Obožavam kavu. Volim gadgete, tehnologiju i radujem se budućim tehnologijama. Ali nikada nisam zamislio da ću vidjeti robota kako priprema kavu.
Većina robota programirana je da obavljaju specifične funkcije, ali humanoidni robot tvrtke Figure, model “Figure 01” koji uči promatranjem i ispravlja svoje greške, mogao bi promijeniti igru u tom području.
Tvrtka Figure objavila je video koji prikazuje humanoidnog robota kako priprema šalicu kave promatrajući ljude kako to rade – ispravljajući greške u stvarnom vremenu. U promotivnom materijalu, vodeći model tvrtke Figure.ai, nazvan “Figure 01“, uzima kapsulu za kavu, umetne je u aparat za kavu, zatvori poklopac i uključi aparat. Iako nije jasno koji sustavi djeluju “ispod haube”, tvrtka Figure je potpisala komercijalni ugovor s BMW-om za pružanje svojih humanoidnih robota u proizvodnji automobila – objavivši vijest 18. siječnja u priopćenju za tisak.
Stručnjaci su za Live Science rekli što se vjerojatno događa “ispod haube”, pretpostavljajući da video prikazuje točno ono što tvrtka tvrdi. Trenutno, robotika pokretana umjetnom inteligencijom (UI) specifična je za domenu – što znači da ovi strojevi dobro rade jednu stvar, umjesto da sve rade zadovoljavajuće. Počinju s programiranim osnovama pravila i skupom podataka koji se koriste za samoučenje. Međutim, Figure.ai tvrdi da je Figure 01 naučio samo promatrajući 10 sati snimki. Impresivno!
Više domena
Da bi robot mogao pripremati kavu ili kositi travnjak, to bi značilo ugradnju stručnosti u više domena koje su prekomplicirane za programiranje. Pravila za svaku moguću eventualnost morala bi biti predviđena i kodirana u njegov softver – na primjer, posebne upute što učiniti kada dođe do kraja travnjaka. Stjecanje stručnosti u mnogim domenama samo promatranjem predstavljalo bi veliki skok. Prvi dio slagalice je da Figure 01 treba vidjeti što treba ponavljati. “Procesuiranje informacija vizualno omogućuje mu prepoznavanje važnih koraka i detalja u procesu”, rekao je Max Maybury, poduzetnik i suvlasnik AI Product Reviews, za Live Science.
Robot bi trebao uzeti video podatke i razviti interni prediktivni model fizičkih radnji i redoslijed tih radnji, rekao je Christoph Cemper, izvršni direktor AIPRM-a, web stranice koja dizajnira upite za unos u sustave umjetne inteligencije poput ChatGPT-a, za Live Science. Trebao bi prevesti ono što vidi u razumijevanje kako pomicati svoje udove i hvataljke kako bi izveo iste pokrete, dodao je.
Zatim postoji arhitektura neuronskih mreža, rekla je Clare Walsh, stručnjakinja za analitiku podataka i umjetne inteligencije na Institutu za analitiku u Ujedinjenom Kraljevstvu – vrsta modela strojnog učenja inspiriranog načinom rada mozga. Veliki broj međusobno povezanih pojedinačnih čvorova povezuje se kako bi stvorio signal. Ako je željeni rezultat postignut kada signali vode do radnje (poput produžavanja ruke ili zatvaranja hvataljke), povratne informacije jačaju neuronske veze koje su to postigle, dodatno ih ugrađujući u ‘poznate’ procese.
Neuronske mreže
“Otprilike 2016. godine, prepoznavanje objekata poput razlikovanja između mačaka i pasa na fotografijama postizalo bi uspjeh od oko 50%”, rekla je Walsh za Live Science. “Jednom kada su neuronske mreže poboljšane i počele raditi, rezultati su skočili na 80 do 90% gotovo preko noći – obuka promatranjem s pouzdanom metodom učenja pokazala se izuzetno uspješnom.”
Walsh vidi sličnost između Figure 01 i autonomnih vozila, omogućenih korištenjem metoda obuke zasnovanih na vjerojatnosti umjesto na pravilima. Napomenula je da samoučenje može brzo izgraditi dovoljno podataka da funkcionira u složenim okruženjima.
Unatoč tome što je većini ljudi lako pripremiti kavu, motorička funkcija, precizna manipulacija i znanje o redoslijedu događaja izuzetno su složeni za učenje i izvođenje stroja. To čini sposobnost samopopravljanja grešaka ključnom – posebno ako Figure 01 pređe s pripreme kave na podizanje teških predmeta u blizini ljudi ili izvođenje spašavanja života.
“Vizualna oštrina robota ide dalje od gledanja što se događa u procesu pripreme kave”, rekao je Maybury. “On ne samo da to promatra, već analizira proces kako bi osigurao da je sve što je moguće točnije.”
Robot treba “znati”
To znači da robot zna da ne smije preliti šalicu i kako ispravno umetnuti kapsulu. Ako primijeti bilo kakvo odstupanje od naučenog ponašanja ili očekivanih rezultata, tumači to kao grešku i fino podešava svoje radnje dok ne postigne željeni rezultat. To čini kroz učenje pojačanjem, u kojem se svijest o željenom cilju razvija kroz pokušaje i pogreške u navigaciji neizvjesnim okruženjem.
Walsh je dodala da pravi podaci za obuku znače da bi ljudski slični pokreti robota mogli “brzo skalirati i diverzificirati”. “Broj pokreta je impresivan, a preciznost i sposobnost samopopravljanja znače da bi to moglo najaviti buduće razvoje u polju”, rekla je.
Ali Mona Kirstein, stručnjakinja za umjetnu inteligenciju s doktoratom iz obrade prirodnog jezika, upozorila je da Figure 01 izgleda kao sjajan prvi korak, a ne kao proizvod spreman za tržište.
“Da bi se postigla fleksibilnost ljudske razine s novim kontekstima izvan ovog usko definiranog zadatka, još uvijek se moraju riješiti problemi poput varijacija u okruženju”, rekla je Kirstein za Live Science. “Dakle, iako kombinira izvrsno inženjerstvo sa stanjem umjetnosti dubokog učenja, vjerojatno je pretjerano smatrati ovo omogućavanjem općenito inteligentne humanoidne robotike.”
Sada je valjda slijedeći korak da pripremi Tursku kavu.
Pridružite se raspravi u našoj Telegram grupi. KOZMOS Telegram –t.me/kozmoshr
Pozdrav svima! Hvala što čitate Kozmos.hr! Ja sam Ivan i dugi niz godina pišem o svermiu, astronomiji, znanosti, povijesti i arheologiji, a imao sam priliku sudjelovati i u dokumentarcima Science Discovery-ja te History Channel-a.
