Stellen Sie sich vor, Sie arbeiten irgendwann in naher Zukunft in einem Lagerhaus oder Büro und werden gebeten, einem neuen Auszubildenden dabei zu helfen, die Grundlagen seines Jobs zu erlernen. Der Haken: Es ist ein Roboter. Um es ihnen beizubringen, möchten Sie vielleicht ein „Zeigen und Erzählen“-Spiel spielen – das heißt, Sie zeigen körperlich, wie man etwas auf verschiedene Arten macht, und erklären gleichzeitig, was Sie tun.

Nehmen wir an, Sie haben den Roboter gebeten, während eines Zoom-Anrufs Kaffee auf Ihren Schreibtisch zu stellen, ohne Sie zu stören. Sie möchten, dass der Roboter Ihnen und dem Laptop computer nicht zu nahe kommt, damit er Ihr Assembly nicht stört. Um dieses Verhalten zu ermöglichen, sollte der Roboter mit Daten trainiert werden, die die vollständige Aufgabe klar veranschaulichen. Informatiker haben versucht, Robotern Manipulationsaufgaben zu erklären, indem sie zahlreiche physische Demonstrationen aufzeichneten oder ausführliche Anweisungen verfassten. Wenn Sie jedoch nicht über beides verfügen, ist es wahrscheinlich, dass die Maschine falsch versteht, was sie tun soll.

Für Menschen ist es mühsam, all das zu zeigen und zu erzählen, daher haben Forscher am Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT den Prozess des Unterrichtens eines Roboters automatisiert, während sie Anweisungen automatisch verdeutlichen und quick fünfmal weniger Demonstrationsdaten verwenden. Ihr Ansatz „Masked Inverse Reinforcement Studying“ (Masked IRL) verwendet ein großes Sprachmodell (LLM), um mehrdeutige Eingabeaufforderungen auf der Grundlage der in der Demo eines Benutzers gesammelten Daten auszuarbeiten. Ein weiteres LLM schränkt dann ein, welche Particulars ein Algorithmus in einen Bewegungsplan integrieren sollte, damit ein Roboter Aufgaben in Häusern, Büros und Fabriken sicher erledigen kann.

„Unser Ansatz könnte nützlich sein, wenn ein Mensch mit einem Roboter interagiert, aber nicht alle Particulars einer Aufgabe darlegen möchte“, sagt MIT-Doktorand und CSAIL-Forscher Minyoung Hwang, der Hauptautor eines Buches ist Papier das Projekt vorstellen. „Wir minimieren den menschlichen Aufwand, indem wir es Maschinen ermöglichen, herauszufinden, was Benutzer wirklich wollen.“

Laut Hwang kann Masked IRL Robotern dabei helfen, sich sicher in Umgebungen zu manövrieren, in denen es Elemente gibt, die ein Mensch möglicherweise nicht in einer Eingabeaufforderung beschreibt, die aber dennoch von entscheidender Bedeutung sind. Beispielsweise weiß ein Automat, der Ihnen einen Snack aus der Küche holt, möglicherweise nicht, wie er vermeiden soll, gegen Ihren Laptop computer zu stoßen. Ebenso muss ein Fabrikroboter, der Gegenstände in verschiedene Kartons legt, sorgfältig durch Regale navigieren.

Um in diesen Situationen neue Aufgaben zu erlernen, nutzt Masked IRL die Sensoren des Roboters, um Informationen über seine Umgebung zu erfassen. Diese Komponenten protokollieren auch jede Bewegung einer kinästhetischen Demonstration – einem Trainingsansatz, bei dem ein Mensch einen Roboter physisch bewegt, um eine bestimmte Aktion auszuführen. Es ist so, als wäre man der Physiotherapeut der Maschine und beugt die Gelenke in eine bestimmte Richtung, um einem Roboter zu zeigen, wie er Objekte greift, bewegt und platziert.

