World Labs bemutatja: Hogyan tanulnak a robotok komplex feladatokat valós adatok nélkül

• Az World Labs új megközelítése lehetővé teszi robotok számára, hogy szimulációban tanuljanak, valós adatok nélkül.
• Az R2S2R-engine egyetlen valós feladatból ezernyi változatot generál, így a robotok általánosítható tudást szerezhetnek.
• A módszer jelentősen csökkenti a drága és időigényes valós tesztek szükségességét.
• Az eredmények ígéretesek, de a technológia általánosíthatósága még kérdéses.

Az World Labs egy úttörő módszert mutatott be, amely lehetővé teszi, hogy robotok komplex feladatokat tanuljanak meg anélkül, hogy valós, költséges és nehezen kontrollálható adatgyűjtésre lenne szükség. Az új rendszer, az R2S2R-engine, egyetlen valós feladatból kiindulva ezernyi kontrollált szimulációs változatot hoz létre, így segítve a mesterséges intelligenciát a feladatok általánosításában.

Az World Labs új szimulációs megközelítése a robotikában

Valós adatgyűjtés kihívásai

Az World Labs szerint nem a modellarchitektúra, hanem a tapasztalat mennyisége a fő akadály a megbízható robotikai rendszerek fejlesztésében. A valós adatok gyűjtése drága és nehezen szabályozható, miközben az internetes videók sem fedik le szisztematikusan a lehetséges objektumokat, fizikai feltételeket és hibákat.^{[^1]}

Interaktív virtuális világ: egy feladatból ezernyi variáció

Az R2S2R-engine első lépése egy valós feladat, környezet és demonstráció digitális rekonstrukciója, mely fizikailag is hűen modellezi az eredetit. Ezután a rendszer ezernyi variációt generál, változtatva a világítást, az objektumok helyzetét és számát, a fizikai tulajdonságokat vagy akár a kameranézetet is. Ezáltal a mesterséges intelligencia képes általánosítani és felkészülni váratlan helyzetekre.^{[^1]}

Változatos robotikai feladatok szimulációban

Bemutatott példák között szerepel merev, mozgatható és rugalmas tárgyak kezelése, például kábelbefűzés, rugalmas kábel végének bedugása vagy dobozok kétkezes csomagolása.^{[^1]}

Szabályozási modellek tanítása valódi tréning nélkül

ALOHA platform és további robotok

A vezérlési modelleket szimulációban tréningezik, majd valódi robotokra ültetik át. Az ALOHA platform – egy nyílt forráskódú kétkaros robot – mellett négy másik roboton is sikerrel futottak a modellek. Az egyórás, emberi beavatkozás nélküli tesztek során olyan feladatokat oldottak meg, mint kábelvezetés, reagenscsövek precíz mozgatása, vagy vékony tárgyak szétválogatása.^{[^1]}

A rendszer független az alkalmazott modell- és robotfajtáktól, így a virtuális világ később új eszközökhöz és algoritmusokhoz is újrahasznosítható.^{[^1]}

A szimuláció jelentősége a robotikában

Az World Labs szerint a robotikai fejlődés lassabb, mint a nyelvi modelleké, mert eddig a tesztelés erősen kötődött a valódi hardverhez. Egy megbízható szimuláció ugyan nem mindenben egyezik a valósággal, de lehetővé teszi a gyengébb modellek előzetes kiszűrését, így a drága hardvertesztek csak a legígéretesebb változatokra koncentrálhatók.^{[^1]}

A World Labs víziója és a világmodellek szerepe

Az World Labs kutatásait a világmodellek taxonómiájába sorolja: a szimulátor központi szerepet kap, mert ez teszi lehetővé, hogy a szoftverügynökök tanuljanak, cselekedjenek és tesztelhetők legyenek. A cég célja a robotok intelligenciájának skálázása a tanuló környezetek skálázásával, de hogy ez mennyire lesz sikeres komplexebb helyzetekben és más robotokon, még nyitott kérdés.^{[^1]}

Fei-Fei Li és az World Labs háttere

Az World Labs-t 2024-ben Fei-Fei Li MI-kutató alapította azzal a céllal, hogy olyan modelleket fejlesszenek, melyek képesek a háromdimenziós fizikai világ értelmezésére. A startup az első rendszerével már fotókból is képes volt bejárható 3D környezetet alkotni, és nemrégiben egymilliárd dollár kockázati tőkét is szerzett további kutatásaira.^{[^1]}

Összefoglaló: Új irány a robotika tanulásában

Az World Labs R2S2R-engine-je új paradigmát jelent a robotika területén, ahol a szimuláció révén drága valós adatok nélkül is hatékonyan tanulhatnak a robotok. Bár a módszer skálázhatósága és robusztussága még vizsgálat tárgya, a kutatások rámutatnak, hogy a világmodellek és szimulációk központi szerepet játszhatnak a jövő robotikai fejlesztéseiben.

Forrás:

[^1]: THE DECODER (2026-08-15). “World Labs zeigt, wie Roboter komplexe Aufgaben ohne reale Trainingsdaten lernen”. Közzétéve [2026. 08. 15.].