„Niujorko gyventojai dabar gali pasinaudoti unikalia paslauga: naudodamiesi programėle „Shift“, nemokamai užsisakyti profesionalių valytojų, kurie sutvarkytų jų butus.
„Shift“ įkūrusi įmonė, Achene įsikūrusi startuolis „MicroAGI“, užtikrina vartotojams, kad nėra jokių paslėptų mokesčių – ir kuo nešvaresnis butas, tuo geriau. Vienintelė sąlyga – leisti valytojams darbo metu ant kaktos užsidėti kamerą, kad būtų užfiksuotas kiekvienas judesys. Juk įmonė mažiau domisi pačiu valymu; ji ieško robotų mokymo duomenų. Kitoje „Shift“ svetainėje žmonės gali užsiregistruoti filmuoti save – konkrečiai savo rankas ir veiksmus – tiek namuose, tiek darbe. Šiame kontekste tikriausiai geriausia nesigilinti į duomenų privatumo problemas.
Po didelių kalbos modelių sėkmės dabar daug kalbama apie „ChatGPT akimirką“ robotikoje. Jei robotai turėtų prieigą prie pokalbių robotų, galinčių atsakyti – su skirtingu patikimumo laipsniu – į bet kokį klausimą, kaip išspręsti problemą, ar šie dirbtiniai pagalbininkai negalėtų pagaliau persikelti į gamyklas ir namų ūkius? Tai nėra taip paprasta. Kalbos modeliai yra būtent tai, ką jų oavadinimas rodo: kalbos modeliai. Tai ne veiksmų modeliai; jie teikia informaciją, bet ne kontroliuoja komandas. Nepaisant to, jie yra naudingi: jie leidžia bendrauti su mašinomis ir leidžia robotams atpažinti objektus – pavyzdžiui, patiems išsiaiškinti, kad ant grindų rastos banano žievelės vieta šiukšliadėžėje. Kalbos modeliai padeda robotams suskirstyti užduotis į smulkesnes užduotis ir suplanuoti jų vykdymą – pavyzdžiui, padėti taurę prieš pilant vyną. Tačiau jų nepakanka, kad robotai galėtų orientuotis realiame pasaulyje.
Siekiant tai pakeisti, intensyviai dirbama su pagrindiniais modeliais, atliekant robotikos tyrimus. Duomenys yra kliūtis; trūksta maždaug 100 000 metų mokymo duomenų.
Nors internete gausu vaizdo įrašų, tai iš tikrųjų nepadeda. „Iš vaizdo įrašų galima išvesti judesių kinematiką, bet ne dinamiką“, – aiškina Lorenzo Masia, Miuncheno technikos universiteto (TUM) intelektualių biorobotinių sistemų profesorius. Kitaip tariant, nors filmuose rodoma, kaip atrodo sugriebimo judesys, jie neatskleidžia, kaip tvirtai reikia laikyti banano žievelę, kad ji nenukristų ir nepaslystų. suspaustas.
Vienas iš būdų gauti tokius duomenis yra modeliavimas. Sukuriamas roboto kompiuterinis modelis, ir jam pavedama išmokti reikiamus veiksmus. Šis procesas yra greitesnis ir pigesnis nei darbas su tikrais robotais. Tačiau išlieka atotrūkis tarp simuliacijos ir realybės – „simuliacijos ir realybės atotrūkis“. „Tai atliekant modeliavime niekada nebus taip tiksliai, kaip duomenys, gauti iš realių judesių“, – sako Masia.
„MicroAGI“ remiasi duomenimis, gautais filmuojant iš veiksmą atliekančio asmens perspektyvos.
Kiti renka duomenis nuotoliniu būdu valdydami robotus; žmonės valdo robotą naudodami tokius prietaisus kaip duomenų pirštinės, atlikdami suėmimo judesius rankomis, kuriuos roboto ranka atkartoja. Judesiai ir taikomos jėgos yra įrašomi. Gauti duomenys gali būti naudojami kitiems robotams mokyti. Tikslas – sukurti savotišką veiksmų duomenų bazę – kolektyvinę atmintį, prie kurios galėtų prisijungti robotas, susiduriantis su konkrečia užduotimi, kad pasirinktų tinkamą veiksmą. Robotų gamintojo „NEURA Robotics“ įmonėje šis duomenų rinkinys vadinamas „Neuravisata“.
