A humanoid robotok szoftveres fizikai modelljei, és hallucinációik
(2026 október)
A robot-szoftvereként futó világmodellnek (world model a szokásos megnevezése) két fő típusra van szüksége: egy geometriai-fizikai (reaktív) modellre a mozgásirányításhozhoz, és egy szemantikus-generatív (prediktív) modellre a hosszú távú tervezéshez. Míg az emberi agy egy egységes, rugalmas absztrakt modellt használ, addig a robotoké strukturáltabb, matematikai alapú és célfeladatokra optimalizált.
A robotokhoz szükséges világmodellek típusai:
Kinematikai és fizikai szimulátorok (Geometriai modellek): a modell merev testek, pontfelhők leírásából (LiDAR
/mélységkamerák alapján) és fizikai egyenletekből áll. Megmondja a robotnak, hogy hol vannak a falak, mekkora a gravitáció, és milyen erővel kell megfognia egy poharat, hogy ne törjön el, de ne is essen ki a kezéből.
Generatív, preiktív alapmodellek: a legújabb, neurális hálózatokra (pl. transzformerekre vagy diffúziós modellekre) épülő rendszerek. A modell képes "elképzelni" a jövőt. Ha a robot megkapja a jelenlegi kamera képét és egy tervezett mozdulatot (pl. "ellököm a poharat"), a modell megjósolja a következő képkockát ("a pohár felborul, a víz kifolyik"), és teszi lehetővé a megerősítéses tanulást (Reinforcement Learning) szimulált környezetben.
Generatív, preiktív alapmodellek: a legújabb, neurális hálózatokra (pl. transzformerekre vagy diffúziós modellekre) épülő rendszerek. A modell képes "elképzelni" a jövőt. Ha a robot megkapja a jelenlegi kamera képét és egy tervezett mozdulatot (pl. "ellököm a poharat"), a modell megjósolja a következő képkockát ("a pohár felborul, a víz kifolyik"), és teszi lehetővé a megerősítéses tanulást (Reinforcement Learning) szimulált környezetben.
A robotok szoftveres fizikai modelljei (angolul World Models) olyan mesterséges intelligencia (AI) modulok, amelyekkel a robotok szimulálják a környező fizikai világot, hogy értsék az ok-okozati összefüggéseket, és megjósolják az akcióik következményeit. A modell segítségével „gondolatban” szimulálják, hogy mi fog történni. A hagyományos robotikai AI-ok (például a megerősítéses tanulás) több millió fizikai ismétlést igényelnek egyetlen feladat (pl. egy ajtó kinyitása) elsajátításához. Funkcióik:
• Predikció: mozgások, mozdulatok következményei,
• Virtuális gyakorlás: a robot képes szimulált környezetben gyakorolni, így a valódi fizikai világban kevesebb próbálkozásból sikeres lehet.
• Alkalmazkodás: ha a környezet változik (pl. sötét lesz, vagy egy új akadály kerül az útba), a modell segít alkalmazkodni anélkül, hogy teljesen újra kellene tanulni a feladatot.
• Virtuális gyakorlás: a robot képes szimulált környezetben gyakorolni, így a valódi fizikai világban kevesebb próbálkozásból sikeres lehet.
• Alkalmazkodás: ha a környezet változik (pl. sötét lesz, vagy egy új akadály kerül az útba), a modell segít alkalmazkodni anélkül, hogy teljesen újra kellene tanulni a feladatot.
A model szerkezete
1. Vizuális modul (V): tömöríti a külvilágból érkező bonyolult képi adatokat (pl. kamerafelvételeket) egy kódhalmazzá.
2. Memória modul (M): megjósolja, hogy a robot jelenlegi döntései alapján hogyan fog kinézni a világ a következő pillanatban.
3. Döntéshozó modul (C): kiválasztja az optimális beavatkozást a jövőb szimulált előrejelzései alapján.
3. Döntéshozó modul (C): kiválasztja az optimális beavatkozást a jövőb szimulált előrejelzései alapján.
A modellek a legjobban kutatott területek a robotikában:
• Generatív videós világmodellek: az OpenAI Sora vagy a Runway korai világmodellek, amelyek értik a fizika alapvető szabályait (gravitáció, ütközések).
