211service.com
Sterowana sztuczną inteligencją ręka robota przez sto lat uczyła się obracać sześcian
Daktyl
badacze AI zademonstrowali samouczący się algorytm, który daje ręce robota niezwykłą nową zręczność. Ich stworzenie nauczyło się manipulować sześcianem z niesamowitą umiejętnością, ćwicząc przez równowartość stu lat w symulacji komputerowej (choć tylko kilka dni w czasie rzeczywistym).
Ręka robota wciąż nie jest tak zwinna jak ludzka i zbyt niezdarna, by można ją było umieścić w fabryce lub magazynie. Mimo to badania pokazują, że uczenie maszynowe może odblokować nowe możliwości robotów. Sugeruje to również, że pewnego dnia roboty mogą nauczyć się nowych umiejętności w wirtualnych światach, co może znacznie przyspieszyć proces ich programowania lub szkolenia.
System robotyczny, nazwany Dactyl, został opracowany przez naukowców z Otwórz AI , organizacja non-profit z siedzibą w Dolinie Krzemowej. Używa gotowej robotycznej ręki brytyjskiej firmy Shadow, zwykłej kamery i algorytmu, który już opanował rozległą grę wideo dla wielu graczy, DotA, przy użyciu tego samego podejścia samouczącego (zobacz Zespół algorytmów AI zmiażdżył ludzi w złożonej grze komputerowej).
Algorytm wykorzystuje technikę uczenia maszynowego znaną jako uczenie ze wzmocnieniem. Dactyl otrzymał zadanie manewrowania sześcianem tak, aby odwrócona była inna ściana. Pozostało wymyślić metodą prób i błędów, które ruchy przyniosą pożądane rezultaty.
Filmy Dactyl pokazują, jak obraca sześcian z imponującą zwinnością. Automatycznie wykrył kilka uchwytów, których ludzie często używają. Ale badania pokazały również, jak daleko jeszcze do zrobienia jest sztuczna inteligencja: robot był w stanie z powodzeniem manipulować sześcianem zaledwie 13 z 50 razy po stu latach wirtualnego treningu — o wiele więcej, niż potrzebuje ludzkie dziecko.
W najbliższym czasie nie będzie pasować do przemysłowego przepływu pracy, mówi Rodney Brooks, emerytowany profesor na MIT i założyciel Rethink Robotics, startupu, który produkuje bardziej inteligentne roboty przemysłowe. Ale to jest w porządku – badania są dobrą rzeczą do zrobienia.
Uczenie się przez wzmacnianie jest inspirowane sposobem, w jaki zwierzęta uczą się poprzez pozytywną informację zwrotną. Zostało to po raz pierwszy zaproponowane kilkadziesiąt lat temu, ale okazało się praktyczne dopiero w ostatnich latach dzięki postępom w zakresie sztucznych sieci neuronowych (patrz 10 przełomowych technologii 2017: Wzmacnianie uczenia się). DeepMind, spółka zależna Alphabet, wykorzystała uczenie się przez wzmacnianie do stworzenia AlphaGo, programu komputerowego, który nauczył się grać w diabelsko złożoną i subtelną grę planszową Go z nadludzkimi umiejętnościami.
Inni badacze robotyki testowali to podejście od jakiegoś czasu, ale byli sparaliżowani trudnością naśladowania złożoności i nieprzewidywalności rzeczywistego świata. Badacze OpenAI ominęli ten problem, wprowadzając losowe wariacje w swoim wirtualnym świecie, aby robot mógł nauczyć się wyjaśniać niedogodności, takie jak tarcie, hałas w sprzęcie robota i momenty, w których sześcian jest częściowo niewidoczny.
Alex Ray, jeden z inżynierów zajmujących się robotem, mówi, że Dactyl można ulepszyć, zwiększając moc przetwarzania i wprowadzając więcej randomizacji. Nie sądzę, że jeszcze osiągnęliśmy limit, mówi. Ray dodaje, że nie ma planu komercjalizacji tej technologii. Jego zespół koncentruje się wyłącznie na opracowywaniu najpotężniejszych możliwych podejść do ogólnego uczenia się.
Trudno to zrobić dobrze, mówi Dmitrij Berenson , robotyk z Uniwersytetu Michigan, który specjalizuje się w manipulacji maszynami. Berenson mówi, że nie jest do końca jasne, jak daleko zajdą nas najnowsze podejścia do uczenia maszynowego. Jak mówi, wymyślenie odpowiedniej sieci do określonego zadania wiąże się z ogromnym ludzkim wysiłkiem. Uważa jednak, że symulowane uczenie się może okazać się bardzo przydatne: jeśli uda nam się niezawodnie przekroczyć „lukę rzeczywistości”, znacznie ułatwi to uczenie się.