İnsan benzeri robotların gelişimi neredeyse iki on yıldır yavaş ilerliyor. Ancak Figure AI ve OpenAI arasındaki işbirliği sayesinde, bu alanda hızlı bir ivme kazanıldı. Sonuç olarak, Figure 01 robotunu gösteren şaşırtıcı bir video ortaya çıktı. Yeni Görüntü Dil Modeli (VLM) ile birlikte, bu robot, C-3PO'ya yakın yeteneklere sahip bir bilim kurgu botuna dönüşmüş durumda. Videoda, Figure 01 bir tablanın arkasında bir tabak, elma ve bir bardak ile yer alırken, solda bir kurutucu bulunuyor. İnsan, robota karşı durup "Figure 01, şu an ne görüyorsun?" diye soruyor. Birkaç an bekledikten sonra, Figure 01 insan gibi şaşırtıcı bir ses tonuyla (yüzü olmasa da) cevap veriyor ve masadaki her şeyin ve önündeki kişinin detaylı açıklamalarını sunuyor. Etkilenerek "Harika" diye düşündüm. Daha sonra kişi, "Hey, bir şeyler yiyebilir miyim?" diye soruyor. Figure 01 emin bir şekilde, "Tabii ki, " diyerek elma alıyor ve maharetle kişiye uzatıyor. Dayanamayıp "Vay be" diye bağırdım. Daha sonra kişi, "Bu çöpü alırken neden yaptığını açıklayabilir misin?" diye sorarak önündeki kutudan buruşmuş bir çöp boşaltıyor. Figure 01, vakit kaybetmeden sebebini açıklıyor ve kağıdı tekrar kutuya yerleştirirken mantığını anlatıyor: "Yani, sana elmayı verdim çünkü masadan sana sağlayabileceğim tek yenilebilir şey o. " Hayranlıkla "Bu gerçek olamaz, " diye düşündüm. Ancak Figure AI'ye göre gerçekten de gerçek. Konuşmadan konuşmaya mantık yürütme Figure 01'in yeteneklerinde önemli bir rol oynuyor, çünkü görüntüleri ve metinleri anlamak için OpenAI'nin önceden eğitilmiş çoklu modlu modeli VLM'yi kullanıyor.

Yanıtlarını formüle etmek için konuşma ses etkileşimlerine dayanıyor ve OpenAI'nin daha çok yazılı önerilere odaklanan GPT-4'ten ayrılıyor. Ayrıca, Figure 01 "öğrenilmiş düşük seviyeli iki el manipülasyonu" adı verilen bir teknik kullanıyor. Sistem, kesin görüntü kalibrasyonunu sinir ağıyla birleştirerek hareketlerini kontrol ediyor ve piksel düzeyinde bir hassasiyetle çalışıyor. Figure AI, "Bu ağlar 10hz'de yerleşik görüntüleri işliyor ve 200hz'de 24 serbestlik derecesi (bilek pozisyonları ve parmak eklemleri açıları) oluşturuyor" diyor. Figure AI, videoda sergilenen her davranışın sistem öğrenmesinin bir sonucu olduğunu ve Figure 01'in uzaktan kumanda ile çalıştırılmadığını iddia ediyor, böylece perde arkasında kuklacılığa ilişkin hiçbir düşünceyi ortadan kaldırıyor. Figure 01'i bizzat görüp kendi sorularımı sormadan, bu iddiaları doğrulamak zor. Figure 01'in bu rutini birden çok kez çalıştırılmış olma ihtimali var. Belki de bu yüzden etkileyici hızına ve akıcılığına sahip. Ancak eğer bu gerçekten de %100 gerçekse, sadece şunu söylemeliyim: "Vay be. " Gerçekten de şaşırtıcı.