🤖🧠 رباتی که هنگام انجام کار، اشتباه خودش را تشخیص میدهد و راه نجات جدید یاد میگیرد؛ Zetta معرفی شد
یکی از مشکلات مهم رباتهای مبتنی بر هوش مصنوعی این است که بسیاری از آنها بعد از شروع یک مأموریت، طبق Policy خود جلو میروند و اگر در میانه کار اتفاق غیرمنتظرهای رخ دهد، توانایی اصلاح سریع رفتارشان محدود است.
پژوهش جدید Zetta ζ از پژوهشگران مؤسسه AIR دانشگاه Tsinghua و Z-Trans AI، رویکرد متفاوتی پیشنهاد میکند:
بهجای اینکه فقط مغز اصلی ربات را بزرگتر یا دوباره آموزش دهیم، یک لایه هوشمند و خودتکاملیاب روی آن قرار دهیم که دائماً عملکرد ربات را کنترل کند.
🔥 نکته مهم این است که مدل پایه ربات Frozen باقی میماند.
اینکه Zetta بهجای تغییر دائمی وزنهای مدل اصلی، دو جزء را تکامل میدهد:
👀و Runtime Critic برای تشخیص خطا هنگام اجرا
🛠️و Recovery Skill برای نجات ربات وقتی مشکلی رخ میدهد.
مثلاً تصور کنید ربات میخواهد یک بطری را بردارد اما بطری از دستش میافتد.
در سیستمهای سادهتر ممکن است مأموریت شکست بخورد؛ اما Zetta میتواند تشخیص دهد:
و «Grasp از دست رفته است.»
سپس Recovery مناسب را فعال کند، موقعیت گرفتن را دوباره محاسبه کند و بعد کنترل را به Policy اصلی برگرداند. پروژه دقیقاً نمونهای از تشخیص ازدسترفتن Grasp، ساخت Pose جدید و ادامه مأموریت را نمایش میدهد.
🧠 معماری Zetta در سه مقیاس زمانی کار میکند.
در سریعترین حلقه، Critic تقریباً همگام با Actionها رفتار ربات را بررسی و در صورت لزوم مداخله میکند.
بعد از Rollout، سیستم شکستها را عمیقتر تحلیل میکند و Critic یا Recovery Skill جدید پیشنهاد میدهد.
اما هر چیزی که AI تولید کرد مستقیماً وارد ربات نمیشود؛ در حلقه سوم، Skill جدید باید روی دادههای جداگانه Validation شود و فقط در صورت موفقیت به Harness اضافه میشود.
این یعنی چرخهای شبیه:
🤖 اجرا → ❌ شکست → 🔍 تشخیص علت → 🛠️ ساخت راهحل → 🧪 آزمایش → ✅ ذخیره Skill → 🤖 اجرای بهتر بعدی
🔥 نتایج Benchmarkها هم قابلتوجهاند.
در آزمایشهای گزارششده، Zetta به میانگین موفقیت ۹۰.۸٪ در LIBERO-Pro Goal و ۹۳.۶٪ در RoboCasa رسیده است. همچنین پژوهشگران ۱۱.۱ برابر افزایش سرعت Inference و در زیرساخت Z-Infra تا ۲۰.۶ برابر افزایش Throughput مربوط به Rollout معتبر گزارش کردهاند.
جالبتر اینکه Recovery Skillهای آموختهشده میتوانند در برخی وظایف جدید بهصورت Zero-shot منتقل شوند؛ یعنی چیزی که ربات هنگام حل یک مشکل یاد گرفته، ممکن است بعداً در مأموریتی دیگر هم به دردش بخورد.
پژوهشگران حتی از پدیدهای با عنوان:
💡 Robotic “Aha Moments”
صحبت میکنند؛ لحظاتی که سیستم پس از چندین تجربه، یک گلوگاه فیزیکی مشخص را کشف میکند و با ایجاد یک Recovery مناسب، ناگهان نرخ موفقیت مأموریت افزایش پیدا میکند.
💡 ایده Zetta از یک جهت بسیار مهم است:
شاید برای ساخت رباتهای واقعاً قابلاعتماد، همیشه لازم نباشد مدل VLA بزرگتر و بزرگتر شود.
گاهی بهتر است یک سیستم سریعتر بالای سر آن قرار بگیرد که بگوید:
«صبر کن؛ کاری که الان انجام دادی اشتباه بود. این راه را امتحان کن.»
و اگر راه جدید جواب داد، آن را برای دفعات بعد نگه دارد.
این یعنی حرکت از رباتی که صرفاً Policy اجرا میکند به سمت رباتی که در حین تعامل با جهان، شکستهایش را تشخیص میدهد، Recovery میسازد و Harness خودش را تکامل میدهد. 🤖🧬
[مقاله Zetta در arXiv]
(https://arxiv.org/abs/2608.16590
[صفحه رسمی پروژه Zetta]
(https://air-embodied-brain.github.io/zetta
[کد Zetta در GitHub]
https://github.com/air-embodied-brain/Zetta-Embodiment
@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun
#هوش_مصنوعی #رباتیک #هوش_فیزیکی #عامل_هوشمند #یادگیری_ربات #Zetta #EmbodiedAI #PhysicalAI #Robotics #VLA #RobotLearning #ClosedLoop #SelfEvolvingAI #AI
یکی از مشکلات مهم رباتهای مبتنی بر هوش مصنوعی این است که بسیاری از آنها بعد از شروع یک مأموریت، طبق Policy خود جلو میروند و اگر در میانه کار اتفاق غیرمنتظرهای رخ دهد، توانایی اصلاح سریع رفتارشان محدود است.
