Naukowcy opracowali nowatorską metodę trenowania modeli świata dla robotów i wcielonego AI, która zamiast uczyć się uniwersalnych reprezentacji rzeczywistości, uczy się przewidywać konkretne efekty działań na pytanie użytkownika. Podejście to znacząco zmniejsza wymagania obliczeniowe i jednocześnie poprawia dokładność przewidywań. W praktyce oznacza to, że zamiast robot musiał budować kompletny obraz świata, może się skoncentrować na predykcji wyników, które są dla niego rzeczywiście istotne w danym momencie.
Różnica jest fundamentalna dla systemu działającego w rzeczywistości. Tradycyjne podejście wymaga, by model nauczył się reprezentować wszystkie możliwe cechy otoczenia - kolory, tekstury, dynamikę obiektów - nawet jeśli dana informacja nigdy się nie przyda. To wymaga ogromnej mocy obliczeniowej i dużych zbiorów treningowych. Nowa metoda, oparta na warunkowych zapytaniach, pozwala modelowi skupić się wyłącznie na tym, co istotne dla konkretnego zadania, co prowadzi do szybszych obliczeń i lepszych wyników w praktyce.
Dla robotyki i wcielonego AI to przełom, bo robot musi działać w czasie rzeczywistym i podejmować decyzje na podstawie tego, co naprawdę się stanie, gdy porusza ramię lub zmienia kierunek. Metoda umożliwia maszynom lepsze zrozumienie konsekwencji swoich akcji poprzez zakotwiczenie przewidywań w realnym, fizycznym świecie. To szczególnie ważne w warunkach, gdzie błędy mogą prowadzić do nieprzewidzianych skutków, a moc obliczeniowa jest ograniczona - na przykład w robotach autonomicznych czy dragonach działających na terenie.