Das MIT-System ruft dann ein LLM auf, um diesen Bewegungsablauf (Trajektorie genannt) mit dem kürzestmöglichen Weg zu vergleichen. Das Modell geht auch darauf ein, was in einer Aufforderung unklar sein könnte, und wandelt eine Aufforderung wie „Bleib in der Nähe“ in „Bleib nahe an der Tischoberfläche“ um. Anhand des Flugbahnvergleichs und der geklärten Richtungen beginnt das LLM zu verstehen, warum die Bewegungen, auf die es trainiert wurde, für die Aufgabe wichtig sind.

Ein zweites LLM wertet dann Particulars der Umgebung aus, etwa die Place von Hindernissen und die Type des Zielobjekts des Roboters. Während dieses Vorgangs „maskiert“ (mit anderen Worten: ignoriert) die Elemente, die es für die jeweilige Aufgabe als irrelevant erachtet, und bewertet jedes einzelne entweder mit „1“ (wichtig) oder „0“ (nicht so sehr). Ob sich beispielsweise ein Benutzer während einer Demonstration auf einen Tisch stützte oder nicht, wäre eine „0“ und somit irrelevant. Jedes als „1“ eingestufte Element wird durch einen Algorithmus in den endgültigen Aktionsplan integriert.

Diese Masken verschafften Masked IRL sowohl in 3D- als auch in realen Demos einen entscheidenden Vorteil gegenüber vergleichbaren Baselines, da sie einem Roboter beibrachten, welche Informationen er priorisieren sollte. Dank des Programs der Forscher waren sowohl virtuelle als auch reale Roboter in der Lage, Objekte geschickt um Hindernisse herum zu manövrieren, beispielsweise um eine Kaffeetasse um einen Laptop computer herum an verschiedene Stellen auf einem Tisch zu bewegen. Bei diesen Aufgaben identifizierte Masked IRL die Präferenzen der Benutzer, die sie in ihren Eingabeaufforderungen nicht explizit angaben, bis zu 15 Prozent häufiger korrekt als vergleichbare Baselines.

Bei Simulationsexperimenten stellten CSAIL-Forscher außerdem fest, dass Masked IRL schnell lernte. Um zu verstehen, wie man den Becher bewegt, waren weniger Demos erforderlich als bei den Grundversionen. Sie fanden außerdem heraus, dass die Roboter eine bessere Leistung erbrachten, wenn ein LLM Anweisungen klärte, anstatt die Maschine versuchen zu lassen, einer vagen Anforderung zu folgen.

Dieser fokussiertere Ansatz ließ sich auch intestine auf einen echten Roboterarm übertragen, der Eingabeaufforderungen ausführte, die das System während seiner Trainingsphase nicht gesehen hatte. Nachdem der Roboter 50 kinästhetische Demonstrationen absolviert hatte, bewegte er vorsichtig eine Tasse auf einen Menschen zu und vermied dabei eine Kollision mit dem Laptop eines Benutzers – ein Hindernis, das er zu umgehen lernte, indem er eine allgemeinere Aufforderung ausarbeitete: „Bleib weg.“ Es wischte auch einen Tisch ab, während es „in seiner Nähe“ blieb, und reichte einem Benutzer eine Tüte Chips, während es sich sowohl von einem Menschen als auch von einem Tisch „fernhielt“.

Masked IRL spürt und erklärt, was Benutzer unausgesprochen lassen, aber bald könnte es es auch „sehen“. CSAIL-Forscher planen, ihren Ansatz dynamischer zu gestalten, indem sie ihn mit Kameras ausstatten, die es einem Roboter ermöglichen, Bilder seiner Umgebung aufzunehmen. Dann könnte es bestimmte Elemente in der Nähe hervorheben und sich darauf konzentrieren. Wenn Sie die Maschine beispielsweise bitten, ein Spielzeug aufzunehmen, sieht sie möglicherweise einige Bananen in der Nähe und ignoriert sie, bevor sie das Zielobjekt anfasst.