Siekdama paspartinti duomenų generavimą ir mokymą, „NEURA Robotics“ kuria robotų mokymo įrenginius, vadinamus „Robotreniruoklių salė“. Didžiausias pasaulyje tokio tipo įrenginys – mašinų „sporto salė“ – šiuo metu statomas bendradarbiaujant su Miuncheno technikos universitetu Konvergencijos centre Miuncheno oro uoste. Daugiau nei 2000 kvadratinių metrų ploto įrenginys atlieka įvairias užduotis, kurias robotai turi išmokti atlikti. „Pasirinkome „sporto salės“ koncepciją, nes skubiai reikia duomenų – duomenų pamatų modeliams ir pramoniniam pritaikymui“, – aiškina Lorenzo Masia, kuris vadovaus įrenginiui.
„Tarkime, įmonė nori automatizuoti dalį gamybos linijos. Klientai galėtų kreiptis į mus; mes atkartotume užduotį, apmokytume robotus nuotoliniu būdu ir rinktume duomenis.“ Galiausiai, mes įdiegtume sistemą – tokia yra „Robogym“ idėja. Jei klientai nori dalytis savo duomenimis su kitais, „robotų fitneso kurso“ kaina sumažėja.
Idealiu atveju tokiu būdu surinkti duomenys galiausiai galėtų būti naudojami visų rūšių robotams apmokyti – nuo rankų gamybos iki keturkojų ar humanoidinių robotų. Šio „daugiafunkcinio mokymosi“ koncepcija yra ta, kad kuo mažiau pagrindinis modelis yra susietas su konkrečiu roboto korpusu, tuo jis tampa universalesnis.
Pagal vieną viziją, humanoidiniai robotai galiausiai galėtų tapti tikrais universaliais įrenginiais – gebančiais dirbti bet kokioje darbo vietoje, žmonėms, pereinant nuo surinkimo linijos į sandėlį ir netgi parnešant kavos likusiems žmonėms darbuotojams grįžtant. Tai taip pat atvertų galimybę sukurti daug diskutuojamą buitinį robotą. Tokios universalios mašinos taip pat galėtų būti žingsnis link ilgai siekto dirbtinio bendrojo intelekto – intelekto, galinčio atlikti bet kokią užduotį.
Tačiau kiti, įskaitant Yanną LeCuną, buvusį „Meta“ vyriausiąjį mokslininką, atmeta pačią tokio bendrojo intelekto idėją kaip nesąmonę, nesvarbu, ar tai būtų žmonės, ar mašinos. Žmonės įsitikinę, kad turi tokį universalų intelektą tik todėl, kad nepaiso savo pačių ribotumo. Užuot siekę bendrojo intelekto – idealiu atveju – antžmogiško – turėtume sutelkti dėmesį į antžmogišką prisitaikymą ir specializuotus komponentus, kurie kuo efektyviau veiktų kartu. Tyrėjai teigia, kad sistemos, kurios lanksto mūsų baltymus, nebus tos pačios, kurios lanksto mūsų skalbinius.
Todėl robotų ateitis priklauso ne tik nuo mokymo duomenų prieinamumo, bet ir nuo pagrindinio intelekto apibrėžimo. Dar kartą pabrėžiu, kad dirbtinis intelektas verčia mus giliau pagalvoti apie natūralų intelektą.“ [1]
Jie vagia arba perka mūsų informaciją visais įmanomais būdais: Robotų kūno rengybos užsiėmimai – kelyje į universalią mašiną mokslininkai specialiai tam skirtose treniruočių salėse moko robotus žmogaus judesių.