• Humánoid robotok: a Figure, a Tesla Optimus vagy a Boston Dynamics robotjai új modellekre támaszkodnak, hogy folyékonyan, emberi beavatkozás nélkül navigáljanak gyárakban és otthonokban. A világmodellek forradalmasítják a robotikát, de még messze nem tökéletesek. Míg a nyelvi modellek (LLM-ek) szöveges tényeket hallucinálnak, addig a robot-világmodellek a fizikát és a valóságot "hallucinálják" néha, tévednek. A fizikai testtel rendelkező robotoknál egy ilyen hiba nem csak rossz válasz, hanem összetört tárgyakhoz vagy balesetekhez, komoly károkhoz vezethet.
• Az Optimus nem előre megírt kódsorokat követ, hanem a kamerák nyers pixeladatait alakítja át az ízületek motoros parancsaivá.
• A Tesla egy gigantikus mesterséges intelligenciára épülő Világszimulátort (World Simulator) használ, aki képes videógeneráló modellek segítségével „digitális álmokat” és szintetikus fizikai forgatókönyveket létrehozni, így a robot virtuálisan tanulja meg a tárgyak viselkedését, mielőtt a valóságban végrehajtaná a feladatot.
• Boston Dynamics (Atlas – LBM, Prediktív Modell): a Boston Dynamics hagyományosan a precíz matematikai és fizikai modellezésre épített (pl. MPC – Model Predictive Control), ahol a robot másodpercenként többszázszor kalkulálja ki a tömegközéppontja és az erők egyensúlyát. Az új, elektromos Atlasban a modellt ötvözték a Toyota Research Institute (TRI)-al közösen fejlesztett LBM (Large Behavior Model) technológiával. A hibrid megközelítés a megerősítéses tanulást (Reinforcement Learning) használja felhőalapú fizikai szimulációkban: a robot bonyolult, egész testes egyensúlyozási és nehéz tárgykezelési feladatokat sajátít el, miközben a klasszikus fizikai szabályozás garantálja a stabilitást.
Jellemző Figure (Helix) Tesla Optimus Boston Dynamics (Atlas)
Központi paradigma Vision-Language-Action (VLA) Végponttól-végpontig (End-to-End) MI LBM (Large Behavior Model) + MPC
Hogyan tanul? Multimodális token-beágyazás Emberi demonstrációk utánzása Virtuális fizikai szimuláció
Hogyan tanul? Multimodális token-beágyazás Emberi demonstrációk utánzása Virtuális fizikai szimuláció
és taktilis visszacsatolás + Generatív szimuláció (Megerősítéses tanulás)
Erősség Kiemelkedő finommotorika Globális flottaszintű adatgyűjtés és Extrém dinamizmus, fizikai stabilitás
és nyelvi kontextusértés szoftveres skálázhatóság és egész testes koordináció
A modern humanoid világmodellek közös nevezője a pixel-to-action (képpontból mozdulat) elv: a környezet geometriáját és fizikai szabályait már nem geometriai képletekkel írják le a mérnökök, hanem a robotok neurális hálózatai maguk absztrahálják azt a vizuális és fizikai tapasztalatok milliárdjaiból
Hallucinációk, tévedések
1. Fizikai hallucinációk (lehetetlennek látszó fizika): a generatív videómodelleknél (mint az OpenAI Sora) gyakran valami hirtelen eltűnik, fizikailag lehetetlen esemény történik.
• A hiba oka az, hogy a világmodellek statisztikai alapon, pixelekből vagy adatokból jósolják meg a jövőt, nem pedig valódi matematikai fizikaegyenletek (pl. áramlástan, gravitáció) alapján.
• A robotikában a szimuláció azt jósolhatja, hogy egy tárgyat könnyedén fel tud emelni, de a valóságban az megcsúszik, mert a modell fizikailag hibás jövőképet vetített előre.
