Bağımsız Robot, robot dünya modellerinde eylem-sonuç neden-sonuç uyumsuzluğunu çözmeyi amaçlayan ilk alt ölçekli otoregresif dünya modeli WALL-SS'i yayınladı. Bu model, kaba-dan inceye katmanlı tahmin mekanizmasıyla farklı eylemlerin gerçek anlamda farklı sonuçlara karşılık gelmesini sağlıyor ve en uzun 60 saniye sürecek sürekli tahminleri gerçekleştirebiliyor. Testler, WALL-SS'in eylem takibi puanının 0,29 olduğunu gösteriyor; bu, Cosmos3-Nano'nun 0,044 puanından çok daha yüksek. Bağımsız Robot, 600 adet sanal-gerçek eşleştirme deneyi tamamladı ve görev başarı oranları arasındaki korelasyon katsayısı 0,926 oldu; bu da dünya modelinin robotların sanal ortamlarda stratejilerini önceden doğrulamalarına yardımcı olabileceğini gösteriyor.

Yazan: GeekPark

Robot dünyası modelinin bir sonraki yarışması, kalite değil, mimari olabilir.

Yazar | Li Yuan

Düzenleyen: Zheng Xuan

Bir robot kolu tutamacı, bardağı tutmadığı halde bardak, bir mıknatıs tarafından çekildiği gibi tutamaçla birlikte yükseliyor. Bu görünürde absürt sorun, robotik dünya modellerini meşgul ediyor ve endüstride bunun “mıknatıs gibi tutma” olarak adlandırılıyor.

Video üretme modelleri, sahnenin mantıklı görünmesiyle görevini tamamlar; ancak dünya modelleri sadece "gerçekçi" görünmeye odaklanamaz. Robot eğitim verileri çoğunlukla başarılı gösterimlerden gelir ve model, eylemlerin ince farklarını anlamak yerine, görüntüye dayanarak en olası sonucu doğrudan üretme eğilimindedir.

Gerçek dünyada, tutucunun konumu birkaç milimetre kayarsa, sonuç tutma yerine bardağı devirmeye veya tamamen boşta kalmaya dönüşebilir. Dünya modelinin gerçekten anlaması gereken, eylem ile sonuç arasındaki neden-sonuç ilişkisidir.

27 Ağustos'ta, bağımsız değişken robotu, dünya modelini bir sonraki ölçeğe taşıyan WALL-SS'i duyurdu; dünya modelini "kullanılabilir"den "kullanışlı" hale getirmeyi amaçlıyor. WALL-SS, tam bir görüntüyü tek seferde oluşturmak yerine, kaba dan inceye doğru geleceğe dair bir resim çizer; bu sayede farklı eylemler gerçek farklı sonuçlara karşılık gelir. Aynı zamanda uzun vadeli hafıza mekanizması ile en uzun 60 saniye sürecek sürekli tahmin sağlar.

Testler, WALL-SS'in 60 saniye boyunca sürekli senaryo çalıştırılmasından sonra ekran ve hareket izlerinin gerçek videoya daha yakın kaldığını ve hareket takibi puanının 0,29'a ulaştığını gösterdi; Cosmos3-Nano için bu değer 0,044'tür ve diğer test modelleri tamamen 0'dır. WALL-SS, ekran tahminlerinin hareket komutlarını takip eden nadir modellerden biridir.

Aynı zamanda WALL-SS'nin yayınlanmasını duyuruyor. Ünifike bir teknoloji yolu oluşturmamış robot dünya modelleri için, bu yayın sadece bir modelin açılması değil, aynı zamanda endüstrinin ortak olarak doğrulamasını sağlıyor: Dünya modeli, eylemlere göre tahmin yapıyor mu, sanal simülasyonlar gerçek robotlara gerçekten hizmet edebiliyor mu?

Teknik paradigmalar hâlâ konsensüse varmadığında, sürekli keşif kendisi bir rekabet avantajıdır. Gövdeli akıl, hızlı uygulamaya yönelik donanımların yanı sıra, mevcut yolları sürekli zorlayan ve temel teknoloji sınırlarını genişleten şirketlere ihtiyaç duyar.

