GPT-6 Astra 自律コーディングと巧緻性デモ

OpenAIのGPT-6 Astraは、1回のプロンプトで、Isaac Labと強化学習を使用してロボットハンドによるペン回しタスクを自律的に完了しました。また、ルービックキューブの解法やハンマーの使用も訓練し、4,096の並列シミュレーションを4.2GPU時間で実行しました。目標は、シミュレーション能力を現実世界に移行することです。
Key insights
GPT-6 Astraが巧緻性タスクのための強化学習訓練を自律的に設計・実行
Isaac LabとSharpa Handを使用してロボットハンドにペン回しを行わせるプロンプトが与えられたところ、GPT-6 Astraは自律的にウェブ検索、論文のダウンロード、3Dメッシュの作成を行い、約1.5日間の強化学習訓練を実行し、訓練済みポリシーと可視化動画を生成した。初期プロンプト以外の人間の介入は不要であった。
効率的なシミュレーションによる複数の巧緻性タスクの達成
同モデルはルービックキューブの解法やハンマーの使用に関するポリシーも訓練し、訓練後にはゼロショットでの微細操作を実証した。ルービックキューブタスクでは、4,096の並列シミュレーションを使用し、約4.2GPU時間を消費した。訓練された能力は、最終的にシミュレーションから現実世界のロボティクスに移行することを意図している。
自律的なロボット技能習得への影響
これらの結果は、大規模言語モデルが、環境作成、データ生成、ハイパーパラメータ調整を含む複雑な強化学習訓練パイプラインを、最小限の人間の指示で調整できることを示している。これにより、ロボット操作スキルの開発に必要な時間と専門知識を大幅に削減できる可能性がある。