پژوهش جدید Zetta ζ از پژوهشگران مؤسسه AIR دانشگاه Tsinghua و Z-Trans AI، رویکرد متفاوتی پیشنهاد میکند:
بهجای اینکه فقط مغز اصلی ربات را بزرگتر یا دوباره آموزش دهیم، یک لایه هوشمند و خودتکاملیاب روی آن قرار دهیم که دائماً عملکرد ربات را کنترل کند.
🔥 نکته مهم این است که مدل پایه ربات Frozen باقی میماند.
اینکه Zetta بهجای تغییر دائمی وزنهای مدل اصلی، دو جزء را تکامل میدهد:
👀و Runtime Critic برای تشخیص خطا هنگام اجرا
🛠️و Recovery Skill برای نجات ربات وقتی مشکلی رخ میدهد.
مثلاً تصور کنید ربات میخواهد یک بطری را بردارد اما بطری از دستش میافتد.
در سیستمهای سادهتر ممکن است مأموریت شکست بخورد؛ اما Zetta میتواند تشخیص دهد:
و «Grasp از دست رفته است.»
سپس Recovery مناسب را فعال کند، موقعیت گرفتن را دوباره محاسبه کند و بعد کنترل را به Policy اصلی برگرداند. پروژه دقیقاً نمونهای از تشخیص ازدسترفتن Grasp، ساخت Pose جدید و ادامه مأموریت را نمایش میدهد.
🧠 معماری Zetta در سه مقیاس زمانی کار میکند.
در سریعترین حلقه، Critic تقریباً همگام با Actionها رفتار ربات را بررسی و در صورت لزوم مداخله میکند.
بعد از Rollout، سیستم شکستها را عمیقتر تحلیل میکند و Critic یا Recovery Skill جدید پیشنهاد میدهد.
اما هر چیزی که AI تولید کرد مستقیماً وارد ربات نمیشود؛ در حلقه سوم، Skill جدید باید روی دادههای جداگانه Validation شود و فقط در صورت موفقیت به Harness اضافه میشود.
این یعنی چرخهای شبیه:
🤖 اجرا → ❌ شکست → 🔍 تشخیص علت → 🛠️ ساخت راهحل → 🧪 آزمایش → ✅ ذخیره Skill → 🤖 اجرای بهتر بعدی
🔥 نتایج Benchmarkها هم قابلتوجهاند.
در آزمایشهای گزارششده، Zetta به میانگین موفقیت ۹۰.۸٪ در LIBERO-Pro Goal و ۹۳.۶٪ در RoboCasa رسیده است. همچنین پژوهشگران ۱۱.۱ برابر افزایش سرعت Inference و در زیرساخت Z-Infra تا ۲۰.۶ برابر افزایش Throughput مربوط به Rollout معتبر گزارش کردهاند.
جالبتر اینکه Recovery Skillهای آموختهشده میتوانند در برخی وظایف جدید بهصورت Zero-shot منتقل شوند؛ یعنی چیزی که ربات هنگام حل یک مشکل یاد گرفته، ممکن است بعداً در مأموریتی دیگر هم به دردش بخورد.
پژوهشگران حتی از پدیدهای با عنوان:
💡 Robotic “Aha Moments”
صحبت میکنند؛ لحظاتی که سیستم پس از چندین تجربه، یک گلوگاه فیزیکی مشخص را کشف میکند و با ایجاد یک Recovery مناسب، ناگهان نرخ موفقیت مأموریت افزایش پیدا میکند.
💡 ایده Zetta از یک جهت بسیار مهم است:
شاید برای ساخت رباتهای واقعاً قابلاعتماد، همیشه لازم نباشد مدل VLA بزرگتر و بزرگتر شود.
گاهی بهتر است یک سیستم سریعتر بالای سر آن قرار بگیرد که بگوید:
«صبر کن؛ کاری که الان انجام دادی اشتباه بود. این راه را امتحان کن.»
و اگر راه جدید جواب داد، آن را برای دفعات بعد نگه دارد.
این یعنی حرکت از رباتی که صرفاً Policy اجرا میکند به سمت رباتی که در حین تعامل با جهان، شکستهایش را تشخیص میدهد، Recovery میسازد و Harness خودش را تکامل میدهد. 🤖🧬
[مقاله Zetta در arXiv]
(https://arxiv.org/abs/2608.16590
[صفحه رسمی پروژه Zetta]
(https://air-embodied-brain.github.io/zetta
[کد Zetta در GitHub]
https://github.com/air-embodied-brain/Zetta-Embodiment
@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun
#هوش_مصنوعی #رباتیک #هوش_فیزیکی #عامل_هوشمند #یادگیری_ربات #Zetta #EmbodiedAI #PhysicalAI #Robotics #VLA #RobotLearning #ClosedLoop #SelfEvolvingAI #AI