Yann LeCun-ის ლაბორატორიამ მრავალდონიანი მსჯელობის H-JEPA არქიტექტურა

იან ლეკუნის Advanced Machine Intelligence (AMI) Labs-ის მკვლევრებმა პარტნიორ უნივერსიტეტებთან ერთად ახალი არქიტექტურა H-JEPA წარადგინა. ეს არის მსოფლიოს მოდელირების სისტემა, რომელიც სხვადასხვა დროით მასშტაბში დამოუკიდებელი რეპრეზენტაციების მეშვეობით გეგმავს მოქმედებებს. ტექნოლოგია ხელოვნურ ინტელექტს საშუალებას აძლევს, ფიზიკურ სამყაროში რთული ამოცანები აბსტრაქციის რამდენიმე დონეზე გადაჭრას.

ტრადიციულ, 1 დონიან JEPA მოდელებთან შედარებით, H-JEPA ნავიგაციისა და მანევრების სიზუსტეს საგრძნობლად ზრდის და დაგეგმვისთვის გაცილებით ნაკლებ გამოთვლით რესურსს მოითხოვს. ეს გადაწყვეტა პასუხობს რობოტიკის მთავარ გამოწვევას: რობოტმა შენობაში გადაადგილებისას ზოგადი დანიშნულების ადგილიც უნდა განსაზღვროს და საკუთარი სახსრების ზუსტი მოძრაობებიც წამიერად მართოს, რაც 2 სხვადასხვა მასშტაბის მართვას მოითხოვს.

გენერაციული მოდელებისგან განსხვავებით, რომლებიც ყოველი პიქსელის პროგნოზირებას ცდილობს, Joint-Embedding სისტემები გარემოს ლატენტურ მახასიათებლებში ასახავს. ავტორებმა აღნიშნა: „Joint-Embedding სისტემები სამყაროს მოდელირებას სწავლობს ისე, რომ ყოველი უმნიშვნელო დეტალის წინასწარ განჭვრეტა არ სჭირდება.“ ეს მიდგომა ალგორითმებს უზარმაზარ გამოთვლით ეფექტიანობას ანიჭებს და ზედმეტი დეტალებისგან ათავისუფლებს.

ოფიციალური ცნობით, იერარქიის თითოეულ დონეს საკუთარი მდგომარეობის ენკოდერი, მოქმედების ენკოდერი და პრედიქტორი გააჩნია. ზედა 3 საფეხური ინარჩუნებს მდგრად, გრძელვადიან მახასიათებლებს, როგორიცაა საბოლოო მიზანი, ხოლო ქვედა დონეები წამიერ ფიზიკურ მოძრაობებს აკონტროლებს. რეგულარიზაციის სპეციალური მექანიზმი კი მოდელს ტრივიალური პროგნოზების შექმნისგან საიმედოდ იცავს და სტაბილურობას უნარჩუნებს.

მკვლევარმა ბენ დიკსონმა განმარტა, რომ დაგეგმვის დროს სისტემა მიზანს ზედა დონეზე აანალიზებს, რის შემდეგაც შუალედური ამოცანები ქვედა საფეხურებს გადაეცემა. თითოეული იერარქია გეგმას ეტაპობრივად აზუსტებს, სანამ ყველაზე დაბალი დონე შესასრულებელ ფიზიკურ ბრძანებებს არ შექმნის. მოკლე მოქმედებების შემდეგ რობოტი გეგმას ახალი დაკვირვებების საფუძველზე ანახლებს და მოძრაობას აგრძელებს.

მეცნიერებმა H-JEPA 4 რთულ სიმულაციურ გარემოში დეტალურად გამოსცადა: FourRoom Distractors, Visual AntMaze, Push-T და OGBench Cube. სისტემამ ყველა ტესტში აჯობა ერთდონიან LeWM მოდელსა და კონკურენტ HWM არქიტექტურას, რაც იერარქიული მიდგომის უდავო უპირატესობას ადასტურებს და რობოტიკის განვითარებას ახალ იმპულსს აძლევს.

ანალიტიკოსთა შეფასებით, ეს კვლევა პირდაპირ ეხმიანება იან ლეკუნის ხედვას, რომლის თანახმადაც ადამიანის დონის ინტელექტის მისაღწევად მხოლოდ ენობრივი მოდელები საკმარისი არ არის. AI-ს სჭირდება სამყაროს ფიზიკური კანონების გაგება, საკუთარი ქმედებების შედეგების განჭვრეტა და ეფექტიანი დაგეგმვა, რასაც H-JEPA-ს მსგავსი მსოფლიო მოდელები უზრუნველყოფს და ახალ ჰორიზონტს ხსნის.

პროექტის კოდი და წონები სრულად ღიაა და მკვლევართა გლობალური საზოგადოებისთვის ხელმისაწვდომია. ეს ნაბიჯი ხელს შეუწყობს ავტონომიური სისტემების სწრაფ განვითარებას და სამრეწველო რობოტების მართვის ახალ სტანდარტებს დაამკვიდრებს, რაც წარმოებაში ადამიანის ჩართულობის აუცილებლობას საგრძნობლად შეამცირებს და უსაფრთხოებას გაზრდის.

ექსპერტებმა განაცხადა, რომ მრავალდონიანი აბსტრაქცია რობოტებს საშუალებას მისცემს, რეალურ გარემოში მოულოდნელ დაბრკოლებებს მშვიდად გაუმკლავდეს. 2026 წლის მიღწევები მოწმობს, რომ მსოფლიო მოდელები თეორიული კონცეფციიდან პრაქტიკულ რობოტიკულ გადაწყვეტად გარდაიქმნება, რაც ხელოვნური ინტელექტის მომავალს ფუნდამენტურად განსაზღვრავს.

H-JEPA-ს წარმატება ხსნის ახალ ერას ფიზიკურ AI-ში. სისტემები, რომლებსაც ერთდროულად შეუძლია გრძელვადიანი სტრატეგიული აზროვნება და მილიწამებში ზუსტი მოტორული კონტროლი, რობოტიკის მომავალ თაობას საფუძველს ჩაუყრის და ტექნოლოგიურ რევოლუციას დააჩქარებს, რაც მეცნიერებას ახალ სიმაღლეზე აიყვანს.

მსოფლიო მოდელების განვითარება უახლოეს წლებში განსაზღვრავს, თუ რამდენად სწრაფად გადავლენ ავტონომიური აგენტები ლაბორატორიებიდან რეალურ ქარხნებსა და საავადმყოფოებში, სადაც საიმედო მოძრაობა და ზუსტი დაგეგმვა უმნიშვნელოვანეს პირობას წარმოადგენს.

რობოტიკის ინჟინერთა განცხადებით, იერარქიული დაგეგმვის მოდელები საწარმოო ავტომატიზაციას ახალ საფეხურზე აიყვანს. ეს მიდგომა ხელოვნურ ინტელექტს რეალურ სამყაროსთან უსაფრთხო ადაპტაციასა და მრავალეტაპიანი რთული საინჟინრო ამოცანების დამოუკიდებლად შესრულებაში დაეხმარება.