• A robotikában a szimuláció azt jósolhatja, hogy egy tárgyat könnyedén fel tud emelni, de a valóságban az megcsúszik, mert a modell fizikailag hibás jövőképet vetített előre.
2. A hibajavítási adatok hiánya: az adatbázisok kizárólag „tökéletes” végrehajtásokat tartalmaznak (pl. egy utánzott ember vagy egy tanult robot sikeresen megfog egy csészét). A probléma akkor van, ha a robot elkövet egy apró hibát a való világban (pl. meglöki a csészét és az ferdén áll), a modell olyan helyzetbe kerül, amilyet még sosem látott, kikerül a tanult mintákból.
A következmény, hogy a belső szimulációja összeomlik, és a robot teljesen értelmetlen, kaotikus mozdulatokat kezd végezni.
3. A tapintás hiánya: a modellek fejlesztői jelenleg a vizuális adatokra (kameraképekre) támaszkodnak. A fizikai világban a legfontosabb erők láthatatlanok: a súrlódás, a tárgyak tömege, a merevség vagy a felületi textúra. Tapintási és erő-visszacsatolási adatok nélkül a világmodell „félvak”, és képtelen pontosan modellezni az olyan összetett feladatokat, mint egy puha, deformálódó tárgy (pl. egy ruhadarab) hajtogatása.
4. Halmozódó hibák problémája: ha a robot előre próbálja megtervezi a lépéseit, a modell folyamatosan a saját maga által generált (tippelt) jövőre építi a következő mozdulatokat. Ha a rövidtávú előrejelzésében van egy apró hiba, az később nagyobb eltérést okoz, így a szimulált világ a későbbiekben eltávolodik a valódi fizikai valóságtól. Ezt nevezik akumulálódó vagy halmozódó hibának.
5. Számítási kapacitás miatti késleltetés (Latency): ahhoz, hogy egy robot valós időben reagáljon egy leeső tárgyra vagy egy hirtelen elé lépő emberre, a világmodellnek rövid idő alatt kellene lefuttatnia a belső szimulációkat. A mai modellek futtatása nagy hardverigényű, és lassú ahhoz, hogy egy gyorsan változó környezetben (pl. önvezető autóknál vészhelyzetben) időben döntsön.
Az AI hallucinációiról
Rájöttek, hogy a kérdések sorrendjének megváltoztatásával, megelőzhető a hallucináció! Az Ai- modellekben kényes a belső egyensúly a jó és a rossz, a kívánatos és a nemkívánatos között. Amikor a párbeszédet a „Rosszak-e valamik?” negatív- kérdéssel kezdték, teljesen máshogy reagált, mint mikor a párbeszéd végén tették fel ugyanezt a kérdést. Nem a tartalom megváltoztatása a lényeg, hanem a kérdések sorrendjének megváltoztatása. Nagyon érzékeny arra az AI arra, hogy pozitív vagy negatív a kezdő kérdés (promt) értelme. (https://index.hu/techtud/2026/10/19/matematika-ai-chatgpt-chatbot-hiba/, https://index.hu/techtud/2026/10/19/matematika-ai-chatgpt-chatbot-hiba/) Az LLM-ek úgy vannak hangolva, hogy egyetértő választ adjanak, amennyiben nem sikerül, elkezdenek hallucinálni. Az AI legfontosabb tulajdonsága, hogy tud értelmezni, amikor rosszul értelmez, akkor hallucinál. Miért hallucinál az AI, ha megváltozik a kérdések sorrendje? A mesterséges intelligencia (LLM) nem emberi módon értelmezi a világot, hanem matematikai és statisztikai dzövegmintákat követ a szöveggenerálás során. Nem a szavak valós jelentését érti meg, hanem kiszámítja a következő legvalószínűbb szót, emiatt a chatbotok rendkívül érzékenyek a kontextusra és a bemeneti adatok sorrendjére.
Az AI hallucináció és a hibás értelmezés okai: mert a tagadó formák és a negatív fogalmak olyan statisztikai kényszerpályára teszik a modellt, ahol a valós tények visszaadása helyett a kérdés negatív hangvételének való megfelelés válik a legvalószínűbb matematikai kimenetté.
