Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai16. Mai 2017 · Q008311

Robots that learn

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI beschreibt ein in Simulation trainiertes Robotersystem, das laut Beitrag eine Aufgabe nach einer einzigen VR-Demonstration auf neue Ausgangslagen übertragen kann. Beim Blockstapeln halfen variierte Simulationsbilder und verrauschte Trainingsdaten; konkrete Erfolgsraten oder ein systematischer Leistungsvergleich werden nicht genannt.

Mittel

Der Beitrag stellt ein laut OpenAI vollständig in Simulation trainiertes Robotersystem vor, das nach einer einzelnen menschlichen Vorführung eine neue Aufgabe aus einer anderen Ausgangslage ausführen soll. Eine Demonstration wird in VR gegeben. Das System kombiniert ein Vision-Netz, das Objektpositionen aus Kamerabildern schätzt, mit einem Imitationsnetz, das die Aufgabe erschließt und auf neue Situationen überträgt. Das Vision-Netz wurde mit Hunderttausenden variierten Simulationen trainiert, nicht mit realen Bildern.

Für das Imitationsnetz wurden Dutzende Aufgaben und Tausende Demonstrationen je Aufgabe verwendet. Beim Beispiel des Blockstapelns erzeugte eine programmierte Strategie die Trainingsdaten. Das Netz konnte laut Bericht auch unordentliche menschliche Vorführungen auswerten und sollte Abläufe mit mehr Blöcken als in den Trainingsbeispielen übertragen können. Leichtes Rauschen in den Ausgaben der Strategie brachte Beispiele für Fehlerbehebung ein; ohne dieses Rauschen scheiterte das gelernte Verhalten meist. Der Text nennt jedoch weder Erfolgsraten noch einen systematischen Vergleich oder ausführliche Angaben zum realen Robotertest.

Ausführlich lesen

Der Bericht beschreibt ein Robotersystem, das laut OpenAI vollständig in Simulation trainiert und anschließend auf einem realen Roboter eingesetzt wurde. Es soll eine neue Aufgabe nach einer einzigen menschlichen Demonstration lernen und sie auch aus einer anderen Ausgangskonfiguration ausführen können. Die Demonstration wird in einer virtuellen Realität gegeben. Der Beitrag stellt dies als Weiterentwicklung eines früheren Systems dar, dessen Bilderkennung mit Domain Randomization trainiert worden war.

Das Verfahren besteht aus zwei neuronalen Netzen. Das Vision-Netz verarbeitet Kamerabilder und schätzt daraus die Positionen der Gegenstände. Dafür wurde es mit Hunderttausenden simulierten Bildern trainiert, deren Beleuchtung, Texturen und Objekte variierten; laut Bericht kam dabei kein reales Bild zum Einsatz. Das Imitationsnetz verarbeitet eine Demonstration, erschließt die Absicht der Aufgabe und überträgt sie auf eine neue Situation.

Die Fähigkeit zur Übertragung soll aus den Trainingsbeispielen entstehen: Das Imitationsnetz wurde mit Dutzenden Aufgaben und jeweils Tausenden Demonstrationen trainiert. Es erhielt Paare von Vorführungen derselben Aufgabe, die in unterschiedlichen Zuständen begannen. Aus der vollständigen ersten Vorführung und einer Beobachtung aus der zweiten sollte es die passende Aktion vorhersagen. Für das Stapeln von Blöcken bestanden die Paare aus Abläufen, die Türme in gleicher Reihenfolge und mit gleicher Anzahl beziehungsweise Größe der Türme errichteten, obwohl deren Positionen abwichen. So sollte das Netz die Reihenfolge und den Aufbau übernehmen, ohne an bestimmte Orte gebunden zu sein.

Als konkretes Beispiel behandelt der Beitrag das Stapeln farbcodierter Blöcke. Eine programmierte Regelstrategie erzeugte in der Simulation die Trainingsdaten. Beim Test konnte das Imitationsnetz laut Bericht auch menschliche Vorführungen auswerten, obwohl diese unordentlicher waren als die ihm zuvor gezeigten Daten. Weiche Aufmerksamkeit über den zeitlichen Verlauf der Demonstration und den Zustandsvektor soll unterschiedliche Vorführlängen ermöglichen. Eine weitere Aufmerksamkeit über einzelne Blockpositionen soll außerdem längere Abläufe und Konfigurationen mit mehr Blöcken erlauben, als in den Trainingsvorführungen vorkamen.

Der Bericht nennt auch eine wichtige Trainingsbedingung: Die Ausgaben der programmierten Strategie wurden leicht verrauscht, damit Beispiele für die Erholung nach Fehlern enthalten waren. Ohne dieses Rauschen habe das gelernte Netz die Stapelaufgabe meist nicht abgeschlossen. Die Darstellung belegt damit vor allem einen beschriebenen Ansatz und ein Blockstapel-Beispiel. Sie enthält keine quantitativen Erfolgsraten, detaillierten Angaben zum Roboter oder einen systematischen Vergleich mit anderen Verfahren; die behauptete Übertragungsfähigkeit ist daher anhand dieses Textes nicht umfassend einzuschätzen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Geprüft wurden beide Zusammenfassungen (kurz und mittel). Beide geben den Bericht ohne erfundene Angaben wieder; die Mittelfassung lässt aber die Trainingsmethode mit Demonstrationspaaren und die Soft Attention aus. Lunas Stufen für SF-H3 (4), SF-V3 (4) und SF-T3 (3) sind zu hoch angesetzt. Die Anteilsangaben (41 %, 38 %, 47 %) lassen sich am Bericht nicht prüfen und wurden nicht bewertet. Teilfragen gab es keine.

Im Bericht, aber nicht in der Zusammenfassung

  • Trainingsprinzip des Imitationsnetzes: Paare aus zwei Demonstrationen, bei denen überwachtes Lernen die Aktion am zweiten Zustand vorhersagt
  • Soft Attention über die Demonstration und die Blockzustände, die längere Abläufe und mehr Blöcke als in den Trainingsdaten ermöglicht

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 44 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 40 %gleiches Oberthema, hilft nicht
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 39 %beantwortet teilweise oder widerspricht
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Offenlegung und Rechenschaft

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →