🤖 مدل GEN-θ از شرکت Generalist AI
طبقهٔ جدیدی از مدل‌های پایهٔ تجسدی برای یادگیری مهارت‌های فیزیکی از داده‌های واقعی

شرکت Generalist AI از نسل تازه‌ای از مدل‌های هوش مصنوعی با نام GEN-θ رونمایی کرده است؛ مدلی که به‌جای تکیه بر شبیه‌سازی یا ویدئوهای اینترنتی، مستقیماً از داده‌های واقعی تعامل فیزیکی ربات‌ها با محیط آموزش می‌بیند. این گام، مشابه نقشی است که مدل‌های زبانی بزرگ در تعیین «قوانین مقیاس‌پذیری در زبان» ایفا کردند، اما این بار در حوزهٔ هوش تجسدی و رباتیک واقعی.

🧩 هدف اصلی

پاسخ به پرسشی بنیادی در هوش رباتیکی:
چگونه می‌توان مدلی واحد ساخت که مهارت‌های فیزیکی را از داده‌های آشوبناک و غیرقابل پیش‌بینی دنیای واقعی بیاموزد، بدون نیاز به شبیه‌سازی‌های مصنوعی؟

🧠 ویژگی‌های کلیدی GEN-θ

1. یادگیری مستقیم از تعاملات فیزیکی واقعی

این مدل با داده‌هایی از حسگرهای متنوع (دوربین، نیرو، فشار، موقعیت مفاصل و ...) آموزش می‌بیند؛ داده‌هایی که از ربات‌های واقعی در خانه‌ها، انبارها و محیط‌های کاری جمع‌آوری شده‌اند.
این روش، مدل را با دنیای فیزیکی «زمینه‌مند» می‌کند و آن را از محدودیت داده‌های مجازی رها می‌سازد.

2. استدلال هارمونیک (Harmonic Reasoning)

نوآورانه‌ترین بخش GEN-θ همین مفهوم است.
در این رویکرد، مدل هم‌زمان می‌اندیشد و عمل می‌کند — نه به‌صورت جداگانه.
در حالی‌که مدل‌های زبانی می‌توانند پیش از پاسخ دادن کمی «فکر کنند»، ربات‌ها باید در جهانی که همواره در حال تغییر است عمل کنند.
بنابراین در GEN-θ دو جریان داده — حس‌کردن و عمل‌کردن — به‌صورت هارمونیک (هماهنگ) با یکدیگر آموزش می‌بینند تا مدل بتواند با جریان مداوم فیزیک جهان واقعی سازگار شود.

3. معماری و الهام از مدل‌های زبانی و بینایی

مدل GEN-θ بر پایهٔ معماری‌های چندوجهی (vision-language) بنا شده و آن را برای داده‌های پیوستهٔ زمانی گسترش می‌دهد.
به‌جای تقسیم مدل به سامانه‌های جداگانهٔ «System 1 / System 2» (یعنی واکنشی و تحلیلی)، این مدل یک چرخهٔ استدلال-عمل یکپارچه دارد که به شکل طبیعی رشد می‌کند.

4. قوانین مقیاس‌پذیری برای رباتیک

همان‌گونه که در زبان، با افزایش اندازهٔ مدل و داده‌ها دقت بالا می‌رود، اکنون GEN-θ قصد دارد قوانین مشابهی برای مهارت‌های فیزیکی کشف کند.
به این معنا که رابطهٔ بین «حجم داده‌های واقعی تعاملی» و «توانایی فیزیکی ربات» به‌صورت تجربی و ریاضی سنجیده شود.

⚙️ اجزای فنی (به‌صورت خلاصه)

🔹نوع داده: چندرباته، چندمحیطی، چندحسی (vision + touch + motion).

🔹بازنمایی: رمزگذاری مشترک حس‌ها و حرکات در قالب توکن‌های پیوستهٔ زمانی.

🔹یادگیری: ترکیب روش‌های کنتراستیوی (contrastive) و پیش‌بینانه برای هم‌ترازسازی حس و عمل.

🔹زیرساخت: شبکه‌ای از ربات‌های واقعی برای جمع‌آوری داده‌های سنسوری با دقت بالا.

⚖️ مقایسه با مدل‌های پیشین

مدل GEN-θ در مقایسه با مدل‌های پیشین مانند Gato از DeepMind و PaLM-E از Google گامی بنیادین به‌سوی هوش تجسدی واقعی برداشته است. در حالی‌که Gato بر یادگیری چندوظیفه‌ای در محیط‌های شبیه‌سازی‌شده و PaLM-E بر استدلال زبانی بر پایهٔ داده‌های دیداری و متنی تمرکز داشتند، GEN-θ مستقیماً از جریان‌های واقعی حس و عمل ربات‌ها در جهان فیزیکی آموزش می‌بیند. این مدل با رویکرد «استدلال هارمونیک» توانسته است اندیشیدن و کنش را هم‌زمان در یک چرخهٔ پیوسته ترکیب کند؛ بنابراین به‌جای درک نمادین یا زبانی از جهان، نوعی درک حسی و فیزیکی به‌دست می‌آورد که آن را به نخستین مدل پایهٔ واقعاً «تجسدی» در هوش مصنوعی نزدیک می‌کند.

🌍 اهمیت و چشم‌انداز

🔹گامی بزرگ به‌سوی قوانین مقیاس‌پذیری تجسدی (Embodied Scaling Laws).

🔹امکان انتقال صفر-نمونه‌ای (zero-shot) بین ربات‌های گوناگون (مثلاً از ربات خانگی به صنعتی).

🔹تغییر معیار سنجش هوش مصنوعی از «توانایی زبانی» به شایستگی فیزیکی و حسی.

🔹نقطهٔ آغاز نسل تازه‌ای از مدل‌های پایه که می‌فهمند، می‌اندیشند و هم‌زمان عمل می‌کنند.

🔗 منبع:
https://generalistai.com/blog/nov-04-2025-GEN-0

#EmbodiedAI #GeneralistAI #GENθ #Robotics #AIResearch


@asrgooyeshpardaz