Chociaż robotykom udało się nakłonić roboty do robienia imponujących rzeczy, takich jak parkour w laboratorium, wszystko to zostało starannie zaplanowane i rozwijane w ściśle kontrolowanym środowisku. Posiadanie robota pracującego autonomicznie w domu jest nadal nieco niepokojące, szczególnie w domach, w których są dzieci i zwierzęta. Co więcej, domy różnią się designem, a układ pomieszczeń i przedmiotów jest jeszcze bardziej zróżnicowany.
Wśród ekspertów w dziedzinie robotyki powszechnie znany jest punkt widzenia znany jako „paradoks Moraveca”: to, co jest trudne dla ludzi, jest łatwe dla maszyn, a to, co jest łatwe dla ludzi, jest trudne dla maszyn. Ale dzięki sztucznej inteligencji (AI) to się zmienia. Roboty zaczynają być w stanie wykonywać zadania, takie jak składanie prania, gotowanie i rozładunek koszyków na zakupy, które jeszcze niedawno uważano za prawie niemożliwe do wykonania przez roboty.
Według najnowszego wydania MIT Technology Review, robotyka jako dziedzina znajduje się w punkcie zwrotnym: roboty opuszczają laboratoria i trafiają do milionów domów. Robotyka jest u progu swojego szczytu.
Roboty domowe nie mogą być zbyt drogie
W przeszłości roboty były synonimem bycia drogimi, a bardzo złożone modele kosztowały setki tysięcy dolarów, co czyniło je niedostępnymi dla większości rodzin. Na przykład PR2, jedna z najwcześniejszych wersji robota domowego, ważyła 200 kilogramów i kosztowała 400 dolarów000 USD.
Na szczęście stopniowo pojawia się nowa generacja tańszych robotów. Stretch3, nowy robot domowy opracowany przez amerykański start-up HelloRobot, jest znacznie tańszy – 24 950 dolarów i waży 24,5 kilograma. Posiada małą mobilną podstawę, joystick, na którym zawieszona jest kamera, regulowane ramię i uchwyt z przyssawką na końcu, którym można sterować za pomocą kontrolera.
Tymczasem zespół naukowców z Uniwersytetu Stanforda w USA zbudował system o nazwie MobileALOHA (Low-Cost Open Source Hardware for Remote Operation), który umożliwia robotowi nauczenie się gotowania krewetek za pomocą zaledwie 20 fragmentów danych, w tym danych ludzkich demonstracje. Zespół wykorzystał gotowe komponenty do zbudowania robota o bardziej przystępnej cenie, chociaż on również kosztował dziesiątki tysięcy dolarów, ale poprzednie podobne modele mogły z łatwością kosztować setki tysięcy dolarów.
AI buduje „uniwersalny mózg robota”
Tym, co odróżnia te nowe roboty od ich „poprzedników”, jest tak naprawdę ich oprogramowanie. Dzięki boomowi na sztuczną inteligencję punkt ciężkości technologii przesuwa się obecnie z drogich robotów, które osiągają zręczność fizyczną, na sieci neuronowe, które budują „uniwersalny mózg robota”.
Eksperci w dziedzinie robotyki wykorzystują głębokie uczenie się i sieci neuronowe do tworzenia systemów „mózgowych”, które mogą uczyć się od otoczenia i odpowiednio dostosowywać zachowanie robotów w aplikacjach, zamiast tradycyjnego, starannego planowania i żmudnych szkoleń.
Latem 2023 r. Google wprowadziło RT-2, model wizji, werbalnych i działań, który pozwala na ogólne zrozumienie świata na podstawie tekstów i obrazów online wykorzystywanych do celów szkoleniowych, a także na podstawie własnych interakcji, i tłumaczy to dane w działania robotyczne.
Instytut Badawczy Toyoty, Uniwersytet Columbia i zespół MIT już szybko uczą roboty wielu nowych zadań za pomocą techniki uczenia się opartej na sztucznej inteligencji zwanej uczeniem się przez naśladownictwo oraz generatywnej sztucznej inteligencji. Takie podejście popchnie ekspansję technik generatywnych AI z dziedziny tekstu, obrazów i wideo do sfery ruchu robotów.
Covariant, startup wywodzący się z zamkniętego obecnie działu badań nad robotyką OpenAI, zamiast tego zbudował model multimodalny RFM-1, który akceptuje wskazówki z tekstu, obrazów, wideo i poleceń robota. Generatywna sztuczna inteligencja pozwala robotom rozumieć instrukcje i generować obrazy lub filmy związane z tymi zadaniami.
Więcej danych powoduje powstawanie mądrzejszych robotów
Siła dużych modeli sztucznej inteligencji, takich jak GPT-4, polega na gromadzeniu dużych ilości danych z Internetu, ale nie dotyczy to robotów, które potrzebują danych zebranych specjalnie dla nich. Potrzebują fizycznych demonstracji, jak otwierać pralki i lodówki, podnosić talerz lub składać pranie. Obecnie takich danych jest bardzo mało, a ich zebranie zajmuje dużo czasu.
Aby to zmienić, Google Deep Mind uruchomiło nowy program o nazwie Open Source X-Embodiment Collaboration. W zeszłym roku firma nawiązała współpracę z około 150 badaczami w 34 laboratoriach, aby zebrać dane z 22 różnych robotów, w tym z HelloRobot’s Stretch 3. Powstały zbiór danych, który zostanie opublikowany w październiku 2023 r., będzie obejmował 527 umiejętności robota, takich jak podnoszenie, pchanie i poruszanie się.
Istnieje również robot o nazwie RT-X, dla którego naukowcy zbudowali specjalnie dwie wersje modelu, które można uruchomić zarówno lokalnie na komputerach w różnych laboratoriach, jak i uzyskać do nich dostęp przez Internet.
Większy, dostępny w Internecie model został wstępnie przeszkolony przy użyciu danych internetowych w celu opracowania „wizualnego zdrowego rozsądku” na podstawie dużych modeli języka i obrazu. Kiedy badacze uruchamiają model RT-X na wielu różnych robotach, odkrywają, że takie roboty są o 50% skuteczniejsze w uczeniu się umiejętności niż systemy opracowane niezależnie w każdym laboratorium.
Krótko mówiąc, więcej danych tworzy inteligentniejsze roboty.