Tas pats DI modelis, kuris kuria jūsų vaizdo įrašus, dabar gamina jūsų automobilį

Technikas „Audi“ surinkimo linijoje Vokietijoje stebi, kaip robotizuota ranka įspaudžia lanksčią guminę tarpinę į automobilio durų rėmą. Dešimtmečius ši konkreti užduotis buvo automatizavimo košmaras. Guma yra lanksti, nenuspėjama ir keičia formą vos mašinai ją palietus. Dauguma gamyklos robotų puikiai geba perkelti sunkias plieno plokštes į tikslias koordinates, tačiau jie patiria nesėkmę, kai tenka „apčiuopomis“ dirbti su minkšta medžiaga. Robotą, šiandien baigiantį „Audi“ surinkimą, valdo kažkas kito. Jis nesilaiko griežto koordinačių scenarijaus. Vietoj to jis naudoja vizualines „smegenis“, kad nuspėtų, kaip guma sulinks dar prieš su ja susiliečiant. Šios smegenys yra „FLUX 3“ – naujausias „Black Forest Labs“ kūrinys.

„Black Forest Labs“ yra startuolis, kuris per pastaruosius dvejus metus tyliai išsiveržė į priekį vaizdų generavimo pasaulyje. Kol didieji vardai, tokie kaip „Google“ ir „OpenAI“, mirgėjo laikraščių antraštėse, ši tyrėjų komanda Vokietijoje kūrė įrankius, kuriais iš tikrųjų naudojasi dauguma nepriklausomų DI menininkų. Su „FLUX 3“ jie žengia toliau nei statiški vaizdai. Ši nauja sistema kartu kuria didelės raiškos vaizdą ir garsą. Dar svarbiau yra tai, kad bendrovė naudoja tą pačią loginę struktūrą mokydama robotus sąveikauti su fiziniu pasauliu. Šis pokytis paverčia DI iš kūrybinio skaitmeninio meno partnerio į nenuilstantį sunkiosios pramonės praktikantą.

Skaitmeninis pasaulis su savo gravitacija

Dauguma vaizdo įrašų generatorių veikia kaip labai greita vartytoja knygelė. Jie nuspėja, kaip turėtų atrodyti kitas kadras, remdamiesi ankstesniuoju, ir proceso metu dažnai pameta loginį ryšį. Štai kodėl DI vaizdo įrašuose dažnai matome žmones su išnykstančiomis galūnėmis arba kavos puodelius, kurie ištirpsta staluose. „FLUX 3“ pasuko kitu keliu. „Black Forest Labs“ apmokė modelį vienoje sistemoje vienu metu naudodami vaizdus, vaizdo įrašus ir garsą. Tai multimodalinis požiūris. Modelis ne tik išmoksta, kaip atrodo automobilis. Jis išmoksta, kaip automobilis juda, kaip skamba variklis ir kaip šviesa atsispindi nuo metalo jam sukant už kampo.

Kadangi modelis mokosi iš vaizdo ir garso vienu metu, rezultatai yra natūraliai sinchronizuoti. Jei vartotojas paprašo vaizdo įrašo, kuriame žmogus perforatoriumi gręžia betoną, grąžto garsas puikiai atitinka ekrane matomą vibraciją. Įrašų trukmė siekia iki 20 sekundžių. Testuose, kuriuose žmonės lygino skirtingus DI modelius, „FLUX 3“ laimėjo prieš „Runway Gen-4.5“ 77 % atvejų. Jis nugalėjo „Luma Ray 3.2“ 93 % palyginimų. Šie skaičiai rodo, kad sistema geriau supranta realybę nei jos konkurentai. Ji suvokia bendrąsias fizikos taisykles, tokias kaip svoris ir laikas, todėl sugeneruotas judesys atrodo sunkus ir tikras, o ne plaukiantis ir sapniškas.

Kodėl robotams sunku dirbti su minkštais objektais

Norėdami suprasti, kodėl tai svarbu jūsų kitam automobiliui, turite pažvelgti į nematomą šiuolaikinės gamybos pagrindą. Tradiciniai robotai iš esmės yra milžiniški, labai brangūs skaičiuotuvai. Jei liepiate robotui pajudėti į tašką A, jis ten nukeliauja milimetro tikslumu. Tai tinka virinant plieninį rėmą, nes plienas nejuda. Tačiau jei robotas paima guminę durų tarpinę ar laidų ryšulį, medžiaga suglemba. Taškai, kuriuos robotas turėjo pasiekti, nebėra ten, kur turėtų būti. Mašina sutrinka ir surinkimo linija sustoja.

„FLUX-mimic“ yra šio DI versija, sukurta gamykloms. „Black Forest Labs“ bendradarbiavo su įmone „mimic robotics“, kad prie „FLUX 3“ variklio prijungtų nedidelį transliatorių. Šis transliatorius paima modelio vidinį judėjimo pojūtį ir paverčia jį fiziniais rankos judesiais. Kai robotas per savo kamerą žiūri į durų tarpinę, jis naudoja „FLUX“ variklį, kad įsivaizduotų kelias ateinančias užduoties sekundes. Jis nuspėja, kaip guma reaguos į spaudimą. Dėl to robotas gali koreguoti savo suėmimą realiuoju laiku. „Audi“ šiuo metu testuoja šią technologiją sudėtingoms užduotims, kurioms anksčiau reikėjo žmogaus rankų, spręsti. Sistema sureaguoja per maždaug 101 milisekundę. Palyginimui, žmogaus akies mirksnis trunka nuo 100 iki 400 milisekundžių. Toks greitis leidžia mašinai būti tokiai pat lanksčiai kaip žmogui, kai viskas vyksta ne visai pagal planą.

