Robotics-U0: تجمیع تولید صحنه و ویدیو در ۳۸ میلیارد پارامتر

اگر یک توسعه‌دهندهٔ رباتیک هستید و تا امروز برای هر وظیفه از یک مدل جداگانه استفاده می‌کردید، باید بدانید که دوران تکه‌تکه بودن ابزارهای هوش مصنوعی در حال تغییر است. شیائومی با معرفی Robotics-U0، ادعا می‌کند که می‌توان چهار قابلیت پیچیده را در یک مدل واحد گنجاند تا ربات‌ها بتوانند از تجربیات یک وظیفه برای یادگیری وظیفه‌ای دیگر استفاده کنند.

بسیاری از چارچوب‌های فعلی رباتیک بر پایهٔ یک پشتهٔ پراکنده بنا شده‌اند؛ برای مثال، برنامه‌نویسان معمولاً برای کنترل از RT-2 و برای تولید ویدیو از ابزارهای مجزایی مثل VideoPoet استفاده می‌کنند. رویکرد شیائومی از این خط لوله فاصله می‌گیرد و به جای آن، یک ترنسفورمر (Transformer) — شبیه به یک مدیر ارشد که می‌تواند ورودی‌های مختلف را تحلیل کرده و دستورالعمل‌های دقیق صادر کند — را به کار می‌گیرند تا ورودی‌های متنی و بصری را مستقیماً به پیش‌بینی‌های سطح پیکسل تبدیل کند. برای درک عمیق‌تر از نحوه عملکرد این معماری، می‌توان به بررسی مکانیزم‌های پردازش موازی در بلاک‌های ترنسفورمر رجوع کرد که زیربنای مدل‌های زبانی و بصری مدرن است.

طبق اعلام رسمی این شرکت، مدل Robotics-U0 در ژوئیه ۲۰۲۶ در گیت‌هاب منتشر شد و به‌طور مشخص چهار قابلیت کلیدی را هدف قرار داده است:

• تولید صحنه
• انتقال تجسمی (Embodied Transfer)
• تولید ویدیو
• تبدیل متن به تصویر برای رباتیک

همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های چندوجهی اشاره کردیم، تجمیع حس‌ها کلید رسیدن به هوش مصنوعی عمومی است. بر اساس گزارش Pandaily، این مدل از نظر اندازه در جایگاهی میانه قرار دارد؛ یعنی بزرگ‌تر از SAM 2 متا (۲.۴ میلیارد پارامتر) و کوچک‌تر از Gemini Robotics گوگل (تخمینی بالای ۵۰ میلیارد پارامتر). اگرچه وزن‌ها (Weights) — همان دستور پخت داخلی مدل — و کدهای استنتاج اکنون عمومی هستند، اما شیائومی هنوز جزئیات مربوط به حجم داده‌های آموزشی و توان محاسباتی مصرف شده را افشا نکرده است.

این حرکت به سمت وزن‌های باز (Open Weights) — مثل انتشار دستور پخت یک غذا به‌جای فروش غذای آماده — مانع ورود آزمایشگاه‌های رباتیک کوچک را که بودجه‌های کلانی برای محاسبات ندارند، از بین می‌برد. با این کار، شیائومی خود را به‌عنوان بازیگر اصلی در اکوسیستم بازِ هوش مصنوعی تجسم‌یافته معرفی می‌کند و در مقابل رویکردهای بستهٔ گوگل و متا قرار می‌گیرد.

با این حال، یک خلأ جدی در این انتشار وجود دارد: شیائومی هیچ نتیجهٔ بنچمارکی ارائه نداده است. بدون داده‌های کمّی، مانند امتیازات FID برای تولید صحنه، نمی‌توان با اطمینان گفت که آیا این معماری متحد، کاراییِ مدل‌های تخصصی را فدای جامعیت کرده است یا خیر.

گام بعدی شما

• اگر پژوهشگر رباتیک هستید، وزن‌های این مدل را در گیت‌هاب بررسی کرده و روی داده‌های محلی خود تست کنید.
• منتظر انتشار گزارش فنی کامل شیائومی برای مقایسه دقت مدل با استانداردهای صنعتی باشید.
• بررسی کنید که آیا یکپارچگی چهار وظیفه در یک مدل، تأخیر استنتاج شما را در محیط‌های واقعی کاهش می‌دهد یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.