„Niujorko gyventojai dabar gali pasinaudoti unikalia paslauga: naudodamiesi programėle „Shift“, kad nemokamai užsisakytų profesionalius valytojus sutvarkyti jų butus.
„Shift“ įkūrėja, Achene įsikūrusi startuolis „MicroAGI“, užtikrina vartotojams, kad nėra jokių paslėptų mokesčių – ir kuo nešvaresnis butas, tuo geriau. Vienintelė sąlyga – turite leisti valytojams darbo metu ant kaktos užsidėti kamerą, kad būtų užfiksuotas kiekvienas judesys. Juk įmonė mažiau domisi pačiu valymu; ji ieško robotų mokymo duomenų. Kitoje „Shift“ svetainėje žmonės gali užsiregistruoti filmuoti save – konkrečiai savo rankas ir veiksmus – tiek namuose, tiek darbe. Šiame kontekste tikriausiai geriausia nesigilinti į duomenų privatumo problemas.
Po didelių kalbų modelių sėkmės dabar daug kalbama apie „ChatGPT akimirką“ robotikoje. Jei robotai turėtų prieigą prie pokalbių robotų, galinčių atsakyti – su skirtingu patikimumo laipsniu – į bet kokį klausimą, kaip išspręsti problemą, ar šie dirbtiniai pagalbininkai negalėtų pagaliau persikelti į gamyklas ir namų ūkius? Tai nėra taip paprasta. Kalbos modeliai yra būtent tai, ką rodo jų pavadinimas: kalbos modeliai. Jie nėra veiksmų modeliai; jie teikia informaciją, bet nevaldo komandų. Nepaisant to, jie yra naudingi: jie leidžia bendrauti su mašinomis ir leidžia robotams atpažinti objektus – pavyzdžiui, patiems išsiaiškinti, kad ant grindų rasta banano žievelė priklauso šiukšliadėžėms. Kalbos modeliai padeda robotams suskirstyti užduotis į smulkesnes užduotis ir suplanuoti jų vykdymą – pavyzdžiui, padėti taurę prieš pilant vyną. Tačiau jų nepakanka, kad robotai galėtų orientuotis realiame pasaulyje.
Siekiant tai pakeisti, intensyviai dirbama su pagrindiniais modeliais, atliekant robotikos tyrimus. Duomenys yra kliūtis; trūksta maždaug 100 000 metų mokymo duomenų.
Nors internete gausu vaizdo įrašų, tai iš tikrųjų nepadeda. „Iš vaizdo įrašų galima gauti judesių kinematiką, bet ne dinamiką“, – aiškina Lorenzo Masia, Miuncheno technikos universiteto (TUM) intelektualių biorobotinių sistemų profesorius. Kitaip tariant, nors filmuose rodoma, kaip atrodo sugriebimo judesys, jie neatskleidžia, kaip tvirtai reikia laikyti banano žievelę, kad ji nenukristų ir nebūtų sutraiškyta.
Vienas iš būdų gauti tokius duomenis yra modeliavimas. Sukuriamas roboto kompiuterinis modelis, ir jam pavedama išmokti reikiamus veiksmus. Šis procesas yra greitesnis ir pigesnis nei darbas su tikrais robotais. Tačiau tarp modeliavimo ir realybės išlieka atotrūkis – „simuliacijos ir realybės atotrūkis“. „Tai atliekant modeliavime niekada nebus taip tiksliai, kaip duomenys, gauti iš realių judesių“, – sako Masia.
„MicroAGI“ remiasi duomenimis, gautais filmuojant iš veiksmą atliekančio asmens perspektyvos.
Kiti renka duomenis nuotoliniu būdu valdydami robotus; žmonės valdo robotą naudodami tokius įrenginius kaip duomenų pirštinės, atlikdami sugriebimo judesius rankomis, kuriuos roboto ranka atkartoja. Įrašomi judesiai ir taikomos jėgos. Gauti duomenys gali būti naudojami kitiems robotams mokyti. Tikslas – sukurti savotišką veiksmų duomenų bazę – kolektyvinę atmintį, prie kurios robotas, susidūręs su konkrečia užduotimi, galėtų prisijungti ir pasirinkti tinkamą veiksmą. Robotų gamintojo „NEURA Robotics“ įmonėje ši duomenų kolekcija vadinama „Neuravisata“.
