Хронический дефицит размеченных данных в робототехнике давно превратился в узкое горлышко, мешающее масштабированию автономных систем. Традиционный подход требует ювелирного сопряжения визуальных входных данных с действиями робота — трудоемкий процесс, запирающий модели в узких коридорах конкретных задач. Исследователи из Пекинской академии искусственного интеллекта (BAAI) решили взломать эту парадигму с помощью Orca. Это базовая модель мира, которая достигает производительности узкоспециализированных систем, не видя ни одной метки действия во время предварительного обучения.
Вместо того чтобы заставлять алгоритм угадывать следующее движение, BAAI переключили фокус на моделирование абстрактных состояний физического мира. Логика проста: истинный машинный интеллект растет из понимания общей динамики среды, а не из тупого подражания конкретным манипуляциям. На наш взгляд, это выглядит как попытка научить робота физике прежде, чем он начнет «копать от забора и до обеда».
Абстрактные состояния против предсказания токенов
Orca — это радикальный уход от доминирующих архитектур, помешанных на предсказании следующего токена или пикселя. Модель выстраивает внутреннюю карту изменений реальности через два режима обучения. «Бессознательное» обучение поглотило 125 000 часов сырого видео — от первого лица до записей манипуляций с объектами — без единого пояснения. Здесь Orca предсказывает кадры в абстрактном пространстве, усваивая паттерны движения и логику сцен без подсказок человека.
Вторая фаза, «сознательная», вводит вербальные инструкции: видео нарезается на сегменты с описанием изменений состояния. Так модель сопоставляет лингвистику с физической динамикой, сохраняя при этом способность отвечать на запросы благодаря замороженному ядру Qwen. В BAAI объяснили такой выбор необходимостью гибкости: ядро остается неизменным, а для конкретных задач используются сменные головы. Например, за генерацию команд отвечает Action Expert, обученный с нуля на основе репрезентаций мира. Эта модульность доказывает, что робастное внутреннее представление — универсальный фундамент, а не костыль для прохождения очередного бенчмарка.
Бенчмарки: когда понимание физики бьет имитацию
Тесты Orca-4B подтверждают: качественное моделирование состояний напрямую конвертируется в точность исполнения.
Модель Orca сравнялась по эффективности с узкопрофильными системами в пяти ключевых задачах манипуляции. Базовая часть Orca оставалась «агностиком» к действиям, пока не подключался отдельный модуль Action Expert. Система демонстрирует лучшую реакцию на неожиданные изменения среды по сравнению с моделями, натасканными исключительно на имитацию действий. Способность к обобщению позволяет переносить навыки между сценариями без деградации точности, характерной для классического обучения.
Для индустрии это сигнал: эпоха «голода данных» и бесконечной ручной разметки может закончиться быстрее, чем кажется. BAAI наглядно показали, что обучение на сыром видео позволяет обойти стадию дорогостоящего лейблинга действий. Однако перенос на реальное «железо» всё еще сопряжен с трудностями — текущая версия Orca освоила лишь десятую часть доступных видеоданных, а инференс таких моделей требует серьезных вычислительных мощностей. Архитекторам ИИ пора признать: путь к универсальной робототехнике лежит через общие модели мира, а не через усложнение специфических контроллеров.