Источники
- Ars Technica AI
Посмотри в деле
Полистай модели и стили, что стоят за такими историями — бесплатный аккаунт, галерея сразу.
Nvidia развернула команды агентов ИИ-программирования для автономного управления обучением роботов: машины учатся выполнять физические задачи с реальным оборудованием — в том числе устанавливать GPU и перерезать кабельные стяжки — без пошагового участия человека.
Система, о которой сообщает Ars Technica, — это не единственная модель ИИ, отдающая команды. Это скоординированная команда агентов-программистов, каждый из которых отвечает за свою часть задачи: вместе они пишут и итеративно улучшают программы для обучения роботизированных манипуляторов. Один агент может генерировать код для движения захвата, другой оценивает, справился ли робот с задачей, третий переписывает процедуру на основе данных об ошибках. Цикл продолжается до тех пор, пока робот не преодолеет пороговое значение производительности.
Такая архитектура важна, поскольку позволяет обойти одну из самых сложных проблем робототехники: необходимость вручную создавать сценарии обучения для каждой новой задачи. Поскольку итерациями занимаются агенты-программисты, Nvidia может масштабировать количество и разнообразие задач, не увеличивая пропорционально штат инженеров.
Выбор установки GPU в качестве демонстрационной задачи был намеренным. Правильная установка видеокарты требует равномерного давления по всей длине разъёма с одновременным предотвращением повреждения соседних компонентов — задача, требующая как калибровки усилия, так и пространственной точности. Перерезание кабельных стяжек добавляет иную сложность: робот должен найти небольшой гибкий объект и приложить ровно столько усилия, чтобы перерезать его, не соскользнув. Ни одна из задач не является абстракцией в условиях лаборатории. Обе напрямую соответствуют реальным работам по обслуживанию дата-центров — а именно там очевидно лежат коммерческие интересы Nvidia.
Для авторов, работающих с генерацией изображений и видео на основе ИИ, последствия носят инфраструктурный характер. Те же дата-центры, которые обеспечивают работу генеративных моделей Charmloop и всех прочих GPU-зависимых ИИ-сервисов, — именно они являются целевой аудиторией этой автоматизации. Роботы, способные надёжно устанавливать и обслуживать GPU-оборудование в масштабе, могут снять кадровое узкое место при расширении вычислительных мощностей — что сегодня является одним из ключевых ограничений скорости наращивания пропускной способности генерации и снижения стоимости.
Более широкую закономерность здесь стоит отслеживать. Агенты ИИ-программирования — та же категория инструментов, которая уже трансформирует рабочие процессы разработки программного обеспечения, — теперь применяются на уровень ниже: к физическим системам, на которых работает ИИ. По существу, Nvidia использует ИИ для создания более совершенной ИИ-инфраструктуры.
Это иной сценарий использования, нежели модели программирования с открытым исходным кодом, с которыми экспериментируют авторы ИИ-арта для автоматизации собственных конвейеров генерации изображений. Однако базовая логика та же: поручить агентам итеративную, насыщенную кодом работу, которую люди находят утомительной и чреватой ошибками. В случае Nvidia «результатом» является обученный робот, а не пользовательский рабочий процесс ComfyUI, — но управляемый агентами цикл итераций структурно идентичен.
Авторы, использующие инструменты на стеке Nvidia — а это большинство крупных платформ генерации изображений, — находятся в нижней части этой исследовательской цепочки, взаимодействуют они с ней напрямую или нет. Если система заработает в масштабе, это ускорит циклы развёртывания оборудования, что, в свою очередь, повлияет на скорость выпуска провайдерами моделей следующего поколения и расширения мощностей без привычных задержек из-за дефицита GPU.
Nvidia не объявляла сроков коммерческого выпуска системы. В открытом доступе существует лишь исследовательская демонстрация, однако история компании, быстро переходящей от исследований к производству — особенно во всём, что касается её собственной аппаратной экосистемы, — говорит о том, что это скорее пункт дорожной карты, чем отдалённый эксперимент. Решения в области вычислительной инфраструктуры, которые определят качество ИИ-генерации в 2027 году, принимаются уже сейчас.