル）を超えており、データインフラストラクチャ、基盤モデル、スケーラブルな学習システムが具現化AIの長期的な差別化要因となるという投資家の確信を反映している。しかし、同社は、現在の証拠の大部分が独自のロボットとベンチマークから来ていることを認めている。ワールドモデルコードが一般に公開されたことで、ロボティクスコミュニティはより多くのロボット、タスク、設定にわたってこの作業をテスト、再現、構築する機会を持つだろう——スタックの原則がX Squareの統制された環境を超えて汎化するかどうかを検証するための重要な次の段階。

ロボティクスの分野は、大規模言語モデルが解決した根本的な問題と長く戦ってきた。それはシステムをどのように汎化させるかということである。LLMが広範なデータで事前学習し、その後特定のタスクで微調整することのメリットを享受する一方で、ロボティクスは歴史的には異なるロボットやタスク間で知識をほとんど転送しない知覚、計画、制御の独立したモジュールを継ぎ合わせてきた。X Square Robotの明示的な賭けは、解決策は統合スタックにあるということであり、そこではデータインフラストラクチャ、ワールドモデリング、アクション生成が最初から密接に結合されている。

同社の診断——モデルサイズではなく、データ品質が真の瓶首である——は、具現化AI分野がスケーリングについて考える方法の実用的な転換を反映している。安価なウェアラブル装置を使用して人間のデモンストレーションを収集し、その後実ハードウェア上の物理的な再生を通じて検証することで、X Squareはロボット学習を長く高価にしてきたコスト問題を解いたと主張している。報告されているデータ収集コストの20倍削減が独立して確認されれば、ロボット学習の経済学を一変させるだろう。同等に重要なのは、固定時間ウィンドウではなく、グラスピングやプレースメントなどのコヒーレントな動作——セマンティックイベント——の周りにワールドモデルを組織する建築上の選択である。この設計は大規模ビデオモデルが既に知っていることを尊重しながら、実行可能な動作を生成する、純粋な予測と純粋な制御の中間地点である。

X Squareの評価額が29億ドルを超えたこと、そして同社がコードをオープンに公開していることは、投資家の間でデータインフラストラクチャと基盤モデルが具現化AIの長期的な差別化要因となるという確信を示している。しかし、現在の証拠の多くは同社独自のロボットとベンチマークから来ている。次の段階——より広範なロボット、タスク、設定での独立したテストと再現——は、これらの原則が真に汎化するのか、それともX Squareの注意深く統制された環境に限定されたままなのかを決定するだろう。

まだコメントがありません。最初のコメントを投稿しましょう！