A empresa AgiBot lançou o modelo GO-3 Preview em 29 de outubro. Este modelo encarnado de inteligência artificial é capaz de continuar aprendendo em escala em todas as fases: durante o pré-treinamento, após ele e já após a implementação no trabalho. A AgiBot pretende tornar o modelo completo acessível ao público até o final de 2026.
O GO-3 Preview é baseado em uma arquitetura que a AgiBot chama de WRAM, ou Modelo de Raciocínio de Ações no Mundo. Esta arquitetura conecta o raciocínio sobre a tarefa, a previsão de eventos futuros e a geração de ações, permitindo que o robô entenda a instrução, preveja o resultado e execute os movimentos correspondentes.
O modelo conquistou recentemente o primeiro lugar em três rankings para IA encarnada: RoboDojo, RoboTwin e RoboColiseum. A AgiBot afirma que o modelo é escalável em duas direções. Por um lado, ricos exemplos de processamento de objetos e desenvolvimento de tarefas são fornecidos por vídeos em primeira pessoa de pessoas, e as trajetórias dos robôs ligam observações a ações e resultados físicos.
Por outro lado, a maior capacidade de aprendizado do modelo transforma essa experiência dispersa em habilidades que podem ser aplicadas a novas tarefas. Após o pré-treinamento, a empresa observa que os robôs podem realizar tarefas desconhecidas em casas, cozinhas, sistemas com múltiplos robôs e realizar manipulação fina sem ajuste fino adicional.
Com várias demonstrações, o modelo é capaz de dominar operações longas e delicadas, como preparar jianbing — um panqueca picante chinês. Após o ajuste fino e a coordenação dos passos pelo agente, o robô também pode montar peças de Lego.
Para a fase pós-treinamento, a AgiBot desenvolveu o sistema de aprendizado distribuído Genie Evolver, que combina cerca de cem robôs reais com simulação de física e modelos de mundo. Em um jogo de curling na mesa, o robô superou um humano testado médio após quatro horas de treinamento online. Em um jogo de torres de blocos, ele conseguiu retirar cinco blocos seguidos, mantendo a estabilidade da torre.
Após a implementação, a estrutura de agente Genie Master garante a conexão entre julgamento, execução e feedback, permitindo que os robôs melhorem continuamente durante o trabalho. O robô AgiBot G2, operando em uma loja de varejo 24 horas, detectou autonomamente as causas de suas próprias falhas, ajustou sua abordagem e manteve o conhecimento adquirido sem intervenção humana ou configuração. O sucesso deste robô em um fluxo de trabalho completo aumentou de 28,6% no primeiro dia para estáveis 85,7% em cinco dias.
Em uma tarefa semelhante à suspensão de pequenos ganchos, a AgiBot afirma que este método aumentou o sucesso da tarefa individual em 17,7 pontos percentuais em comparação com o ajuste fino tradicional controlado, e o processo de aprendizado continua online.