• Statisztikai előfeszítés (Priming): az első kérdés megadja a beszélgetés matematikai irányát. Ha a diskurzus egy negatív felütéssel indít, a modell a korábbi válaszait is figyelembe véve egyre mélyebbre ássa magát a negatív statisztikai mintába.
• Megfelelési kényszer (Sycophancy): az LLM-eket úgy hangolják, hogy segítőkészek és egyetértőek legyenek a felhasználóval. Ha a kérdés eleve elfogult („Rosszak-e az oltások?”), az AI hajlamos megerősíteni a feltevést, még akkor is, ha ez ellentmond a tényeknek.
• Belső logikai konfliktus: Amikor a felhasználó által diktált (például negatív) irány ütközik a modellbe épített biztonsági korlátokkal vagy a betanított tényanyaggal, a rendszer belső egyensúlya felborul.
• A kontextus túlterhelése: ha a kritikus kérdés a beszélgetés végére kerül, a korábbi kérdések és válaszok zajként torzítják a modellt, és a rendszer már nem képes pontosan súlyozni az információkat, és „rossz értelmezés”, azaz hallucináció lép fel.
Mivel az AI nem gondolkodik, csupán valószínűségeket számol, a kérdések sorrendje alapjaiban írja át a belső matematikai képletet, ami a végső választ generálja: a tagadó a kérdés, és negatív a fogalom a kérdésben, a kérdés nyelvi szerkezete (hogy pozitív vagy tagadó) és a benne szereplő fogalom töltete (hogy pozitív vagy negatív) alapvetően határozza meg a statisztikai valószínűségeket az LLM (nyelvi modell) működésében. Mivel az AI nem a valóságot érti, hanem szövegminták egymásutániságát, a logikai csavarok és a negatív kicsengésű szavak könnyen kibillentik az egyensúlyából.
• Megfelelési kényszer (Sycophancy): az LLM-eket úgy hangolják, hogy segítőkészek és egyetértőek legyenek a felhasználóval. Ha a kérdés eleve elfogult („Rosszak-e az oltások?”), az AI hajlamos megerősíteni a feltevést, még akkor is, ha ez ellentmond a tényeknek.
• Belső logikai konfliktus: Amikor a felhasználó által diktált (például negatív) irány ütközik a modellbe épített biztonsági korlátokkal vagy a betanított tényanyaggal, a rendszer belső egyensúlya felborul.
• A kontextus túlterhelése: ha a kritikus kérdés a beszélgetés végére kerül, a korábbi kérdések és válaszok zajként torzítják a modellt, és a rendszer már nem képes pontosan súlyozni az információkat, és „rossz értelmezés”, azaz hallucináció lép fel.
Mivel az AI nem gondolkodik, csupán valószínűségeket számol, a kérdések sorrendje alapjaiban írja át a belső matematikai képletet, ami a végső választ generálja: a tagadó a kérdés, és negatív a fogalom a kérdésben, a kérdés nyelvi szerkezete (hogy pozitív vagy tagadó) és a benne szereplő fogalom töltete (hogy pozitív vagy negatív) alapvetően határozza meg a statisztikai valószínűségeket az LLM (nyelvi modell) működésében. Mivel az AI nem a valóságot érti, hanem szövegminták egymásutániságát, a logikai csavarok és a negatív kicsengésű szavak könnyen kibillentik az egyensúlyából.
A hallucinációk és a hibás válaszok hátterében az alábbi összefüggések állnak:
1. A tagadó kérdések csapdája (ani az AI „vakfoltja”) A nyelvi modellek hírhedten rosszul kezelik a tagadást (pl. nem, sem, soha, mentes).
• Amikor azt kérdezzük: „Miért nem egészséges a futás?”, az AI figyelme a „futás” és az „egészséges” szavak erős statisztikai kapcsolatára fókuszál.
• Mivel a „nem” szót a matematikai súlyozás során hajlamos „elmosni” a környező erős fogalmak mellett, a modell belső feszültségbe kerül: a felhasználó a futás ellen kérdez, de az AI adatbázisában a futás pozitívként szerepel. Hogy feloldja ezt a konfliktust és megfeleljen a kérdésnek, az AI elkezd negatív indokokat generálni (hallucinálni), amelyeknek sokszor nincs valóságalapjuk.