Dünya modeli, gövdeli akıllılığın ana yarış pisti oluyor

2026 yılında dünya modelleri, robotik alanındaki en çok dikkat çeken teknoloji yönlerinden biri haline geliyor.

NVIDIA, Cosmos'u sürekli olarak geliştirmeye devam ediyor ve video dünya modellerini robot kontrolü ve planlamada kullanmaya başlıyor; Meta'nın V-JEPA 2, robotların fiziksel dünyanın değişikliklerini tahmin ederek yabancı ortamlarda kavrama görevlerini tamamlamayı deniyor. Artık daha fazla araştırma, robotların "elini harekete geçirmeden" önce sanal dünyada farklı stratejilerin sonuçlarını tahmin etmek için dünya modellerini kısmen gerçek robot testlerinin yerine kullanmayı keşfediyor.

Bu hıza anlamak karmaşık değil. Büyük dil modelleri bir sonraki kelimeyi tahmin ederek dil kurallarını öğrenirken, dünya modelleri bir sonraki anın dünyasını tahmin eder: robot sola hareket ederse, bardak devrilecek mi; tutucu biraz daha sıkıştırılırsa, nesne tutulabilecek mi; bir hareket on saniye boyunca tekrarlanırsa, sahne nihayetinde nasıl değişir?

Bu, gövdeli akıllılık için özellikle önemlidir. Geçtiğimiz yıllarda endüstri, robotların “nasıl yapacağı” sorununu çözmeye odaklandı, VLA görsel ve dil talimatlarına göre doğrudan eylemler üretiyor. Ancak robot yetenekleri arttıkça, yeni bir sorun giderek daha belirgin hale geliyor: Bir stratejinin gerçekten iyi olup olmadığını nasıl belirleyeceğiz?

Her model iterasyonunda gerçek cihaz testlerine ihtiyaç duyulursa maliyet yüksek, süreç uzun olur ve bu da eğitim ve iterasyon için kolayca bir darboğaz haline gelir. Geleneksel simülasyonlar bazı testleri üstlenebilir ancak nesnelerin malzeme, sürtünme, deformasyon ve temas ilişkilerini insan tarafından modellemek gerekir ve bu da gerçek dünyanın karmaşıklığını kapsamakta zor kalır. Dünya modelleri ise gerçek videolar ve robot etkileşim verilerinden dünyada nasıl değişiklikler olduğunu öğrenmeye çalışır ve robotların sanal ortamlarda stratejilerini tekrar tekrar tahmin edip doğrulamasını sağlar.

Bu, robotun karar verme sürecine daha da dahil olabilir. VLA, bardağı gördükten hemen sonra «elini uzatma» kararını verirken, dünya modeli önce farklı eylemlerin sonuçlarını tahmin edebilir ve robotun daha uygun stratejiyi seçmesine yardımcı olabilir—«doğrudan eylem»den «önce hayal et, sonra eylemde bulun» yoluna geçerek.

Ancak gerçek bir vücutlu akıl altyapısı olmak için bugünün dünya modelleri hâlâ üç ana engelle karşı karşıya.

Birinci, eylem ile sonucun neden-sonuç tutarlılığıdır. Model, yalnızca beklenen görüntüyü üretmekle kalmalı, eylemin getirdiği sonucu doğru şekilde yansıtmalıdır; aksi takdirde, aslında bir bardağı tutamayan bir strateji, sanal dünyada başarı olarak değerlendirilebilir.

İkinci, uzun süreli tahmin yeteneğidir. Robot görevleri genellikle onlarca saniye veya daha uzun sürer; model, tahminlerini sürekli bir sonraki anın girdisi olarak kullanmalıdır ve herhangi bir küçük hata, sürekli tahminler sırasında birikme eğilimindedir.

