Umjetna inteligencija već piše programski kod, ali može li osmisliti robota koji će stvarno raditi u fizičkom svijetu? Istraživači s Harvarda i Georgia Techa pokušavaju odgovoriti na to pitanje novim otvorenim testom RLE-Bench, koji sustave umjetne inteligencije stavlja pred zadatke iz robotike, upravljanja i strojarstva.
Test je predstavljen u objavi Harvardove škole inženjerstva i primijenjenih znanosti. Za razliku od provjera koje mjere samo sposobnost generiranja koda, RLE-Bench ispituje može li sustav povezati program, senzore, motore i fizička ograničenja robota.
Od koda do stvarnog stroja
Tim predvode Na Li s Harvarda i Bo Dai s Georgia Techa, a u projektu sudjeluju i istraživači Haitong Ma, Chenxiao Gao i Rushi Qiang. Njihov je cilj stvoriti zajedničko mjerilo za sustave koji sve češće samostalno pišu i popravljaju programe.
RLE-Bench obuhvaća 48 zadataka podijeljenih u četiri područja: upravljanje robotom, razvoj postupaka učenja, opažanje i procjena položaja te mehaničko oblikovanje. U jednom zadatku sustav mora osmisliti mobilnu platformu koja nosi više robotskih ruku i omogućuje im dohvat predmeta na različitim visinama.
Na ekranu takav dizajn može izgledati uvjerljivo. Kad se uzmu u obzir masa, zakretni moment, ravnoteža i geometrija, cijeli se robot može prevrnuti. Upravo takvi primjeri pokazuju zašto pisanje koda nije dovoljno za izradu pouzdanog fizičkog sustava.
Simulacija nije isto što i laboratorij
Trenutačna verzija testa radi u simuliranim okruženjima. Sustavi mogu pokretati svoje programe, promatrati rezultat, mijenjati pristup i pokušavati ponovno. Iako se ne radi o pravom robotu u laboratoriju, zadaci su oblikovani prema problemima koji se pojavljuju u stvarnom projektiranju.
Simulacija omogućuje ponovljiv test i usporedbu različitih modela pod istim uvjetima. Istodobno ima jasna ograničenja: rezultat ovisi o tome koliko dobro simulator prikazuje trenje, kašnjenje senzora, savijanje materijala i druge pojave koje u stvarnosti mogu presuditi.
RLE-Bench zato ne tvrdi da umjetna inteligencija već zna samostalno izraditi robota. Test pokušava izmjeriti koje dijelove inženjerskog posla sustavi mogu obaviti i gdje još redovito griješe. Autori naglašavaju da je prva verzija tek početak te pozivaju stručnjake da dodaju nove zadatke.
Zašto je ovo važno?
Razvoj robota traži više od sposobnosti da se pronađe rješenje u digitalnom prostoru. Sustav mora razumjeti što vidi, predvidjeti posljedice pokreta i prilagoditi se kada se plan ne ponaša prema očekivanjima. Ako umjetna inteligencija uspije povezati te korake, mogla bi ubrzati razvoj pomoćnih, industrijskih i istraživačkih robota.
Ako ne uspije, test će barem pokazati gdje su granice današnjih modela. Jedan drukčiji pristup učenju, koji oponaša rad ljudskog mozga, opisan je u ranijem tekstu o načinu učenja. RLE-Bench sada postavlja praktičnije pitanje: može li umjetna inteligencija digitalnu odluku pretvoriti u stroj koji će ostati stabilan izvan simulacije?
