Lai gan robotisti ir spējuši panākt, lai roboti laboratorijā veiktu iespaidīgas lietas, piemēram, parkour, tas viss ir rūpīgi plānots, lai tas izvērstos stingri kontrolētā vidē. Robota autonoma darbība jūsu mājās joprojām ir zināmā mērā satraucoša, īpaši mājās, kurās ir bērni un mājdzīvnieki. Turklāt māju dizains ir atšķirīgs, un telpu un objektu izvietojums ir vēl daudzveidīgāks.
Robotikas ekspertu vidū ir plaši atzīts viedoklis, kas pazīstams kā "Moraveka paradokss": kas ir grūti cilvēkiem, ir viegli mašīnām, un kas ir viegli cilvēkiem, ir grūti mašīnām. Bet, pateicoties mākslīgajam intelektam (AI), tas mainās. Roboti sāk veikt tādus uzdevumus kā veļas locīšana, ēdiena gatavošana un iepirkumu grozu izkraušana, ko pirms neilga laika uzskatīja par gandrīz neiespējamiem robotiem.
Saskaņā ar jaunāko MIT Technology Review numuru, robotika kā joma atrodas līkuma punktā: roboti pārvietojas no laboratorijas un nonāk miljoniem māju. Robotika ir uz sava augstākā punkta robežas.
Mājas roboti nevar būt pārāk dārgi
Agrāk roboti bija dārguma sinonīms, jo ļoti sarežģīti modeļi maksāja simtiem tūkstošu dolāru, padarot tos par nepieņemamiem lielākajai daļai ģimeņu. Piemēram, PR2, viena no agrākajām mājas robota iterācijām, svēra 200 kilogramus un maksāja 400 $, 000 USD.
Par laimi, pakāpeniski parādās jauna lētāku robotu paaudze. ASV jaunuzņēmuma HelloRobot izstrādātā jauna mājas robota Stretch3 cena ir daudz izdevīgāka - 24 950 USD, un tas sver 24,5 kilogramus. Tam ir neliela mobilā bāze, kursorsvira, no kuras karājas kamera, regulējama roka un armatūra ar piesūcekni galā, ko var vadīt ar kontrolieri.
Tikmēr Stenfordas universitātes pētnieku komanda ASV ir izveidojusi sistēmu MobileALOHA (Low Cost Open Source Hardware for Remote Operation), kas ļauj robotam iemācīties gatavot garneles, izmantojot tikai 20 datus, tostarp cilvēka datus. demonstrācijas. Komanda izmantoja gatavus komponentus, lai izveidotu robotu par saprātīgāku cenu, lai gan tas arī maksāja desmitiem tūkstošu dolāru, taču iepriekšējie līdzīgi modeļi varēja viegli maksāt simtiem tūkstošu dolāru.
AI izveido "universālas robota smadzenes"
Tas, kas šos jaunos robotus atšķir no viņu "priekšgājējiem", patiesībā ir viņu programmatūra. Pateicoties mākslīgā intelekta uzplaukumam, tehnoloģiju uzmanība tagad tiek novirzīta no dārgiem robotiem, kas sasniedz fizisko veiklību, uz neironu tīkliem, kas veido "universālās robotu smadzenes".
Robotikas eksperti izmanto dziļu mācīšanos un neironu tīklus, lai izveidotu "smadzeņu" sistēmas, kas var mācīties no vides un atbilstoši pielāgot robotu uzvedību lietojumprogrammās, nevis tradicionālo rūpīgo plānošanu un rūpīgu apmācību.
2023. gada vasarā Google ieviesa RT-2 — vīzijas-verbālās darbības modeli, kas iegūst vispārēju izpratni par pasauli no tiešsaistes teksta un apmācībā izmantotajiem attēliem, kā arī no paša mijiedarbības, un tulko datus par robotu darbībām.
Toyota Pētniecības institūts, Kolumbijas universitāte un MIT komanda jau ir ātri iemācījusi robotiem daudzus jaunus uzdevumus, izmantojot mākslīgā intelekta mācīšanās paņēmienu, ko sauc par imitācijas mācīšanos, kā arī ģeneratīvo AI. Šī pieeja virzīs ģeneratīvo AI metožu paplašināšanu no teksta, attēlu un video jomas uz robotu kustības jomu.
Covariant — starta uzņēmums, kas izveidojās no OpenAI robotikas izpētes nodaļas, kura tagad ir slēgta, tā vietā izveidoja multimodālu modeli RFM-1, kas pieņem norādes no teksta, attēliem, video un robotu komandām. Ģeneratīvais AI ļauj robotiem saprast instrukcijas un ģenerēt ar šiem uzdevumiem saistītus attēlus vai video.
Vairāk datu rada gudrākus robotus
Lielu AI modeļu, piemēram, GPT-4, spēks slēpjas liela datu apjoma uzkrāšanā no interneta, taču tas neattiecas uz robotiem, kuriem ir nepieciešami īpaši tiem apkopoti dati. Viņiem ir nepieciešami fiziski demonstrējumi, kā atvērt veļas mašīnas un ledusskapjus, paņemt šķīvi vai salocīt veļu. Pašlaik šo datu ir ļoti maz, un to apkopošana prasa ilgu laiku.
Lai to mainītu, Google Deep Mind ir uzsācis jaunu programmu ar nosaukumu Open Source X-Embodiment Collaboration. Pagājušajā gadā uzņēmums sadarbojās ar aptuveni 150 pētniekiem 34 laboratorijās, lai savāktu datus no 22 dažādiem robotiem, tostarp HelloRobot's Stretch 3. Iegūtā datu kopā, kas tiks izlaista 2023. gada oktobrī, būs iekļautas 527 robota prasmes, piemēram, atlase, stumšana. , un pārvietojas.
Ir arī robots ar nosaukumu RT-X, kuram pētnieki ir īpaši izveidojuši divas modeļa versijas, kuras var palaist gan lokāli datoros dažādās laboratorijās, gan piekļūt tīmeklī.
Lielāks, tīmeklī pieejamais modelis tika iepriekš apmācīts ar interneta datiem, lai izstrādātu "vizuālo veselo saprātu" no lieliem valodas un attēlu modeļiem. Kad pētnieki izmanto RT-X modeli daudziem dažādiem robotiem, viņi atklāj, ka šādi roboti ir par 50% veiksmīgāki prasmju apguvē nekā sistēmas, kas izstrādātas neatkarīgi katrā laboratorijā.
Īsāk sakot, tas ir vairāk datu, kas padara gudrākus robotus.