Orca: Eine neue KI-Art, die durch Zuschauen lernt, wie die Welt funktioniert
Beijings BAAI hat Orca veröffentlicht, ein „Weltmodell“, das mit 125.000 Stunden Video trainiert wurde und spezialisierte Robotiksysteme erreicht, obwohl es im Vortraining nie eine gelabelte Roboterhandlung sah.
Die Beijing Academy of Artificial Intelligence hat Orca veröffentlicht, ein KI-Modell mit einer anderen Idee als die bekannten Chatbots. Statt das nächste Wort eines Satzes oder das nächste Videobild vorherzusagen, prognostiziert Orca den nächsten Zustand der Welt, ein abstraktes inneres Bild dessen, was als Nächstes passiert. Es hält mit spezialisierten Robotiksystemen mit, obwohl es beim Haupttraining keine einzige gelabelte Roboterhandlung sah.
Orca lernt auf zwei Weisen. Erstens durch „unbewusstes Lernen“: 125.000 Stunden rohes, ungelabeltes Video, aus dem das Modell aufnimmt, wie Szenen sich typischerweise verändern, wie Objekte sich bewegen und was beim Abdecken geschieht. Zweitens fügt „bewusstes Lernen“ Sprache hinzu: Videos werden in Abschnitte geteilt, jeder mit einer Beschreibung, welche Handlung welche Veränderung verursachte. Beides speist dasselbe interne Weltbild. Auf dem eingefrorenen Kern sitzen kleine austauschbare Ausgabemodule für Text, Bilder und Roboterbewegungen, das letzte heißt Action Expert.
Die Ergebnisse sind interessant. Bei fünf Manipulationsaufgaben mit einem zweihändigen humanoiden Roboter, Bücher einräumen, Schüsseln stapeln, Zucker schöpfen, erreicht Orca π0.5, ein ausdrücklich mit Roboterdaten gebautes System. Das Robotikmodul brauchte danach nur 200 aufgezeichnete Demonstrationen je Aufgabe. Die Arbeit zeigt sogar, wie Orca sich von missglückten Griffen erholt und es erneut versucht, während das spezialisierte System denselben Fehler wiederholte. Bei Bildvorhersage, etwa „Zeige die Szene nach dem Schließen der Mikrowelle“, schlägt es eigene Bildgeneratoren.
Was dahintersteckt: Robotik hat ein chronisches Datenproblem. Sprachmodelle können das ganze Internet verschlingen, aber es gibt keinen internetgroßen Haufen gelabelter Roboterhandlungen; sie zu sammeln ist langsam und teuer. Kann das Weltverständnis eines Roboters überwiegend aus gewöhnlichem Video kommen und braucht nur eine kleine Dosis roboterspezifischen Trainings, löst sich dieser Engpass deutlich. Erwartungen bleiben wichtig: Orca ist klein, mit 0,8 und 4 Milliarden Parametern, kann weder hören noch Berührung und Kraft fühlen, und die Forschung streitet noch, was ein „Weltmodell“ überhaupt ist. Das ist eine vielversprechende Richtung, kein fertiges Produkt.
Was das für dich bedeutet: Es gibt heute nichts zu installieren, das ist Forschung. Es zeigt aber, wie KI vom Bildschirm in die physische Welt gelangt: nicht durch das Skalieren von Chatbots, sondern durch Modelle, die Ursache und Wirkung beim Zuschauen lernen. Kommen in den nächsten Jahren fähige Haushalts- und Lagerroboter, werden Ansätze wie dieser, trainiert mit Video statt Millionen handgelabelter Roboterhandlungen, vermutlich ein wichtiger Grund sein.
Quellen
Quellen: https://arxiv.org/abs/2606.30534
Unabhängige Zahlen liegen vor: Metas Muse Spark 1.1 ist eine ernsthafte Preis-Leistungs-Wahl
Die Benchmark-Firma Artificial Analysis sieht Metas Muse Spark 1.1 beim Programmieren vor GLM 5.2 und zu geringerem Preis; zugleich halbierte sich seine Halluzinationsrate fast.