Hwang schrieb die Arbeit zusammen mit drei CSAIL-Kollegen: der Doktorandin Alexandra Forsey-Smerek ’20, SM ’22; Postdoktorand Nathaniel Dennler; und MIT-Assistenzprofessorin Andreea Bobu, die Mitglied der Abteilung für Luft- und Raumfahrt und CSAIL ist. Ihre Arbeit wurde teilweise von der Tata Group über den MIT Generative AI Impression Consortium Award und dem Verteidigungsministerium unterstützt. Sie werden das Projekt im Juni auf der IEEE Worldwide Convention on Robotics and Automation 2026 vorstellen.

Diejenigen, die erwartet hatten, dass NVIDIA-CEO Jensen Huang die Bereitstellung eines Updates für seinen nächsten großen KI-Chip – den Vera-Rubin-Prozessor, der erstmals letzten März auf der GTC-Konferenz des Unternehmens in San Jose besprochen wurde – bis zur bevorstehenden GTC-Konferenz im März verzögern würden, waren gestern Abend überrascht, als Huang gestern Abend auf der CES in Las Vegas Particulars über den Chip veröffentlichte und sagte, der neue Chip sei in „voller Produktion“ und werde in der zweiten Hälfte dieses Jahres verfügbar sein.

Zu den Markenzeichen von NVIDIA, die sich vom Verhalten der Technologieunternehmen in der Vergangenheit unterscheiden, gehört es, neue Produkte pünktlich oder früher als geplant zu liefern und gleichzeitig eine Roadmap zu verfolgen, die frei von der Angst vor „Kannibalismus“ ist, additionally der Sorge, dass neue Produkte den potenziellen Umsatz bestehender, noch auf dem Markt befindlicher Produkte verschlingen. Auch wenn NVIDIA in der Tat nicht jeden Greenback aus den Vorgängern von Vera Rubin herausgequetscht hat, hat das Unternehmen mit seinem rasanten Produktrhythmus einen enormen Druck auf seine Konkurrenten ausgeübt und gleichzeitig riesige Mengen an Chips an einen Marktsektor geliefert, in dem eine ständige Nachfrage nach den neuesten und besten Chips besteht, unabhängig davon, wie schnell diese eingeführt werden: die Hyperscaler und KI-Cloud-Unternehmen.

Von Vera Rubin hat Huang ihn gestern Abend als überragenden Leistungsträger positioniert, der die fünffache KI-Rechenleistung des aktuellen Flaggschiff-Chips von Grace Blackwell liefert.

Laut NVIDIA nutzt die Rubin-Plattform ein extremes Codesign auf sechs Chips – der NVIDIA Vera-CPU, der NVIDIA Rubin-GPU, dem NVIDIA NVLink 6 Swap, dem NVIDIA ConnectX-9 SuperNIC, der NVIDIA BlueField-4 DPU und dem NVIDIA Spectrum-6 Ethernet Swap –, die zusammen die Trainingszeit und die Inferenz-Token-Kosten senken, so das Unternehmen.

Vera Rubin soll sich mit der zunehmenden Einführung von Agenten-KI und Argumentationsmodellen befassen, die die Grenzen der Berechnung verschieben. Die mehrstufige Problemlösung erfordert, dass Modelle lange Sequenzen von Token verarbeiten, begründen und agieren. Zu den fünf Technologien der Rubin-Plattform gehören:

