The Pulse
Ai2 presenta ToyBlocks, un mondo simulato su un tavolo per studiare l’apprendimento dei robot
Ai2 ha presentato ToyBlocks, un mondo simulato su un tavolo per addestrare e valutare sistemi robotici. Secondo Ai2, il framework genera dimostrazioni e verifica come i modelli affrontano compiti come girare, smistare e impilare blocchi.
AI.info Team · Scritto con l’IA · verificato ·
Ai2 ha presentato ToyBlocks il 6 novembre 2026 come il suo primo FoundationWorld, un framework di simulazione controllata per studiare l’apprendimento dei robot. L’ambiente simulato ruota attorno a un braccio robotico e a blocchi su un tavolo, con compiti che includono spingere, girare e impilare. Secondo Ai2, ToyBlocks genera automaticamente dimostrazioni e misura il comportamento dei robot nel tempo.
Un mondo su un tavolo, costruito per test ripetibili
L’approccio FoundationWorld combina un ambiente simulato con strumenti per generare compiti e dimostrazioni per l’addestramento, oltre a metriche per monitorare le prestazioni. Ai2 descrive l’ambiente di ToyBlocks come volutamente semplice e afferma che i ricercatori possono variare i dati di addestramento o la progettazione del modello e ripetere i test nello stesso ambiente. Le immagini e le lettere sui blocchi consentono di creare compiti di ricerca, smistamento e disposizione, compresi quelli che richiedono di girare un blocco per scoprire una faccia nascosta.
ToyBlocks varia le dimensioni dei blocchi, l’altezza del tavolo e altre proprietà fisiche da una scena all’altra per verificare come i modelli gestiscono i cambiamenti nella geometria. Il sistema consente anche di effettuare test su compiti esclusi dall’addestramento, permettendo ai ricercatori di confrontare ciò che i modelli apprendono da diverse combinazioni di dimostrazioni.
Dimostrazioni generate a una velocità fino a 24 volte quella del tempo reale
ToyBlocks usa l’apprendimento per rinforzo e la pianificazione del movimento per generare abilità per brevi sequenze di azioni. L’addestramento delle abilità avviene in Isaac Lab, il framework open source di Nvidia per l’apprendimento dei robot in simulazione. Le abilità apprese comprendono lo spostamento di un blocco sul tavolo o il suo ribaltamento senza sollevarlo.
Un sistema di pianificazione dei compiti e del movimento seleziona le abilità e ne stabilisce la sequenza, poi pianifica i movimenti del robot tra un’abilità e l’altra. ToyBlocks può generare ed eseguire centinaia di piani in parallelo su una singola unità di elaborazione grafica, raggiungendo una velocità fino a 24 volte quella del tempo reale. Le dimostrazioni risultanti includono etichette che identificano il compito o l’abilità in corso di esecuzione.
Più di un tasso di successo
Per la valutazione, ToyBlocks riporta metriche che vanno oltre i tassi di successo nei compiti. Queste includono la velocità di esecuzione, le forze esercitate sugli oggetti e l’avanzamento dei compiti misurato usando le specifiche del sistema di pianificazione. Il framework consente anche esperimenti che separano la pianificazione ad alto livello dall’esecuzione a basso livello, aiutando i ricercatori a individuare quale parte non ha funzionato in un compito.
In un test di pianificazione, un sistema che usa Claude Opus 5.5 ha risolto tutti i 30 compiti di un gruppo di esercizi di impilamento di blocchi a partire da descrizioni testuali, e ne ha risolti anche 30 su 30 osservando le immagini delle telecamere e scegliendo le azioni in un ciclo chiuso. In un esperimento separato di ricerca e composizione di parole, l’agente doveva trovare blocchi con lettere tra un massimo di otto blocchi, con il 50% delle scene in cui mancava una lettera necessaria. In questo esperimento, l’agente ha risolto con successo o dichiarato correttamente irrealizzabile il 63% dei compiti.
Testare agenti che apprendono le proprie abilità
Gli errori nel test di ricerca e composizione di parole erano dovuti soprattutto al fatto che l’agente confondeva lettere simili tra loro (13%) o sceglieva un orientamento errato per una lettera in una pila (15%). Gli esperimenti hanno anche verificato se un agente fosse in grado di indagare il comportamento inatteso di un’abilità, eseguire un piccolo test e rivedere la propria comprensione.
In quell’esperimento, l’agente ha condotto i propri esperimenti e scritto le proprie descrizioni delle abilità sulla base di quanto rilevato. Queste descrizioni apprese hanno portato il tasso di successo dal 24% ottenuto con le descrizioni predefinite al 63%, superando il 36% raggiunto con le descrizioni scritte da un esperto umano.