Atlas, humanoid robot terkenal karena itu Parkour Dan menari rutinitas, baru -baru ini mulai menunjukkan sesuatu yang sama sekali lebih halus tetapi juga jauh lebih signifikan: telah belajar untuk berjalan dan mengambil sesuatu menggunakan satu kecerdasan buatan model.
Terlebih lagi, model pembelajaran tunggal robot menunjukkan beberapa keterampilan “muncul” yang menggoda, seperti kemampuan untuk pulih secara naluriah ketika menjatuhkan item tanpa dilatih untuk melakukannya.
Boston Dynamics, perusahaan yang membuat Atlas, bersama dengan Toyota Research Institute (TRI), mengembangkan model generalis yang belajar mengendalikan lengan dan kaki dari berbagai tindakan contoh. Ini berbeda dari norma: robot yang dilengkapi dengan kemampuan untuk belajar biasanya akan bergantung pada satu model untuk berjalan dan melompat dan yang lain untuk memahami item.
“Kaki sama seperti tangan tambahan, dalam beberapa hal, untuk model,” kata Russ Tedrake, seorang robotis di Toyota Research Institute dan Massachusetts Institute of Technology, yang memimpin pekerjaan saat ini. “Dan itu berhasil, yang luar biasa.”
Atas perkenan Boston Dynamics
Model tunggal yang digunakan untuk mengontrol atlas diberi makan gambar dari sensor visual robot, data proprioception dari sensor tubuh (yang memberikan rasa posisi dan gerakannya yang berkelanjutan), dan permintaan bahasa terkait dengan tindakan yang berbeda. Model ini ditampilkan contoh atlas yang melakukan berbagai tugas menggunakan campuran teleoperasi, simulasi, dan video demonstrasi. Yang dihasilkan Model Perilaku Besar (LBM) Mengontrol robot humanoid dengan cara yang lebih alami. Saat memilih item dari tempat sampah, misalnya, robot akan memposisikan kembali kakinya seperti orang untuk menyeimbangkan kembali saat mencapai rendah. LBM juga menunjukkan beberapa perilaku dasar yang muncul. Ketika robot menjatuhkan item, misalnya, itu menunjukkan keterampilan “pemulihan” baru dengan membungkuk untuk mengambilnya.
Ini jauh lebih menarik daripada yang terlihat. Sama seperti model bahasa besar (LLM) yang diumpankan oleh data teks dalam jumlah besar kadang -kadang menunjukkan kemampuan yang tidak terduga, seperti kemampuan untuk kode, robotis berharap bahwa strategi serupa akan menghasilkan robot yang menunjukkan banyak keterampilan baru yang mengejutkan ketika mencoba menyelesaikan sesuatu.
Tedrake mengatakan bahwa Atlas dan robot lainnya mulai menunjukkan tanda -tanda pembelajaran yang lebih umum. Labinya juga bereksperimen berbagai jenis lengan robot yang dilatih untuk melakukan berbagai tugas, termasuk mengiris sayuran dan menyapu biji kopi yang tumpah.
Meskipun ada banyak pekerjaan yang harus dilakukan, Tedrake mengatakan semua bukti sejauh ini menunjukkan bahwa pendekatan yang digunakan untuk LLMS juga bekerja untuk robot. “Saya pikir itu mengubah segalanya,” katanya.
Mengukur kemajuan dalam robotika telah menjadi lebih menantang akhir -akhir ini, tentu saja, dengan videoclips yang menunjukkan humanoids komersial melakukan tugas -tugas kompleks, seperti memuat lemari es atau mengeluarkan sampah dengan tampak mudah. Klip YouTube dapat menipu, dan robot humanoid cenderung teleoperasi, diprogram dengan cermat di muka, atau dilatih untuk melakukan tugas tunggal dalam kondisi yang sangat terkontrol.
Pekerjaan Atlas yang baru adalah pertanda besar bahwa robot mulai mengalami jenis kemajuan yang setara dalam robotika yang pada akhirnya mengarah pada model bahasa umum yang memberi kami Chatgpt Di bidang AI generatif. Akhirnya, kemajuan seperti itu dapat memberi kita robot yang mampu beroperasi di berbagai lingkungan yang berantakan dengan mudah dan mampu mempelajari keterampilan baru dengan cepat – dari pipa pengelasan hingga membuat espresso – tanpa pelatihan ulang yang luas.
“Ini jelas merupakan langkah maju,” kata Ken Goldberg, seorang robot di UC Berkeley yang menerima beberapa dana dari TRI tetapi tidak terlibat dengan pekerjaan Atlas. “Koordinasi kaki dan lengan adalah masalah besar.”
Goldberg mengatakan, bagaimanapun, bahwa gagasan perilaku robot yang muncul harus diperlakukan dengan cermat. Sama seperti kemampuan mengejutkan dari model bahasa besar kadang -kadang dapat ditelusuri ke contoh -contoh yang termasuk dalam data pelatihan mereka, ia mengatakan bahwa robot dapat menunjukkan keterampilan yang tampaknya lebih baru daripada yang sebenarnya. Dia menambahkan bahwa sangat membantu untuk mengetahui detail tentang seberapa sering robot berhasil dan dengan cara apa itu gagal selama percobaan. TRI sebelumnya telah transparan dengan pekerjaan yang dilakukan pada LBMS dan mungkin akan merilis lebih banyak data pada model baru.
Apakah penskalaan sederhana data yang digunakan untuk melatih model robot akan membuka perilaku muncul yang semakin besar tetap menjadi pertanyaan terbuka. Pada debat Diadakan pada bulan Mei di Konferensi Internasional tentang Robotika dan Otomasi di Atlanta, Goldberg dan lainnya memperingatkan bahwa metode teknik juga akan memainkan peran penting ke depan.
Tedrake, misalnya, yakin bahwa robotika mendekati titik belok-yang akan memungkinkan lebih banyak penggunaan humanoid di dunia nyata dan robot lainnya. “Saya pikir kita perlu menyingkirkan robot -robot ini dari dunia dan mulai melakukan pekerjaan nyata,” katanya.
Apa pendapat Anda tentang keterampilan baru Atlas? Dan apakah Anda berpikir bahwa kami sedang menuju terobosan gaya chatgpt dalam robotika? Beri tahu saya pendapat Anda tentang ailab@wired.com.
Ini adalah edisi Will Knight’s AI Lab Newsletter. Baca buletin sebelumnya Di Sini.
