Aether AI hat CRIS-0 vorgestellt, ein neues Robotersystem, das in der Lage ist, seine eigenen Handlungen zu überprüfen und bei Abweichungen vom Plan Korrekturen vorzunehmen. Dieses System kombiniert ein kausales Weltmodell mit einer Roboterintelligenz, die Aufgaben im Haushalt ausführen kann. Die Technologie soll Roboter widerstandsfähiger gegenüber unerwarteten Situationen in der physischen Welt machen.
Wichtige Erkenntnisse
- CRIS-0 kombiniert ein kausales Weltmodell mit einer Agentensteuerung.
- Das System kann Aktionen überprüfen, Fehler erkennen und neu planen.
- Vortraining erfolgte mit etwa 20.000 Stunden Daten, Feintuning am Roboter dauerte nur wenige Stunden.
- Haushaltsaufgaben wurden in kontrollierten Umgebungen demonstriert.
- Herausforderungen bleiben bei der Generalisierung auf unbekannte Umgebungen und kontaktintensive Manipulationen.
Intelligente Fehlererkennung und Neuplanung
CRIS-0 steht für Causal Robotic Intelligence System. Es wurde entwickelt, um die Lücke zwischen der Ausführung einer Bewegung und dem tatsächlichen Erreichen des beabsichtigten Ziels zu schließen. Das System stellt eine Aufgabe durch Variablen dar, die die Umgebung beschreiben, und Beziehungen, die zeigen, wie sich diese Variablen bei Roboteraktionen ändern.
Das Weltmodell von CRIS-0 prognostiziert mögliche Ergebnisse, während der Agent Werkzeuge und Aktionen auswählt. Die Ergebnisse der Ausführung fließen dann in diese gemeinsame Darstellung zurück. Dies ermöglicht es dem Roboter, zu überprüfen, ob eine Aktion tatsächlich erfolgreich war.
Faktencheck
- Name: CRIS-0 (Causal Robotic Intelligence System)
- Gründungsjahr von Aether AI: Dieses Jahr
- Gründer: Biwei Huang, Assistenzprofessor an der UC San Diego
- Trainingsdaten: ca. 20.000 Stunden Vortraining, nur wenige Stunden robotspezifisches Feintuning
Überraschende Erkenntnisse bei der Entwicklung
Ein zentrales Learning bei der Entwicklung war, wie unterschiedlich „Aktion abgeschlossen“ und „beabsichtigtes Ergebnis tatsächlich eingetreten“ sein können. „Das hat die Überprüfung genauso wichtig gemacht wie die Vorhersage“, erklärte Aether AI. Wenn das beobachtete Ergebnis von der Vorhersage abweicht, kann CRIS-0 die Aktion wiederholen, zurückgehen oder neu planen.
Frühere Forschungen von Aether AI untersuchten kausale Vorhersagen und robotische Neuplanung getrennt. Das kausale Weltmodell des Unternehmens, CausalWM, belegte laut Aether im September den ersten Platz auf der TriWorldBench-Weltrangliste. Der Agentenrahmen RSIAgent übertrifft zudem führende Closed-Source-Modelle bei Computer-Nutzungs-Benchmarks wie OSWorld 2.0 und Agents' Last Exam ohne zusätzliches Training.
Reaktion auf unerwartete Hindernisse
Die Integration von Vorhersage und Neuplanung in einem kontinuierlichen Feedback-Loop auf physischer Hardware ist ein wichtiger Schritt.
„Software ermöglicht es, Fehler rückgängig zu machen, aber Aktionen in der physischen Welt können nicht rückgängig gemacht werden“, sagte Biwei Huang, Gründer von Aether AI.
In einer Demonstration wurde ein Mikrowellen-Szenario gezeigt, bei dem eine Hand in den Pfad einer sich schließenden Tür geriet. Das System unterbrach seine Aktion innerhalb von durchschnittlich 0,2 Sekunden nach Erkennung des Risikos und nahm die Aufgabe wieder auf, nachdem das Hindernis beseitigt war. Obwohl die Pressemitteilung zunächst 0,5 Sekunden angab, bestätigt Aether AI, dass 0,2 Sekunden der korrekte Wert aus internen Tests ist.
Hintergrundinformationen
Die Fähigkeit von Robotern, in dynamischen Umgebungen zu agieren, ist entscheidend für ihre breitere Akzeptanz. Herkömmliche Robotersysteme können Schwierigkeiten haben, auf unerwartete Veränderungen zu reagieren, was zu Fehlern oder sogar Schäden führen kann. CRIS-0 zielt darauf ab, diese Herausforderungen durch eine robuste Selbstüberprüfung und Neuplanung zu minimieren.
Erfolgsraten und Herausforderungen
Aether AI berichtete auch über eine Kaffee-Bohnen-Aufgabe, bei der das System bei absichtlichen Störungen eine durchschnittliche Neuplanungszeit von zwei Sekunden benötigte. Bei einer personalisierten Pick-and-Place-Aufgabe mit mehrdeutigen Anweisungen erreichte das System eine Erfolgsquote von 90 %. Diese Ergebnisse wurden vom Unternehmen selbst gemeldet.
Das Unternehmen identifiziert Interaktionen mit Reibung, Materialeigenschaften und sich ändernden Objektzuständen als aktuelle Schwachpunkte. Die Fähigkeit zur Neuplanung hängt von der korrekten Einschätzung dieser physikalischen Zwischenzustände ab. Die größere Herausforderung bleibt jedoch die Generalisierung – die Notwendigkeit, neue Umgebungen, Objekte, Aufgaben und schließlich verschiedene Roboter ohne umfangreiches erneutes Training zu handhaben.
Effizientes Training und zukünftige Anwendungen
Aether AI nutzt Webvideos, egozentrische menschliche Daten und Simulationen, um Interaktionen und Aktionsfolgen zu lernen, bevor es sich an einen bestimmten Roboter anpasst. „Für CRIS-0 haben wir ungefähr 20.000 Stunden hochwertige Daten für das Vortraining verwendet, während die Anpassung an den Roboter nur wenige Stunden hochwertiger Feintuning-Daten erforderte“, so das Unternehmen.
Reale Roboterdemonstrationen bleiben unerlässlich für die hardware-spezifische Steuerung, kontaktintensive Interaktionen und die Überprüfung der Übertragbarkeit gelernter Verhaltensweisen. Aether AI ist der Meinung, dass die Skalierung von physischer KI nicht erfordert, die Roboterdemonstrationen im gleichen Maße zu skalieren.
- Vortraining: ca. 20.000 Stunden
- Feintuning am Roboter: Nur wenige Stunden
- Mitarbeiterzahl: ca. 20 Personen
- Gesammelte Investitionen: ca. 20 Millionen US-Dollar
Aether AI hat etwa 20 Millionen US-Dollar an Investitionen erhalten und beschäftigt rund 20 Mitarbeiter. Biwei Huang, der Gründer, arbeitet seit zwölf Jahren an kausaler Entdeckung. Robotik ist das erste Anwendungsgebiet von Aether AI, wobei auch Prognosen und wissenschaftliche Entdeckungen geplant sind.
Die nächste große Herausforderung für CRIS-0 wird sein, ob die Vorhersage- und Überprüfungsschleife auch bei weniger kontrollierten Aufgaben und in unbekannten Umgebungen nützlich bleibt – ein entscheidender Schritt, den Aether selbst als notwendig erachtet, bevor das System breit einsetzbar wird.