Üçüncüsü, sanal tahmin ile gerçek makine uygulaması arasındaki tutarlılıktır. Ne kadar gerçekçi üretildiğine veya ne kadar uzun tahmin yapıldığına bakılmaksızın, modelin robot stratejilerini gerçekten değerlendirebileceği anlamına gelmez. Sanal dünyadaki performans, gerçek makine sonuçlarıyla kararlı bir ilişki kurabildiğinde, dünya modeli gerçek deneme-yanılma süreçlerinin bir kısmını gerçekten yerine geçmeye başlar.

Bu üç engel, bir sonraki aşamadaki dünya modeli rekabetinin çekirdeği haline gelmektedir.

WALL-SS, dünya modelini mimari temelde iyileştiriyor

WALL-SS, bu sorunlara yönelik yeni bir girişimdir. Makaleye göre, bir sonraki ölçekli otoregresif mimariyi kullanan ilk dünya modelidir.

Daha önce, birçok dünya modeli video Diffusion yaklaşımını takip ediyordu: geçmiş görüntüler ve eylemler girdi olarak verilir, çoklu gürültü giderme adımlarıyla gelecek videolar üretilir. Eylemler, üretme koşulu olmakla birlikte, “eylem→sonuç” üretme zincirine açıkça dahil edilmemiştir; bu nedenle model, görsel önyargılara aşırı bağımlı hale gelmekte ve kuvvetli olasılıkla başarılı bir gelecek tahmin etmektedir—gerçekten kaşıklar bardağı tutamamış olsa bile, bardağın başarıyla kaldırıldığı bir görüntü üretilebilir.

WALL-SS, gözlem ve eylemleri «gözlem—eylem—yeni gözlem» neden-sonuç dizileri halinde düzenler ve eylemlerin gelecek durumların oluşturulmasına gerçek anlamda dahil olmasını sağlar. Basitçe ifade edersek, önce dünyanın nasıl değişeceğini belirler, ardından katman katman detayları tamamlar: kaba ölçekte robot kolu ve nesnelerin genel durumunu belirler, ince ölçekte ise hareketleri ve temasları daha ayrıntılı şekilde yeniden oluşturur. Başarısızlık, elden alma ve düzeltme verileriyle birlikte, modelin «eylem farklıysa, sonuç da farklı olur» öğrenmesini sağlar.

Bu yetenek, metriklerle doğrulanmıştır. WALL-SS'in eylem takibi puanı 0,29 ve trajektori doğruluğu 0,539'dur; buna karşılık, Cosmos3-Nano'nun eylem takibi puanı yalnızca 0,044'tür. Diğer modellerin puanları tamamen 0'dır.

Diğer kritik sorun, dünya modelinin yeterince uzun süre hatırlayabilip istemediğidir. WALL-SS, çok ölçekli uzun vadeli bellek kullanarak yakın geçmiş detaylarını korur, uzak geçmişleri sıkıştırır ve modelin eğitim sırasında kendi tahminlerine devam ederek hata birikimini azaltır. Bu, modelin 60 saniye boyunca sürekli tahmin yapmasını sağlar, diğer modeller ise 20-30 saniye boyunca çalışmak zorundadır.

Daha önemlisi, bu yetenekler nihayet gerçek cihazlarla test edildi. Bağımsız değişken, aynı stratejiyi WALL-SS ve gerçek robotlarda ayrı ayrı çalıştırdı ve 600 çift gerçek-sanal deney tamamladı. Sonuçlar, ikisi arasındaki görev başarı oranlarının korelasyon katsayısının 0,926 olduğunu ve farklı stratejilerin güç sıralamasının %89 doğrulukla doğru şekilde belirlendiğini gösterdi.

Bu, dünya modelinin sadece "gerçekçi" görünen bir gelecek üretmekten ziyade, robotların farklı eylemlerin ne sonuçlar doğuracağını anlamasına ve stratejileri sanal dünyada önceden doğrulamasına yardımcı olma daha önemli bir değere sahip olduğunu anlamına gelir.

Elbette, WALL-SS şu anda hala sınırlıdır. Giriş hareketleri, robot kol ucunun konumu, yönü ve tutucu açma-kapama işlemlerini içerir; tam eklem durumlarını, kuvvetleri ve torkları içermez, bu nedenle ince temas ve çok parmaklı zeki el desteği için daha fazla doğrulama gerekmektedir.

