ريكا تطلق Rho-1: نموذج متعدد المهام لفهم وإنشاء الفيديو والتحكم في الروبوتات
ريكا تطلق Rho-1، نموذج 19 مليار معامل لفهم النصوص والصور والفيديو والتحكم في الروبوتات ضمن شبكة واحدة متكاملة.
أعلنت شركة ريكا عن إصدار معاينة بحثية لنموذجها الجديد Rho-1، وهو نموذج عصبي متطور يضم 19 مليار معامل، قادر على فهم وتوليد النصوص، الصور، مقاطع الفيديو، بالإضافة إلى إصدار أوامر تحكم للروبوتات ضمن شبكة واحدة متكاملة.
نظام موحد متعدد الوسائط للتفاعل والتوليد
يمثل Rho-1 نقلة نوعية في أنظمة الذكاء الاصطناعي متعددة الوسائط التي تعتمد عادة على أنابيب معالجة متسلسلة حيث يتم التعامل مع النصوص والصور والفيديو والتحكم بشكل منفصل. النموذج الجديد يجمع بين هذه الوظائف في شبكة واحدة، مما يلغي الحاجة إلى تحويل المدخلات بين نماذج متخصصة متعددة، وبذلك يقلل من زمن الاستجابة ويحسن من دقة الفهم والتوليد.
تصميم هندسي بتيارين ومخزن مفتاح-قيمة مشترك
يعتمد Rho-1 على معمارية فريدة تتضمن تيارين رئيسيين: تيار للفهم يقوم بمعالجة النصوص والرموز والأوامر عالية المستوى، وتيار للتوليد يتعامل مع الصور والبيانات المستمرة مثل إطارات الفيديو وأوامر الروبوت. كلا التيارين يشتركان في مخزن Key-Value مما يتيح تبادل المعلومات الفوري بينهما بشكل متزامن.
الميزة العملية لهذا التصميم تتمثل في عدم الحاجة إلى أدوات إضافية للكشف أو التحليل؛ على سبيل المثال، يتم استخراج الصناديق المحيطة بالعناصر داخل الصورة كنقاط إحداثية ضمن سياق النص، ما يعزز دقة الأداء وسرعته.
أداء عالي وسرعة مميزة مع نسخة مكثفة
يولد النموذج الأساسي Rho-1 الفيديو بسرعة تقارب 0.79 من الزمن الحقيقي، مع بدء عرض الفيديو خلال 6 ثوان تقريباً، وهو أسرع بنحو الضعف مقارنة بالأنظمة التقليدية متعددة الوكلاء. أطلقت ريكا نسخة مكثفة من النموذج تخفض عمليات التنقية من 99 خطوة إلى 8 خطوات فقط مع الحفاظ على جودة مقبولة، مما يسمح بإرجاع مقطع فيديو مدته 5.3 ثانية خلال ثانية واحدة تقريباً.
تطبيقات في الروبوتات وتحديث الحالة في الوقت الحقيقي
يتميز Rho-1 بإمكانية التعامل مع تدفقات مستمرة من الفيديو والتعليمات المتغيرة أثناء التشغيل، حيث يمكنه تحديث الحالة داخل الجلسة دون الحاجة لإعادة تشغيل النموذج. في محاكاة LIBERO للروبوتات، تمكن النموذج من إصدار سبع قنوات تحكم مختلفة متزامنة للتوجيه والحركة.
كما تم دمج النموذج مع تقنية Inverse Dynamics Model التي تسمح بتخمين إشارات التحكم من الفيديو الخام، مما يمكن من تجاوز نقص بيانات التحكم المسجلة مباشرة في مهام التحكم الروبوتي.
مقارنة مع نماذج أخرى متعددة الوسائط
عند مقارنة Rho-1 مع نماذج أخرى مثل ByteDance BAGEL و Google Genie 3، يظهر النموذج تفوقه في كون الفيديو جزءاً أصيلاً من مخرجاته مع دعم التحكم الروبوتي الفعلي والقدرة على التفاعل المستمر. بينما النماذج الأخرى تقتصر غالباً على النصوص والصور أو الفيديو بدون تحكم مباشر بالروبوتات.
لماذا يهم؟
نموذج Rho-1 يفتح آفاقاً جديدة لتطوير أنظمة ذكاء اصطناعي شاملة يمكنها التعامل مع الواقع المعقد والمتعدد الأبعاد من خلال شبكة واحدة. هذه القدرة على دمج النصوص، الصور، الفيديو، والحركة الروبوتية في نموذج واحد تسهل ابتكار تطبيقات ذكية في مجالات عديدة مثل الروبوتات التفاعلية، الألعاب التفاعلية، التصوير والتحرير الآلي، والمساعدات الشخصية الذكية.
على الرغم من أن النموذج لا يزال في مرحلة المعاينة البحثية ولا يتوفر حالياً للعامة، فإن هذا الإنجاز يمثل خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي أكثر تكاملاً وكفاءة.
أبرز النقاط
- نموذج Rho-1 بقدرة 19 مليار معامل يجمع مهام الفهم والتوليد في نصوص، صور، فيديو، وأفعال روبوتية.
- تصميم هندسي فريد يدمج تياري فهم وتوليد ضمن مخزن KV مشترك لتحسين الأداء.
- نسخة مكثفة تمكن من توليد مقاطع فيديو قصيرة بجودة عالية خلال ثانية واحدة فقط.
- يدعم التفاعل اللحظي المستمر وتنفيذ الأوامر الروبوتية المتزامنة.
- لا تزال نسخة بحثية ولا تتوفر أوزان النموذج أو واجهة برمجة التطبيقات للعامة حتى الآن.
يُنتظر أن يغير Rho-1 مفهوم الأنظمة متعددة الوسائط ويعزز من إمكانيات الذكاء الاصطناعي في التعامل مع بيئات معقدة ومتنوعة.
المصدر: MarkTechPost