Latem 2021 roku OpenAI po cichu zamknęło swój zespół zajmujący się robotyką, twierdząc, że postęp jest utrudniony przez brak odpowiednich danych. Dane niezbędne do szkolenia robotów w zakresie poruszania się i myślenia z wykorzystaniem sztucznej inteligencji (AI). W połowie marca trzech pierwszych badaczy OpenAI ogłosiło, że ich startup Covariant, założony w 2017 roku, rozwiązał ten problem i dostarczył system, który łączył możliwości rozumowania dużych modeli językowych ze zręcznością fizyczną zaawansowanego robota.

reklama

Nowy model, nazwany RFM-1, został wytrenowany na podstawie danych zebranych przez lata z małej floty robotów Covariant używanych przez klientów takich jak Crate & Barrel i Bonprix w magazynach na całym świecie, a także tekstów i filmów z Internetu. Model zostanie udostępniony klientom Covariant w nadchodzących miesiącach. Firma ma nadzieję, że po wdrożeniu system z czasem stanie się potężniejszy i wydajniejszy.

„Nie mogę tego dobrze zrobić”

Więc co możesz zrobić? W wersji demonstracyjnej na początku marca współzałożyciele firmy Covariant, Peter Chen i Peter Appel, pokazali, w jaki sposób użytkownicy mogą stymulować model za pomocą pięciu różnych typów danych wejściowych (podpowiedzi): tekstu, obrazów, wideo, instrukcji robota i wskaźników. Na przykład pokazali robotowi zdjęcie kontenera pełnego sprzętu sportowego i poprosili go o odebranie paczki zawierającej piłki tenisowe. Robot może następnie chwycić przedmiot, stworzyć obraz tego, jak będzie wyglądał pojemnik, gdy znikną piłki tenisowe, lub stworzyć film pokazujący, jak robot będzie wyglądał po wykonaniu zadania, z perspektywy ptaka.

Jeśli model przewiduje, że nie jest w stanie prawidłowo uchwycić przedmiotu, może powiedzieć: „Nie potrafię prawidłowo uchwycić przedmiotu. Czy masz jakieś wskazówki?” Jedna z odpowiedzi może doradzić mu, aby użył określonej liczby przyssawek na ramionach, aby poprawić chwyt, na przykład ośmiu zamiast sześciu.

„To ogromny postęp w przypadku robotów, które potrafią dostosować się do środowiska, korzystając z danych szkoleniowych, a nie ze złożonego, specyficznego dla zadania kodu, który stanowił podstawę poprzedniej generacji robotów przemysłowych” – powiedział Chen. To także krok w kierunku miejsc pracy, w których menedżerowie mogą wydawać instrukcje w ludzkim języku, nie martwiąc się o ograniczenia związane z pracą człowieka: „Zapakuj 600 porcji makaronu z czerwonej papryki według poniższego przepisu. Nie rób przerw!”

Chociaż badacze robotyki zbudowali już proste roboty multimodalne i wdrażali je w laboratoriach, wdrożenie na dużą skalę robota umożliwiającego komunikację w wielu trybach stanowi imponujące osiągnięcie firmy.

Aby pokonać konkurencję, Covariant musi zebrać wystarczającą ilość danych, aby można było używać robota w środowisku naturalnym, mówi Pinto. Będzie testowany w magazynach i dokach załadunkowych, w ciągłej interakcji z nowymi instrukcjami, ludźmi, przedmiotami i środowiskami. „Grupy, które szkolą dobre modele, to te, które mają dostęp do naprawdę dużych ilości danych robotów lub są w stanie je wygenerować” – mówi.

Demonstracja robota

Według Covarianta model ten ma „ludzką” zdolność rozumowania, ale ma też swoje ograniczenia. Podczas demonstracji, która obejmowała transmisję na żywo bota Covariant i okno czatu umożliwiające komunikację z nim, Chen zaprosił mnie do przydzielenia modelowi zadania. Kiedy jednak poprosiłem robota, aby „włożył banana z powrotem do torby na zakupy nr 2”, miał on problemy z odtworzeniem swoich kroków, w wyniku czego przed wykonaniem zadania wziął gąbkę, potem jabłko i wiele innych przedmiotów. co ostatecznie rozwiązało. Z bananem. „Nie rozumie nowej koncepcji, ale jest dobrym przykładem — może nie działać dobrze, jeśli nie masz dobrych danych szkoleniowych” – wyjaśnił Chen.

Nowy model firmy jest ucieleśnieniem zmiany paradygmatu zachodzącej w świecie robotyki. Zamiast uczyć robota, jak działa świat, za pomocą instrukcji, takich jak równania fizyczne i symbole, badacze uczą go w ten sam sposób, w jaki uczą się ludzie: poprzez miliony obserwacji. W rezultacie, jak twierdzi Chen, „może powstać wydajny i bardzo elastyczny mózg, który poradzi sobie z każdym zadaniem robotycznym”.

W tym roku pole działania dla firm wykorzystujących sztuczną inteligencję do zasilania inteligentniejszych systemów robotycznych prawdopodobnie stanie się bardziej zatłoczone. Na początku tego miesiąca startup zajmujący się robotyką humanoidalną, Figura AI, ogłosił partnerstwo z OpenAI, w ramach którego zebrał 675 milionów dolarów od gigantów technologicznych, takich jak Nvidia i Microsoft. Marc Raibert, założyciel Boston Dynamics, uruchomił niedawno inicjatywę mającą na celu lepszą integrację sztucznej inteligencji z robotyką. Oznacza to, że postęp w uczeniu maszynowym prawdopodobnie doprowadzi również do postępu w robotyce.

Trenuj roboty za pomocą specjalnie stworzonych filmów

Jednak niektóre pytania pozostają nierozwiązane. Jeśli duże modele językowe będą nadal szkolone na milionach słów bez wynagradzania autorów tych słów, być może modele robotyczne będą również szkolone na podstawie filmów, nie płacąc ich twórcom. Jeśli modele językowe wywołują halucynacje i utrwalają uprzedzenia, jakie podobne problemy mogą pojawić się w robotyce?

Covariant na razie popchnie rozwój do przodu, ponieważ RFM-1 jest przeznaczony do ciągłego uczenia się i doskonalenia. Docelowo badacze chcą wyszkolić bota za pomocą filmów, które model sam generuje, co jest rodzajem metauczenia się, które powoduje wiele problemów, a także rodzi pytanie, co się stanie, jeśli błędy popełnione przez model się kumulują. Niestety, biorąc pod uwagę obecne zapotrzebowanie na więcej danych szkoleniowych, badacze uważają to za prawie nieuniknione. „To szkolenie stanie się rzeczywistością” – mówi Abel. „Kiedy będziemy o tym rozmawiać ponownie za sześć miesięcy, porozmawiamy o tym”.

(większość)