Yol hâlâ konsensüse ulaşmadıkça mimari yeniliklere devam edin

WALL-SS, rastgele dünya modeli trendine takılmak sonucu değil. Geçen yıl boyunca, Self-Variable aynı soruyu araştırdı: Robotların dünyanın anlaşılmasını, eylem tahminlerini ve gerçek uygulamalarını nasıl gerçek bağlantıya sokabiliriz?

WALL-OSS, görsel, dil ve robot hareketlerini aynı gövdeli temel modelde birleştirmek için büyük ölçekli çoklu modlu ön eğitim yapar; WALL-OSS-0.5, ön eğitim yeteneklerini gerçek cihazlara aktarmayı daha da ileri taşır; ardından WALL-WM, dünya değişiklikleri ile robot hareketlerini birlikte modellemeye başlar ve X-Tokenizer, farklı robotlar ve farklı hareketlerin nasıl tek bir modele dahil edileceğini araştırır. WALL-SS'e gelindiğinde, bu yol, bir hareketin ardından dünyanın tam olarak ne olacağını sorusuna doğru ilerler.

Bu serinin boyunca, bağımsız değişkenin “dünya-eksiyon” birleşik modellemesine yönelik uzun vadeli yatırım sürmektedir. Robotlar sadece eylemde bulunabilmekle kalmalı, aynı zamanda eylemlerin sonuçlarını öngörebilmeli ve bu sonuçlara göre davranışlarını sürekli olarak düzeltmelidir. Model, veri, ontoloji ve gerçek robot deneyimleri biriktiğinde, bu araştırmalar giderek birbirine geri bildirim sağlayan bir teknik döngü haline gelmektedir.

Ancak gövdeli akılın temel altyapısı henüz kapanmamıştır. Bu aşamada, her denemenin nihai cevabı doğru tahmin etmesi değil, yeni altyapı varsayımları sürekli olarak ortaya atıp, veri ve gerçek makineyle doğrulayıp, sonuçlara göre yolu sürekli ayarlayabilme önemlidir.

Bu, WALL-SS'in duyurulmasıyla birlikte bu fikrin bir uzantısıdır. Sadece bir model değil, endüstri tarafından ortak olarak doğrulanabilecek bir teknoloji yolu sunulmaktadır: Bir sonraki ölçekli otoregresif model robotlar için daha uygun mu? Eylemler ve sonuçlar gerçekten karşılıklı mı? Sanal testler gerçek robot performansını yansıtabilir mi? Araştırmacılar bu temel üzerinde araştırmaya devam edebilir, robot şirketleri ise doğrudan bu modelin kendi eğitim ve değerlendirme sistemlerine entegre edilebilir olup olmadığını test edebilir.

Bu, erken dönem vücutlu akıl endüstrisi için daha önemli bir anlam taşır: endüstri araştırmasının maliyetini düşürmek ve farklı yaklaşımların gerçek uygulamalarda sınanmasını sağlamak.

Geçtiğimiz yıllarda yerel gövdeli akıllılık rekabeti daha çok gövde, veri ve ürün uygulamalarına odaklanmıştı. Ancak henüz şekillenmemiş bir sektör, olgun bir yapı ortaya çıkmasını beklemekle kalmamalı, aynı zamanda dünya modeli, eylem temsili ve öğrenme paradigmaları gibi daha temel seviyelere girenlerin, bir sonraki olasılığı sürekli araması da gerekmektedir.

WALL-SS kesinlikle son cevap değil, ancak yerel şirketlerin artık mevcut yolları takip etmekten ziyade kendi mimari varsayımlarını ortaya koyup bunları endüstri tarafından sınanmaya açmaya başladığını temsil ediyor.

Teknoloji rotası gerçekten değiştirildiğinde, bir şirketin sadece önceki nesile ayak uydurup uydurmadığı değil, aynı zamanda bir sonraki nesli keşfetme yeteneğini her zaman koruyup korumadığı belirleyicidir.