Siekdama paspartinti duomenų generavimą ir mokymą, „NEURA Robotics“ kuria robotų mokymo įrenginius, vadinamus „Robogyms“. Didžiausias pasaulyje tokio tipo įrenginys – „sporto salė“ mašinoms – šiuo metu kuriamas bendradarbiaujant su Miuncheno technikos universitetu, Miuncheno oro uosto „Convergence“ centre. Daugiau nei 2 000 kvadratinių metrų ploto patalpose rengiamos įvairios užduotys, kurias turės išmokti atlikti robotai. „Pasirinkome „sporto salės“ koncepciją, nes yra didelis duomenų poreikis – duomenų, reikalingų pamatiniams modeliams ir pramoniniam pritaikymui“, – aiškina Lorenzo Masia, vadovausiantis šiam centrui.
„Įsivaizduokite, kad įmonė nori automatizuoti dalį gamybos linijos. Klientai galėtų kreiptis į mus; mes atkurtume tą užduotį, apmokytume robotus nuotoliniu būdu ir surinktume duomenis. Galiausiai įdiegtume sistemą – tokia ir yra „Robogym“ idėja.“ Jei klientai sutinka dalytis savo duomenimis su kitais, „robotų treniruočių kurso“ kaina sumažėja.
Idealiu atveju tokiu būdu surinkti duomenys vėliau galėtų būti naudojami įvairiausiems robotams mokyti – nuo gamybinių manipuliatorių iki keturkojų ar humanoidinių robotų. Šio „mokymosi naudojant įvairius pavidalus“ (angl. *multi-embodiment learning*) esmė ta, kad kuo mažiau pamatinis modelis susietas su konkrečiu roboto kūnu, tuo universalesnis jis tampa.
Pagal vieną iš vizijų, humanoidiniai robotai ilgainiui galėtų tapti tikrais universaliais įrenginiais, gebančiais atlikti bet kokį žmonėms skirtą darbą: pereiti nuo surinkimo linijos prie darbo sandėlyje ir netgi pakeliui atgal parnešti kavos likusiems darbuotojams žmonėms. Tai taip pat priartintų prie realybės dažnai aptariamą buitinio roboto idėją. Tokie universalūs įrenginiai galėtų tapti žingsniu link ilgai siekiamo tikslo – bendrojo dirbtinio intelekto (angl. *Artificial General Intelligence*), gebančio atlikti bet kokią užduotį.
Vis dėlto kiti – įskaitant buvusį „Meta“ vyriausiąjį mokslininką Yanną LeCuną – tokią bendrojo intelekto idėją (tiek žmonių, tiek mašinų atveju) laiko nesąmone. Žmonės įsitikinę, kad pasižymi tokiu universaliu intelektu, tik todėl, kad nepastebi savo pačių ribotumų. Užuot siekę bendrojo intelekto – geriausia, viršijančio žmogaus galimybes, – turėtume orientuotis į gebėjimą prisitaikyti viršijant žmogaus galimybes ir į specializuotus komponentus, kurie veikia kartu kuo efektyviau. Tyrėjai teigia, kad sistemos, lankstančios baltymus, nebus tos pačios, kurios lanksto skalbinius. Todėl robotų ateitis priklauso ne tik nuo mokymo duomenų prieinamumo, bet ir nuo pagrindinės intelekto apibrėžimo. Vėlgi, dirbtinis intelektas verčia mus giliau mąstyti apie natūralų intelektą. [1]
1. Fitnesskurse für Roboter: Auf dem Weg zur Universalmaschine: Wissenschaftler bringen Robotern in eigens geschaffenen Trainingshallen menschliche Bewegungen bei. Frankfurter Allgemeine Zeitung; Frankfurt. 01 July 2026: N4. MANUELA LENZEN
Komentarų nėra:
Rašyti komentarą