Akmenuotas kelias nuo atvirojo kodo iki pelno

„Black Forest Labs“ istorija paaiškina, kodėl jie dabar skverbiasi į robotiką. Įkūrėjai atėjo iš „Stability AI“ – grupės, išleidusios originalųjį „Stable Diffusion“. Kai 2024 m. jie pristatė pirmuosius „FLUX“ modelius, jie tapo atvirojo kodo bendruomenės herojais. Jų modelius buvo galima atsisiųsti nemokamai, ir jie veikė geriau nei mokami kelių milijardų dolerių vertės technologijų milžinų įrankiai. Jie suteikė keičiamą alternatyvą žmonėms, norintiems naudoti DI savo įrangoje be korporacinės priežiūros.

Tačiau DI rinka yra nepastovi, o jos išlaikymas brangiai kainuoja. Nors originalusis „FLUX“ sulaukė didžiulės sėkmės, antroji versija, išleista 2025 m. pabaigoje, nesukėlė tokio pat susižavėjimo. Konkurentas iš „Alibaba“, pavadintas „Z-Image Turbo“, galiausiai perėmė geriausio atvirojo kodo modelio karūną, nes buvo greitesnis ir reikalavo mažiau atminties. „Black Forest Labs“ reikėjo sugrįžimo, kuris įrodytų, kad jų technologija yra daugiau nei tik žaislas interneto memams kurti. Žengdami į vaizdo įrašų ir robotikos sritį, jie ieško stabilesnių pajamų iš pramonės partnerių, tokių kaip „Audi“. Štai kodėl „FLUX 3“ dar nėra visiškai atviras. Vaizdo įrašų ir veiksmų įrankiai prieinami tik per mokamus API ir konkretiems korporatyviniams partneriams. Versija, kurią paprasti vartotojai galės atsisiųsti ir naudoti savo kompiuteriuose, planuojama išleisti tik 2026 m. pabaigoje.

Ką tai reiškia jūsų kitam pirkiniui

Vidutiniam žmogui šis technologinis pokytis turi du apčiuopiamus padarinius. Pirma, skaitmeninio turinio kokybė pasieks naujas aukštumas. Mes tolstame nuo grūdėtų, penkių sekundžių trukmės DI klipų eros. Per ateinančius kelis mėnesius tikriausiai pamatysite rinkodaros kampanijas ir trumpametražius filmus, kuriuose naudojamas „FLUX 3“ kuriant scenas, nesiskiriančias nuo tikros filmuotos medžiagos. Tai apima ir aukštos kokybės garsą, kuris patirtį padaro įtraukiančią. Tai sumažina gamybos sąnaudas mažiesiems kūrėjams, tačiau taip pat daro skaitmeninį pasaulį mažiau skaidrų, nes riba tarp tikrovės ir sintezės išnyksta.

Antra, „FLUX-mimic“ naudojimas gamyklose rodo pokyčius fizinių prekių gamyboje. Jei robotai gali dirbti su minkštomis, lanksčiomis dalimis, automobilių gamintojai gali labiau automatizuoti surinkimo procesą. Tai paprastai lemia nuoseklesnę surinkimo kokybę ir mažiau klaidų galutiniame produkte. Tai taip pat reiškia, kad mūsų laikų „skaitmeninė nafta“ – dideli vaizdo įrašų duomenų rinkiniai – dabar naudojama fizinėms mašinoms varyti. Jūsų kitas išmanusis telefonas ar automobilis gali būti patvaresnis, nes neuroninis tinklas surinkimo procesą simuliacijoje atliko milijoną kartų, dar prieš pirmajai detalei pasiekiant gamyklos grindis.

Žvilgsnis į nematomą mašiną

Praktiškai kalbant, į „FLUX 3“ turėtume žiūrėti kaip į tiltą. Jis sujungia pikselių pasaulį su fizinių objektų pasauliu. Ilgą laiką DI buvo smegenys be kūno. Jis galėjo rašyti eilėraščius ir tapyti paveikslus, bet negalėjo užsirišti batų raištelių ar sulankstyti marškinių. Apmokydama modelį suprasti vaizdo įrašus, „Black Forest Labs“ suteikė toms smegenims suvokimą apie tai, kaip veikia fizinis pasaulis. Tai yra pamatinis žingsnis link robotų, kurie galės mums padėti kasdieniame gyvenime, o ne tik sėdės už ekrano.

Galiausiai, tikroji istorija čia yra ne tik apie geresnį vaizdo generatorių. Tai apie gamybos įgūdžių decentralizaciją. Kai DI išmoksta, kaip įstatyti durų tarpinę „Audi“ gamykloje, tos žinios yra skaitmeninės. Jas galima akimirksniu nukopijuoti ir nusiųsti į gamyklą kitame planetos krašte. Mes stebime ankstyvuosius pasaulio etapus, kuriame mašinos mokosi mus stebėdamos, o ne būdamos mūsų programuojamos. Užuot nerimavę dėl skambių antraščių, stebėkite smulkmenas savo aplinkoje. Pažiūrėkite į savo drabužių siūles ar buitinės technikos tarpines. Tai yra priešakinės linijos, kuriose DI pradeda savo praktiškiausią darbą.

Šaltiniai:
„Black Forest Labs“ techninis pranešimas (2026 m. liepa)
„Audi“ gamybos pažangos ataskaita
„mimic robotics“ integracijos santrauka
„Artificial Analysis Image Arena“ duomenys