• Mivel a „nem” szót a matematikai súlyozás során hajlamos „elmosni” a környező erős fogalmak mellett, a modell belső feszültségbe kerül: a felhasználó a futás ellen kérdez, de az AI adatbázisában a futás pozitívként szerepel. Hogy feloldja ezt a konfliktust és megfeleljen a kérdésnek, az AI elkezd negatív indokokat generálni (hallucinálni), amelyeknek sokszor nincs valóságalapjuk.
2. A negatív fogalmak és az érzelmi torzítás (Sentiment)
A modellek a betanítás során megtanulják a szavak érzelmi töltetét (sentiment).
• Ha a kérdésben negatív fogalom szerepel (pl. káros, veszélyes, rossz), az AI a neurális hálójában azonnal a negatív tartalmú szövegek irányába indul el.
• Ha a beszélgetést egyből egy negatív fogalommal indítjuk („Rosszak-e a vakcinák?”), a modell belső állapota egy olyan matematikai altérbe kerül, ahol a negatív kicsengésű szavak valószínűsége megnő.
• Ha a kérdésben negatív fogalom szerepel (pl. káros, veszélyes, rossz), az AI a neurális hálójában azonnal a negatív tartalmú szövegek irányába indul el.
• Ha a beszélgetést egyből egy negatív fogalommal indítjuk („Rosszak-e a vakcinák?”), a modell belső állapota egy olyan matematikai altérbe kerül, ahol a negatív kicsengésű szavak valószínűsége megnő.
Ha ugyanezt a kérdést egy semleges vagy pozitív felvezetés után kapja meg, a modell már egy stabilabb, kiegyensúlyozottabb pályán mozog, így kevésbé hajlamos átváltani káros vagy téves válaszokra.
3. A négy alapvető kombináció működése
Az AI eltérően reagál a kérdés és a fogalom párosítására:
Kérdés formája Fogalom töltete Példa Az AI reakciója
Pozitív Pozitív „Hogyan segít a vitamin?” A legstabilabb: Biztonságos, pontos válaszok, minimális hallucináció.
Pozitív Negatív „Miért veszélyes a gomba?” Megfelelési kényszer: Az AI felerősíti a veszélyeket. Ha nincsenek valós veszélyek, hajlamos kitalálni (hallucinálni) őket, hogy igazat adjon a kérdezőnek.
Tagadó Pozitív „Miért nem jó a tej?” Logikai zavar: A tagadás miatt az AI-nak egy alapvetően pozitív dologról kell rosszat mondania. Itt a legmagasabb a strukturális hallucináció esélye.
Tagadó Negatív „Miért nem káros az AI?” Kettős tagadás csapdája: Az AI-nak matematikailag meg kellene fordítania a negatív irányt. Ebbe a logikai csavarba a modellek gyakran belezavarodnak, és pont az ellenkezőjét kezdik el bizonygatni.
Pozitív Pozitív „Hogyan segít a vitamin?” A legstabilabb: Biztonságos, pontos válaszok, minimális hallucináció.
Pozitív Negatív „Miért veszélyes a gomba?” Megfelelési kényszer: Az AI felerősíti a veszélyeket. Ha nincsenek valós veszélyek, hajlamos kitalálni (hallucinálni) őket, hogy igazat adjon a kérdezőnek.
Tagadó Pozitív „Miért nem jó a tej?” Logikai zavar: A tagadás miatt az AI-nak egy alapvetően pozitív dologról kell rosszat mondania. Itt a legmagasabb a strukturális hallucináció esélye.
Tagadó Negatív „Miért nem káros az AI?” Kettős tagadás csapdája: Az AI-nak matematikailag meg kellene fordítania a negatív irányt. Ebbe a logikai csavarba a modellek gyakran belezavarodnak, és pont az ellenkezőjét kezdik el bizonygatni.
*
A Geminit használtuk keresőként