• NVIDIA NVLink der sechsten Technology: Bietet GPU-zu-GPU-Kommunikation, die für MoE-Modelle erforderlich ist. Jede GPU bietet 3,6 TB/s Bandbreite, während das Vera Rubin NVL72-Rack 260 TB/s bietet – was laut NVIDIA mehr Bandbreite ist als das gesamte Web. Mit integrierter netzwerkinterner Rechenleistung für kollektive Vorgänge sowie neuen Funktionen für Wartungsfreundlichkeit und Ausfallsicherheit ist der NVLink 6-Swap für KI-Coaching und Inferenz im großen Maßstab konzipiert.
• Vera-CPU: Laut NVIDIA ist Vera die energieeffizienteste CPU für große KI-Fabriken und wurde für das Agentendenken entwickelt. Es ist mit 88 maßgeschneiderten NVIDIA-Olympus-Kernen, Armv9.2-Kompatibilität und ultraschneller NVLink-C2C-Konnektivität ausgestattet.
• Rubin-GPU: Ausgestattet mit einer Transformer Engine der dritten Technology mit hardwarebeschleunigter adaptiver Komprimierung liefert die Rubin-GPU 50 Petaflops NVFP4-Rechenleistung für KI-Inferenz.
• NVIDIA Confidential Computing der dritten Technology: Das Unternehmen gab an, dass Vera Rubin NVL72 die erste Rack-Plattform ist, die NVIDIA Confidential Computing bietet – das die Datensicherheit über CPU-, GPU- und NVLink-Domänen hinweg gewährleistet.
• RAS-Engine der zweiten Technology: Die Rubin-Plattform bietet Integritätsprüfungen, Fehlertoleranz und proaktive Wartung. Das modulare, kabellose Tray-Design des Racks ermöglicht eine bis zu 18-mal schnellere Montage und Wartung als Blackwell.

NVIDIA Rubin stellt die NVIDIA Inference Context Reminiscence Storage Platform vor, bei der es sich nach Angaben des Unternehmens um eine neue Klasse KI-nativer Speicherinfrastruktur handelt, die für die Skalierung von Inferenzkontexten im Gigamaßstab entwickelt wurde.

Die auf NVIDIA BlueField-4 basierende Plattform ermöglicht die gemeinsame Nutzung und Wiederverwendung von Schlüsselwert-Cache-Daten in der gesamten KI-Infrastruktur, um die Reaktionsfähigkeit und den Durchsatz zu verbessern.

Da KI-Fabriken zunehmend auf Naked-Steel- und Multi-Tenant-Bereitstellungsmodelle setzen, wird die Aufrechterhaltung einer starken Kontrolle und Isolierung der Infrastruktur immer wichtiger. BlueField-4 führt außerdem die Superior Safe Trusted Useful resource Structure (ASTRA) ein, eine Architektur auf Systemebene, die den Entwicklern von KI-Infrastrukturen einen einzigen Kontrollpunkt für die Bereitstellung, Isolierung und den Betrieb großer KI-Umgebungen ohne Leistungseinbußen bietet.

Da sich KI-Anwendungen in Richtung Multi-Flip Agentic Reasoning weiterentwickeln, verwalten und teilen KI-native Organisationen größere Mengen an Inferenzkontext über Benutzer, Sitzungen und Dienste hinweg. NVIDIA Vera Rubin NVL72 wurde entwickelt, um ein einheitliches System zu bieten, das 72 NVIDIA Rubin-GPUs, 36 NVIDIA Vera-CPUs, NVIDIA NVLink 6, NVIDIA ConnectX-9 SuperNICs und NVIDIA BlueField-4 DPUs kombiniert.

NVIDIA sagte, es werde auch die NVIDIA HGX Rubin NVL8-Plattform anbieten, ein Serverboard, das acht Rubin-GPUs über NVLink verbindet, um x86-basierte generative KI-Plattformen zu unterstützen. Die HGX Rubin NVL8-Plattform beschleunigt Coaching, Inferenz und wissenschaftliches Rechnen für KI- und Hochleistungsrechner-Workloads.

NVIDIA DGX SuperPOD dient als Referenz für die Bereitstellung von Rubin-basierten Systemen in großem Maßstab und integriert entweder NVIDIA DGX Vera Rubin NVL72- oder DGX Rubin NVL8-Systeme mit NVIDIA BlueField-4 DPUs, NVIDIA ConnectX-9 SuperNICs, NVIDIA InfiniBand-Netzwerken und NVIDIA Mission Management-Software program.